top of page

Les agents hébergés de Novo Nordisk transforment la mise à l’échelle de l’IA pour la recherche clinique

il y a 4 jours
14 min de lecture
Illustrative photograph. Photo: Anna Shvets / Pexels.

Microsoft et Novo Nordisk ont reconstruit un assistant de recherche clinique existant sur une infrastructure gérée, transférant le travail opérationnel tout en laissant la responsabilité scientifique à l’équipe de développement. Le cas des agents hébergés de Novo Nordisk, publié le 11 novembre, concerne l’analyse secondaire, c’est-à-dire le réexamen de données d’essais afin d’étudier des questions supplémentaires. Sa tension centrale est simple : transférer la gestion de l’infrastructure ne transfère pas la responsabilité de l’analyse.

La comparaison commence avec le précédent déploiement du projet sur Azure Container Apps, plutôt qu’avec un chatbot médical concurrent. Ce système fonctionnait déjà. Le changement porte sur la manière dont une application de recherche utile devient plus facile à exploiter à mesure que son accès s’élargit. Il pousse les équipes ayant assemblé leurs propres environnements d’exécution, systèmes de stockage et contrôles à expliquer quels composants justifient encore une maintenance continue.

Pour les acheteurs en entreprise, il s’agit d’un aperçu concret de la place des services d’IA gérés. La frontière importante sépare l’exploitation de l’environnement de la décision concernant ce à quoi un agent peut accéder, ce qu’il peut calculer et les conclusions qu’il peut tirer. La plateforme Foundry de Microsoft prend en charge une plus grande part du premier aspect. Les chercheurs, développeurs et équipes de sécurité restent responsables du second.

Les agents hébergés de Novo Nordisk reconstruisent un flux de recherche existant

Le changement rapporté est une nouvelle architecture d’exploitation pour un assistant de recherche établi, et non un nouveau système de décision clinique.

Le récit de migration technique de Microsoft décrit une équipe conjointe ayant déplacé son application vers Microsoft Foundry. Un agent hébergé est du code applicatif empaqueté pour être exécuté sur une infrastructure gérée par le fournisseur de la plateforme. L’équipe a conservé sa logique d’agent tout en transférant davantage de responsabilités d’exécution.

Le déploiement précédent associait Azure Container Apps, un service d’hébergement d’applications géré, au stockage des conversations dans PostgreSQL et à des environnements distincts pour l’exécution de code généré. Foundry gère désormais une plus grande part de l’infrastructure entourant les sessions.

Une session constitue le contexte de travail de l’interaction d’un expert avec l’assistant. L’architecture décrite attribue à chaque session un environnement d’exécution isolé et permet de restaurer les fichiers sauvegardés après une période d’inactivité.

Sid Prabhu, dirigeant chez Novo, présente ce changement comme un moyen d’offrir cette expérience à des milliers de chercheurs. Il s’agit d’une déclaration de l’entreprise sur l’échelle, et non d’un décompte des utilisateurs actifs vérifié de manière indépendante.

Le flux scientifique reste fondé sur l’investigation d’experts. Un chercheur médical peut explorer une question née de données d’essais existantes, examiner une analyse et décider si des travaux supplémentaires sont justifiés. L’assistant soutient cette investigation.

Le précédent récit client sur l’assistant de recherche clinique attribue le jugement final aux scientifiques. Il décrit un déploiement interne dont le déploiement plus large est en cours et présente les applications prédictives comme une orientation future.

Cette distinction sépare une exploration utile d’affirmations plus fortes sur l’impact médical. Identifier une tendance intéressante ne démontre pas un effet thérapeutique. Produire une analyse ne valide pas ses hypothèses. Élargir l’accès ne prouve pas de meilleurs résultats pour les patients.

L’enjeu commercial réside dans la possibilité de rendre une capacité existante plus disponible sans reconstruire chaque composant opérationnel qui l’entoure. C’est une affirmation plus limitée que la découverte pharmaceutique automatisée, mais elle répond à un problème récurrent des entreprises.

Un assistant de recherche peut réussir auprès d’un groupe initial tout en restant difficile à étendre à l’ensemble d’une organisation. Des utilisateurs supplémentaires entraînent davantage de travail simultané, davantage de sessions interrompues et davantage de possibilités de défaillance opérationnelle.

