Pourquoi j'ai construit un SaaS de fabrication avec GitHub Copilot

Pendant près de deux décennies, les usines de fabrication à travers l'est du Québec se sont appuyées sur une application Windows que j'ai construite en 2007. Andon-SSP faisait son travail—suivre l'état de la production, alerter les superviseurs aux problèmes, fournir une visibilité en temps réel sur les planchers de production. Mais 18 ans plus tard, le paysage industriel avait changé. L'informatique en nuage était devenue la norme. Les attentes en matière de données en temps réel avaient évolué. Le SaaS multi-locataire était devenu standard.

Il était temps d'une réécriture complète.

Mais voici le problème : Je suis un fondateur solo avec un emploi à temps plein. Construire un logiciel de fabrication de niveau entreprise de manière traditionnelle prendrait des années. Je devais aller vite, maintenir la qualité et livrer quelque chose prêt pour la production en quelques mois, pas en années.

La décision : Adopter le développement assisté par l'IA dès le premier jour. Chaque ligne de code, chaque composant, chaque test—construit avec GitHub Copilot comme partenaire de programmation en binôme.

Ceci est la partie 1 d'une série en 4 parties sur comment j'ai construit Andon-SSP, une plateforme SaaS de fabrication moderne, entièrement avec l'assistance de l'IA.

Le problème manufacturier : 500-2K$/heure en temps d'arrêt caché

Les environnements de fabrication sont impitoyables. Lorsqu'une ligne de production s'arrête, les coûts s'accumulent rapidement :

• Coûts directs de main-d'œuvre : Opérateurs inactifs
• Allocation des frais généraux : Les coûts d'installation continuent indépendamment de la production
• Engagements de livraison manqués : Clauses pénales, insatisfaction des clients
• Goulots d'étranglement en aval : Autres départements en attente de pièces

Les estimations de l'industrie placent les coûts de temps d'arrêt à 500$ à 2 000$ par heure pour les opérations de fabrication de taille moyenne. Pour l'automobile ou l'aérospatiale? Multipliez cela par 3 à 5x.

Le pire? La plupart des temps d'arrêt sont invisibles jusqu'à ce qu'il soit trop tard.

Les approches traditionnelles reposent sur :

• Rapports manuels (lents, incohérents)
• Suivi par feuilles de calcul (aucune visibilité en temps réel)
• Systèmes MES hérités (coûteux, complexes, inflexibles)

Ce dont les fabricants ont besoin : Visibilité de production en temps réel avec alertes instantanées lorsque des problèmes surviennent. Pas une implémentation MES à 500K$ qui prend 18 mois. Une solution SaaS moderne qu'ils peuvent déployer en quelques semaines.

C'est ce qu'Andon-SSP offre.

Le défi du fondateur solo : Complexité logicielle d'entreprise

Voici ce que la construction d'un logiciel de fabrication d'entreprise nécessite :

1. Synchronisation de données en temps réel (mises à jour de l'état de production en < 2 secondes)
2. Architecture multi-locataire (plusieurs usines, isolation stricte des données)
3. Connectivité fiable (les planchers de production ont un WiFi instable, besoin de backup RF)
4. Interface utilisateur capable hors ligne (les opérateurs ne peuvent pas attendre la récupération du réseau)
5. Authentification d'entreprise (SSO, accès basé sur les rôles, conformité)
6. Infrastructure évolutive (Azure cloud, auto-scaling, surveillance)
7. Tests complets (tests unitaires, tests d'intégration, tests E2E)

Traditionnellement, vous auriez besoin de :

• Équipe backend (3-4 développeurs)
• Équipe frontend (2-3 développeurs)
• Ingénieur DevOps
• Ingénieur QA
• 12-18 mois minimum

J'avais : Nuits et fins de semaine. Un emploi à temps plein chez Nmédia. Une vision de ce qui devait exister.

Approche traditionnelle : Impossible.

