OrgaMail

Contexte & problème résolu

Les boîtes mail modernes cumulent trois maux : surcharge (trop de bruit), cloisonnement (une boîte par compte alors que chaque compte mélange important, opportunités, pub et bruit) et organisation manuelle pénible. La vague d'outils IA répond mal : elle résume et parle à la place de l'utilisateur, ce qui n'est pas le besoin. Pire, les tris automatiques des grands acteurs sont réputés opaques et faillibles, au point de faire passer des notifications importantes en « Updates ». Le vrai enjeu est la confiance ; credentials et contenus partant sur des serveurs tiers, surface de phishing ouverte par les résumés cloud.

Une étude de marché documentée (Superhuman, Shortwave, HEY, SaneBox, Apple Mail, Thunderbird, Mimestream…) a fait ressortir un constat structurant : personne ne combine « features IA » et « local/privé ». Tous les concurrents IA sont cloud ; tous les clients locaux n'ont pas d'IA de tri digne de ce nom. OrgaMail occupe précisément cette case vide, et en fait un argument que les acteurs cloud ne peuvent structurellement pas copier : rien ne quitte le Mac, même pas pour le tri.

Six principes tenus de bout en bout

OrgaMail est une vraie boîte mail, pas un résumeur. Six principes structurent l'ensemble du produit.

• Local d'abord et confidentialité : le contenu reste sur le Mac, le tri ne déclenche aucun appel réseau de contenu.
• Non destructif : corbeille seulement pour tout ce qui est automatique, jamais de suppression définitive par l'IA.
• Unifié par thème, pas par compte : l'axe de navigation est le thème transversal (Études, Finances, Travail, Perso…).
• Explicable et annulable : chaque décision de l'IA est tracée, motivée (« Pourquoi ici ») et réversible.
• Une vraie boîte, pas un assistant qui parle à ta place.
• Application généraliste que l'utilisateur spécialise en décrivant ses thèmes en une phrase.

Architecture en couches

Le principe directeur (architecturer pour l'extension, construire léger) pose les coutures (cloud, paywall, multi-plateforme) dès le MVP sans les construire. Le découpage en cibles Swift Package isole un cœur métier pur (Foundation seul, sans dépendance UI ni macOS, réutilisable web/mobile), une couche de fournisseurs de messagerie (Gmail, Microsoft Graph, IMAP, plus un fournisseur simulé), une couche de stockage local (SQLite via GRDB), une couche IA embarquée, une couche application (orchestration du tri, journal, désabonnement, envoi différé) et l'interface SwiftUI.

Choix d'architecture déterminant : un fournisseur simulé, des fixtures et un serveur mail de test local permettent de développer et tester toute la logique et l'UI sans aucun vrai compte ; ce qui a rendu possible le développement autonome. Les vrais comptes n'arrivent qu'à la toute fin. Côté sécurité, OAuth 2.0 avec PKCE, tous les secrets au Keychain macOS, et un blocage par défaut des pixels espions au rendu HTML des mails.

Le moteur de tri (approche, sans la recette)

Le moteur de tri intelligent est un actif propriétaire de Tech Fox : cette description couvre les techniques mobilisées et les résultats, sans livrer la recette (constantes de calibrage, seuils, contenu des prompts). C'est un pipeline multi-étages en cascade où le premier étage qui décide l'emporte, combinant plusieurs familles de techniques complémentaires.

• Règles déterministes prioritaires (sans réseau ni IA) : auto-mail, spam du fournisseur, codes à usage unique, liens de connexion, alertes de sécurité, colis ; une décision de sécurité n'est jamais confiée au modèle de langage.
• Régression logistique auto-distillée, portée en Swift (optimisation L-BFGS) sur des embeddings sémantiques normalisés, avec une fidélité numérique au portage prouvée de l'ordre de 1e-6 par rapport à scikit-learn.
• Modèle de langage local exécuté sur le seul résidu (via MLX sur Apple Silicon), en génération contrainte avec garde anti-injection, qui départage sans jamais inventer de nom de thème.
• Découverte de thèmes émergents par clustering (k-means sphérique) du reliquat, toujours proposée puis validée par l'utilisateur, jamais créée automatiquement.
• Filet « À regarder » à coûts asymétriques : quand l'importance est haute mais la confiance faible, le message est mis en évidence plutôt que rangé au hasard ; un faux négatif coûte bien plus qu'un faux positif.

Explicabilité, sécurité & fonctionnalités

Chaque action automatisée crée une entrée d'audit (date, message, action, motif, réversibilité), et le volet de lecture affiche un bandeau « Pourquoi ici » qui explique le classement. Les codes à usage unique et liens de connexion sont détectés de façon déterministe, vérifiés contre le phishing avant présentation, et ne sont jamais journalisés ni envoyés à un tiers. La suppression automatique est structurellement interdite : la seule action destructrice reste la corbeille, réversible.

S'ajoutent la détection de newsletters et le désabonnement en un clic (RFC 8058), l'extraction d'échéances vers des fichiers calendrier, la détection des mails en attente de réponse, l'envoi différé, une assistance à la rédaction dans le style de l'utilisateur avec correction française locale, et une interface trois panneaux soignée en modes jour et nuit, ponctuée d'un visualiseur « orbe » qui exprime les états du tri.

Résultats & compétences

Mesures internes sur de vraies boîtes (protocole train/test anti-overfit, corpus EN et FR) : environ 92 % de messages auto-triés dès le premier passage sans aucun spam classé automatiquement, montée à environ 99,5 % après la boucle d'apprentissage (~190 corrections) sans oscillation, zéro faux positif sur les boîtes entièrement légitimes, et un écran anti-phishing à environ 96 % de rappel. Le cœur, le stockage, les connecteurs réels et l'UI sont en place et testés contre des simulateurs, avec une vérification visuelle systématique jour/nuit.

Le projet démontre le développement macOS natif full-stack, l'architecture en couches (cœur pur réutilisable), l'intégration email de bas niveau (IMAP/SMTP/MIME sur mesure, OAuth/PKCE), le machine learning appliqué embarqué (régression logistique portée avec fidélité prouvée, embeddings, clustering, LLM local via MLX), la sécurité et la confidentialité by design, et une solide démarche de recherche produit et de design d'interaction.