La question scientifique détermine également le travail requis. Un résumé simple et une comparaison plus complexe peuvent imposer des exigences différentes à l’application. Traiter chaque interaction comme une requête identique masque cette variation.

C’est pourquoi le déploiement mérite de l’attention au-delà de son interface conversationnelle. La réponse visible n’est que l’aboutissement d’un flux de travail. Les systèmes qui la sous-tendent déterminent si les experts peuvent enquêter de manière cohérente.

Pour les lecteurs qui souhaitent comprendre l’IA de Novo Nordisk en termes pratiques, le point de départ le plus clair est cette répartition du travail. Le logiciel aide à l’exploration ; des personnes qualifiées en évaluent la signification scientifique.

La migration modifie la manière dont ce logiciel fonctionne. Elle ne change pas qui doit défendre une interprétation ou décider si un résultat mérite une investigation supplémentaire.

Un accès élargi met les équipes qui soutiennent l’assistant sous pression

La pression immédiate s’exerce sur les équipes applicatives, qui doivent répondre à la demande de recherche sans laisser la maintenance de la plateforme absorber leur capacité de développement.

Un assistant de recherche utile suscite des attentes qu’une démonstration ne crée pas. Les utilisateurs s’attendent à ce que leur travail reste accessible, que leurs autorisations demeurent correctes et que les défaillances reçoivent des explications compréhensibles.

Ces attentes transforment les choix d’infrastructure en choix de produit. Une investigation interrompue constitue un problème d’expérience utilisateur, même si sa cause se situe dans un service d’hébergement.

La question centrale pour l’acheteur porte donc sur la responsabilité. Quelles tâches l’organisation doit-elle accomplir parce qu’elles reflètent ses besoins scientifiques ? Quelles tâches existent parce que toute application avec état doit disposer d’un endroit où s’exécuter ?

Cette distinction compte autant pour les effectifs que pour les logiciels. Maintenir des environnements d’exécution exige une expertise différente de celle nécessaire pour déterminer si une analyse représente correctement un jeu de données cliniques. Les deux fonctions sont importantes, mais elles se disputent l’attention.

Un service géré modifie cette répartition. Son attrait est maximal lorsque des tâches opérationnelles répétées consomment des ressources que l’équipe applicative consacrerait autrement à l’amélioration des flux de recherche.

Le bénéfice doit néanmoins être évalué plutôt que présumé. Moins de composants gérés directement ne signifie pas automatiquement moins d’incidents, de meilleures réponses ou des cycles de revue plus courts.

Une organisation doit savoir quelles charges disparaissent et lesquelles se déplacent vers la configuration, l’intégration ou la coordination avec le fournisseur. Un service peut simplifier le déploiement tout en introduisant de nouvelles dépendances lors du dépannage.

Cela crée un test concret pour la voie de l’infrastructure personnalisée. Conserver un contrôle direct a du sens lorsque ce contrôle répond à une exigence documentée. La simple familiarité est une raison moins solide.

Une équipe peut avoir besoin d’une politique d’exécution spécifique, d’une intégration inhabituelle de données ou d’un dispositif de déploiement qu’un service géré ne peut pas prendre en charge. Ces besoins doivent guider la discussion architecturale.

À l’inverse, un composant maintenu en interne mérite un examen lorsque son objectif principal est de reproduire une fonction standard de plateforme. La question est de savoir si sa maintenance crée une valeur proportionnelle à l’effort engagé.

Les responsables de la recherche font face à une pression connexe. Si l’accès s’élargit, l’examen par les experts doit rester praticable. Davantage d’analyses générées apportent peu de valeur lorsque les spécialistes ne peuvent ni inspecter ni reproduire les résultats.

La distinction entre accès et adoption devient également importante. Un chercheur éligible n’est pas nécessairement un utilisateur régulier. Un utilisateur régulier ne termine pas nécessairement une investigation.

Un reporting de déploiement significatif relierait la disponibilité au travail réalisé. Il distinguerait également les requêtes réussies des analyses nécessitant d’importantes corrections ou abandonnées.

Ces mesures aideraient les acheteurs à évaluer si l’architecture améliore l’expérience de recherche. Elles seraient plus instructives qu’une déclaration générale sur la portée organisationnelle.