Approche assistée par l'IA : Découvrons-le.

La décision de développement assisté par l'IA : Pourquoi Copilot a changé la donne

J'utilisais GitHub Copilot depuis plus de 6 mois chez Nmédia pour le développement Power Platform. Je connaissais ses forces :

• Génération de code passe-partout : Entités, DTOs, opérations CRUD—Copilot excelle ici
• Réplication de modèles : Une fois qu'il apprend votre style de codage, il est cohérent
• Génération de tests : De zéro tests à 85%+ de couverture en quelques minutes
• Assistance au refactoring : "Convertir en async," "Ajouter la journalisation"—changements mécaniques
• Documentation : Commentaires XML, sections README, docs API

Mais pouvait-il gérer l'architecture d'entreprise? Pouvait-il construire un SaaS multi-locataire avec une sécurité appropriée? Pouvait-il maintenir la qualité du code à l'échelle?

J'ai décidé de le découvrir.

Principes clés que j'ai établis :

1. L'IA génère, l'humain valide : Chaque morceau de code critique pour la sécurité obtient une révision manuelle
2. Itération incrémentale : Ne demandez pas à Copilot d'écrire 500 lignes à la fois. Petits morceaux → test → raffiner
3. Prompt avec contexte : Commentaires détaillés décrivant les exigences, l'architecture, les cas limites
4. L'humain possède l'architecture : L'IA implémente mes décisions de conception, ne les prend pas
5. Tout tester : Si Copilot le génère, j'écris des tests (ou demande à Copilot de générer des tests que je révise)

Avec ces garde-fous en place, j'ai commencé à construire.

Ce que vous apprendrez dans cette série

Ceci est une série en 4 parties documentant l'ensemble du voyage :

Partie 1 (cet article) : Pourquoi j'ai choisi le développement assisté par l'IA pour le SaaS manufacturier

Partie 2 (suivante) : Choisir la pile technologique—Blazor, Azure, Dataverse, SignalR—et comment Copilot a aidé à évaluer les compromis

Partie 3 : Exemples réels de Copilot en action—générer des entités, construire des hubs SignalR, créer la passerelle Windows pour les appareils RF, écrire des tests complets

Partie 4 : Leçons apprises—ce qui fonctionne brillamment, ce qui nécessite une supervision humaine, métriques de vélocité de développement, meilleures pratiques

Le résultat : 4-6 mois jusqu'au SaaS prêt pour la production

Spoiler pour la finale de la série : Ça a fonctionné.

J'ai livré Andon-SSP en 4-6 mois au lieu des 18-24 mois qu'une approche traditionnelle aurait nécessité. La qualité du code est supérieure (85%+ de couverture de tests vs typique 40%). La vélocité de développement est 3-5x plus rapide que le codage manuel.

La plateforme est en ligne. Les usines de fabrication l'utilisent aujourd'hui. Elle gère la surveillance de production en temps réel, les alertes instantanées, la coordination multi-usines—tout ce que l'application Windows héritée faisait, plus les capacités SaaS modernes comme les tableaux de bord basés sur le cloud, l'accès mobile et la multi-location.

Plus important encore : L'assistance de l'IA n'a pas compromis la qualité. Elle l'a amplifiée.

Voir le résultat

Andon-SSP est en ligne sur outsiderssolutions.ca. Si vous rencontrez des difficultés avec la visibilité de production, la connectivité WiFi sur les planchers de production, ou des systèmes hérités obsolètes, parlons-en.

Prochain dans cette série : La partie 2 explore les décisions de pile technologique—pourquoi Blazor Server, pourquoi Dataverse, pourquoi SignalR—et comment Copilot a aidé à évaluer les compromis et générer des preuves de concept.

Questions sur le développement assisté par l'IA pour les logiciels d'entreprise? Contactez-moi—je suis heureux de partager ce que j'ai appris au cours de ce voyage.