L’accès aux connaissances crée une autre dépendance. Un assistant a besoin de définitions exploitables, d’hypothèses documentées et de limites claires concernant les documents qu’il peut consulter.

Une base de connaissances interrogeable répond à un défi organisationnel connexe : rendre les sources suffisamment accessibles pour que les personnes puissent les examiner et les réutiliser. L’analyse clinique exige des contrôles scientifiques supplémentaires.

Le lien concerne la traçabilité, c’est-à-dire la capacité à remonter d’un résultat jusqu’aux éléments qui le soutiennent. Un meilleur accès devrait faciliter l’examen critique, plutôt que simplement produire des réponses plus rapidement.

C’est l’enjeu opérationnel de la migration vers les agents hébergés de Novo Nordisk. L’infrastructure doit soutenir le travail des experts à plus grande échelle tout en préservant les conditions nécessaires pour questionner ses résultats.

Foundry face à l’infrastructure personnalisée déplace la frontière du contrôle

L’hébergement géré modifie qui exploite l’environnement d’exécution tout en laissant le comportement de l’application sous le contrôle de son concepteur.

La documentation de Microsoft sur l’architecture des agents hébergés décrit des applications conteneurisées fonctionnant sur une infrastructure gérée par Microsoft. Un conteneur regroupe le code d’une application et ses dépendances dans une unité déployable.

La documentation décrit des environnements de machines virtuelles distincts pour les sessions, des fichiers persistants et une restauration après des périodes d’inactivité. Une machine virtuelle fournit un environnement informatique isolé au sein d’une infrastructure physique partagée.

Ces capacités répondent aux besoins de continuité et de séparation. Elles ne déterminent pas si une analyse générée utilise le bon jeu de données ou applique une méthode statistique appropriée.

La comparaison pratique entre Foundry et une infrastructure personnalisée comporte donc plusieurs dimensions. La simplicité du déploiement en est une. La flexibilité de l’application, la reprise après défaillance, les frontières de données et les exigences d’intégration influencent également la décision.

Une plateforme peut fournir une frontière d’exécution tandis que l’application définit la tâche à l’intérieur de celle-ci. Ces responsabilités interagissent, mais aucune ne remplace l’autre.

Par exemple, isoler une analyse protège la séparation entre les environnements de travail. Cela n’indique pas à un chercheur si la comparaison menée dans cet environnement répond à la question initiale.

De même, restaurer des fichiers aide à reprendre le travail. Cela n’établit pas que le travail repris se réfère toujours à la bonne version des données ou aux bonnes hypothèses.

Ces exemples montrent pourquoi la gestion de l’infrastructure et la gouvernance scientifique restent des décisions distinctes. La gouvernance désigne les règles et responsabilités qui encadrent le fonctionnement d’un système et l’utilisation de ses résultats.

AWS propose une comparaison pertinente avec les sessions d’agents isolées dans Amazon Bedrock AgentCore. Sa documentation décrit des environnements d’exécution dédiés ainsi que des mécanismes de conservation du contexte entre les interactions.

AWS précise également que le backend du client doit maintenir la relation entre les utilisateurs et leurs identifiants de session. Un environnement isolé dépend toujours d’une propriété correcte au niveau de l’application.

Ce parallèle étaye une observation limitée sur le secteur. La gestion et l’isolation des sessions sont désormais des fonctionnalités que les fournisseurs cloud regroupent pour les applications d’agents. Il ne permet pas de désigner un gagnant entre les fournisseurs.

Aucun benchmark comparable ne montre ici que Foundry surpasse AgentCore pour cette charge de travail de recherche. La comparaison pertinente porte sur les responsabilités architecturales, plutôt que sur des classements de performance non étayés.

L’existence de fonctionnalités de plateforme similaires ne rend pas non plus les services interchangeables. L’intégration des identités, les modalités de déploiement disponibles et les systèmes organisationnels existants peuvent rendre une migration très différente.

Pour l’acheteur, l’unité de comparaison utile est une investigation représentative. Un expert autorisé peut-il commencer son travail, le poursuivre, examiner le résultat et y revenir plus tard sans perdre le contexte nécessaire ?

La description d’un service ne répond qu’à une partie de cette question. L’application, les systèmes de données environnants et les politiques organisationnelles déterminent le reste.

Une infrastructure sur mesure permet de contrôler directement ces intégrations. Une infrastructure gérée offre des mécanismes standardisés susceptibles de réduire la quantité de code périphérique qu’une équipe doit maintenir.

Le compromis devient plus clair lorsqu’une exigence évolue. Avec un système sur mesure, l’organisation modifie son implémentation. Avec un système géré, elle doit composer avec les capacités et interfaces prises en charge.

Aucune de ces voies ne dispense de l’exercice du jugement d’ingénierie. La décision porte sur l’endroit où ce jugement crée le plus de valeur et sur les dépendances que l’organisation peut accepter.

Dans ce cas, l’argument architectural central concerne la concentration des efforts. L’application scientifique reste spécialisée, même lorsque ses exigences d’hébergement deviennent plus standardisées.

C’est l’interprétation la plus solide de la migration : une répartition différente du travail d’ingénierie, où le contrôle de l’application et la responsabilité scientifique exigent toujours des responsables clairement identifiés.

Le réseau privé et les sessions isolées n’établissent pas la validité scientifique

Un environnement d’exécution protégé et une conclusion scientifique fiable exigent des preuves différentes.

Les options de mise en réseau des agents de Microsoft distinguent l’accès entrant, c’est-à-dire les connexions qui arrivent vers un service, de l’accès sortant, c’est-à-dire les connexions initiées par l’agent.

La documentation indique que la configuration réseau par défaut fournit une connectivité publique. Le réseau privé nécessite des choix explicites. Restreindre le seul accès entrant n’isole pas nécessairement le trafic sortant.

Cette distinction est importante lorsqu’un acheteur entend qu’une plateforme prend en charge le réseau privé. Une capacité prise en charge décrit ce qui peut être configuré, sans confirmer que chaque application déployée l’utilise.

Les éléments nécessaires à une décision de déploiement sont précis. À quels systèmes l’application peut-elle accéder ? Quelles identités peuvent l’invoquer ? Où les fichiers intermédiaires et les résultats renvoyés peuvent-ils circuler ?

Ces questions concernent le déploiement réel. Une affirmation générale sur un produit ne peut y répondre sans examiner la configuration et l’application environnante.

Les questions scientifiques sont différentes. L’analyse a-t-elle utilisé la population prévue ? Les exclusions étaient-elles appropriées ? La visualisation étaye-t-elle l’interprétation écrite ?

Une session isolée peut exécuter fidèlement un code incorrect. Un réseau restreint peut livrer de manière sécurisée un résultat trompeur. Les contrôles d’infrastructure répondent à des risques importants sans lever toutes les incertitudes analytiques.

Cela est particulièrement pertinent pour le travail exploratoire. Une question peut être raisonnable alors que la méthode choisie est inadaptée. Un calcul peut être correct alors que son interprétation va au-delà des éléments de preuve disponibles.

Une distinction nette entre exploration et validation contribue à préserver la responsabilité scientifique. Un résultat exploratoire identifie un sujet qui mérite d’être étudié ; des conclusions plus solides exigent le travail d’appui approprié.

L’accent mis par le compte client sur le contrôle des scientifiques est donc significatif. L’examen humain a une fonction substantielle lorsque l’évaluateur peut examiner les hypothèses et contester le cheminement analytique.

L’examen s’affaiblit lorsque l’expert ne reçoit qu’un récit soigné. Une explication assurée peut masquer une sélection ou une transformation discutable des données.

Il s’agit d’une préoccupation analytique, et non d’une affirmation selon laquelle le système de Novo aurait connu cette défaillance. Les éléments publics ne justifient pas d’attribuer un défaut non documenté au déploiement.

Ils ne justifient pas non plus d’affirmer que toutes les défaillances pertinentes ont été éliminées. Une étude de cas d’entreprise décrit une implémentation du point de vue des organisations concernées.

Microsoft vend la plateforme. Novo décrit sa propre application. Leurs récits fournissent des éléments directs sur l’implémentation, mais ne constituent pas une évaluation clinique indépendante.

La limite du reportage qui en résulte doit rester claire. Il existe des éléments attestant d’une architecture modifiée et d’une approche déclarée de la supervision experte. Ces faits permettent de discuter de la conception opérationnelle.

Ils n’établissent pas une amélioration mesurée des résultats pour les patients. Ils n’établissent pas non plus que l’environnement d’exécution garantit, à lui seul, la conformité réglementaire.

C’est ici qu’une présentation pratique de l’IA de Novo Nordisk doit résister à toute exagération. L’aide à la recherche, la prise de décision clinique et le bénéfice médical démontré sont des affirmations différentes.

Les acheteurs doivent examiner chaque affirmation à son propre niveau. Un changement d’hébergement exige des preuves liées à l’hébergement. Une affirmation sur la qualité analytique exige des preuves d’évaluation. Une affirmation sur un résultat médical exige des preuves cliniques pertinentes.

Distinguer ces catégories rend le cas plus utile. Cela permet aux organisations de reconnaître une amélioration opérationnelle sans la transformer en conclusion scientifique plus large.

Une meilleure visibilité aide les investigateurs, mais crée une autre surface de données

Comprendre le comportement d’un agent exige des éléments sur ses actions, ainsi que des contrôles sur les informations sensibles que ces éléments peuvent contenir.

Les recommandations de Microsoft sur le traçage des agents décrivent le traçage comme l’enregistrement des étapes d’une requête d’application. Une trace peut aider à localiser l’origine d’une erreur ou d’un délai.

Les données documentées comprennent les entrées utilisateur, les sorties de l’agent, l’activité des outils et les informations de chronométrage. OpenTelemetry, une norme de collecte des données opérationnelles, fournit des conventions communes pour enregistrer ces événements.

Microsoft avertit également que le traçage peut capturer du contenu sensible. Ses recommandations appellent à minimiser ou masquer ce contenu et à appliquer des contrôles d’accès et des politiques de conservation.

L’implication opérationnelle est simple. L’enregistrement qui aide à diagnostiquer un problème peut lui-même devenir un élément nécessitant une protection.

Une question de recherche peut révéler des informations sur une investigation. Le résultat d’un outil peut contenir des données qui n’apparaissent jamais dans la réponse finale. Tout collecter peut étendre l’exposition au-delà de la conversation visible.

Collecter trop peu crée un problème différent. Un investigateur peut constater qu’une réponse était erronée sans pouvoir déterminer pourquoi elle l’était.

L’objectif est donc d’obtenir des éléments utiles dans des limites définies. Les équipes ont besoin de suffisamment d’informations pour relier les comportements aux résultats, tout en contrôlant qui peut examiner cet enregistrement.

Considérons une défaillance illustrative : un assistant renvoie un graphique plausible fondé sur un filtre non intentionnel. L’image finale seule pourrait ne pas révéler à quel stade l’erreur est apparue.

Un enregistrement des étapes pertinentes peut aider à distinguer une mauvaise compréhension de la demande, la sélection de mauvaises données ou la génération d’un code inadapté. Ces défaillances exigent des corrections différentes.

Cet exemple est hypothétique et non un incident signalé impliquant Novo Nordisk. Il montre pourquoi la visibilité est importante lorsqu’une application effectue plusieurs actions interdépendantes.

La visibilité diffère également de la mesure de la qualité. Savoir ce qui s’est passé explique un résultat. Décider si ce résultat est acceptable exige une référence et un critère de jugement.

Une évaluation utile doit donc préciser ce qui constitue une réussite pour la tâche. Correspondre à une réponse privilégiée ne suffit pas lorsque le processus analytique comporte une erreur importante.

À l’inverse, une réponse formulée différemment peut rester scientifiquement solide. L’évaluation doit distinguer les différences de présentation des erreurs qui modifient le sens de l’analyse.

Ce sont des raisons d’associer des experts du domaine à l’évaluation. Leur contribution porte sur la substance de la question, et non uniquement sur la cohérence apparente de la réponse.

La même distinction importe après une mise à jour d’application. Un résultat qui s’améliore sur un exemple familier peut se dégrader pour un autre type d’investigation.

Les comparaisons deviennent plus instructives lorsque les définitions des tâches restent cohérentes et que les évaluateurs comprennent ce qui a changé. Sinon, une amélioration apparente peut refléter un test différent plutôt qu’un meilleur comportement.

Le cas public ne fournit pas suffisamment d’éléments indépendants pour quantifier ces effets. Les lecteurs devraient éviter de traiter une plateforme de surveillance intégrée comme une référence de qualité publiée.

Ce qu’elle propose est une proposition opérationnelle utile : l’investigation et l’évaluation doivent rester liées à mesure que les modalités d’hébergement évoluent.

Cette proposition dépasse le cadre de la recherche pharmaceutique. Toute organisation déployant des assistants sur des informations importantes a besoin d’un moyen d’inspecter les comportements, d’évaluer les résultats et de gouverner les enregistrements qui en résultent.

Les prochaines preuves devraient relier l’échelle aux travaux de recherche achevés

Les prochains signaux significatifs sont l’adoption opérationnelle, la qualité analytique et une présentation précise des contrôles de déploiement.

Le premier signal à observer dans les mois à venir est une présentation plus claire de l’usage réel. Le nombre de chercheurs actifs et d’investigations achevées clarifierait la portée pratique d’un accès élargi.

Un schéma durable de travaux achevés renforcerait l’argument selon lequel une infrastructure gérée aide à transformer la disponibilité en activité de recherche utile. Les seules annonces d’accès laisseraient cet argument moins étayé.

Le deuxième signal est une évaluation comparable des performances analytiques. Un ensemble de tâches cohérent, des critères d’acceptation clairs et un examen par des experts faciliteraient l’évaluation des changements.

Des preuves que la qualité se maintient à mesure que l’usage s’étend étayeraient la valeur pratique de la migration. Des preuves de défaillances analytiques récurrentes déplaceraient l’attention vers le comportement de l’application et la capacité d’examen.

Le troisième signal est une présentation plus spécifique du déploiement. Des descriptions claires de la propriété des sessions, de l’accès aux données, du comportement de récupération et de la configuration réseau aideraient d’autres organisations à juger de l’applicabilité.

De tels détails renforceraient la confiance dans la reproductibilité de l’architecture. Une dépendance continue à des affirmations générales sur les capacités rendrait plus difficile la distinction entre un modèle transférable et un engagement client particulier.

Il s’agit de signaux d’observation, et non d’échéances annoncées ou de divulgations promises. Aucune des deux entreprises ne s’est engagée ici à publier un compte rendu standardisé de ces mesures.

Ensemble, ils relieraient les principales parties de l’histoire. L’échelle compte lorsque les personnes accomplissent un travail utile. La qualité compte lorsque les experts peuvent défendre l’analyse. Les contrôles comptent lorsque le système déployé les applique.

Pour les développeurs, ce cas plaide en faveur d’un examen de la frontière autour de l’application. Maintenir un composant sur mesure mérite une raison claire lorsqu’une plateforme peut fournir la fonction sous-jacente.

Pour les acheteurs, il plaide pour la séparation entre capacité produit et preuves de déploiement. Une fonctionnalité de plateforme devient pertinente lorsque l’organisation comprend comment sa propre application l’utilise.

Pour les responsables de la recherche, l’enjeu central demeure la qualité du travail des experts. Une analyse plus accessible doit soutenir une meilleure investigation sans affaiblir l’examen de la méthode ou du résultat.

Le cas des agents hébergés de Novo Nordisk offre un point de départ concret pour ces discussions. Il décrit un changement de responsabilité opérationnelle autour d’une application de recherche déjà utilisée.

Son importance repose sur cette spécificité. Les organisations expliquent comment exploiter un assistant destiné à des experts, tandis que les éléments disponibles laissent les résultats scientifiques plus larges ouverts.

Lors de l’évaluation d’une proposition similaire, commencez par une investigation représentative et suivez-la, de la question jusqu’au résultat examiné. Analysez les données utilisées, le travail intermédiaire et l’explication reçue par un expert. Demandez ensuite ce qui subsiste après une interruption et qui peut accéder au dossier par la suite. Comparez ces exigences avec l’hébergement géré et l’architecture existante. Exigez des preuves distinctes pour la fiabilité opérationnelle, la qualité analytique et tout bénéfice médical revendiqué. Pour la migration des agents hébergés de Novo Nordisk, la question suivante la plus utile est concrète : quelles preuves supplémentaires montreraient qu’une utilisation plus simple aide les chercheurs à produire des travaux plus solides et mieux étayés ?

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page