Jedify lève 24 millions de dollars pour doter ses agents IA d'une compréhension du contexte métier

Les fournisseurs d’IA présentent souvent leurs produits destinés aux entreprises comme des solutions prêtes à l’emploi, mais il y a peu de chances que les agents d’IA fonctionnent efficacement dès le premier jour. Sans personnalisation du modèle en fonction des spécificités opérationnelles de votre entreprise, celui-ci ne peut pas comprendre comment votre entreprise définit son chiffre d’affaires ni quels employés ont accès à des fichiers spécifiques. C’est l’une des raisons pour lesquelles les entreprises spécialisées dans l’IA envoient des ingénieurs sur place pour aider à intégrer leurs outils dans les environnements de leurs clients.

Jedify, une start-up basée à New York, s'attaque précisément à ce défi. Selon l’entreprise, sa plateforme utilise des API pour se connecter aux sources de connaissances de l’entreprise et créer un « graphe contextuel » de son activité, permettant ainsi aux agents IA de fonctionner plus efficacement. Ces sources comprennent des bases de données, des entrepôts de données, des lacs de données, des applications SaaS, des outils de BI, ainsi que des sources non structurées telles que des rapports, de la documentation, des bases de code, des canaux Slack et des enregistrements de réunions.

Pour soutenir ce développement, Jedify a levé 24 millions de dollars dans le cadre d’un tour de table de série A mené par Norwest, comme l’a rapporté en exclusivité TechCrunch. Les investisseurs existants S Capital VC et Cerca Partners ont participé à ce tour, aux côtés d’un nouvel investisseur, Oceans Ventures. Le géant des données Snowflake a également participé en tant qu’investisseur stratégique et intègre actuellement la technologie de Jedify à ses propres offres d’IA, notamment Cortex AI, Semantic Views et CoWork.

L’argument clé de Jedify repose sur le fait que les agents IA doivent comprendre les relations entre les entités, les données, les autorisations, les connaissances métier, les workflows, les hypothèses opérationnelles et la terminologie propre à l’entreprise pour être véritablement utiles dans un contexte d’entreprise. Ce contexte, explique la société, permet à un agent IA de se concentrer sur les informations pertinentes pour une tâche spécifique plutôt que de passer au crible l’ensemble des données de l’organisation.

Assaf Henkin, cofondateur et PDG (photo ci-dessus, à l’extrême droite), a cité Kiteworks, une société spécialisée dans la conformité, comme exemple illustrant la manière dont les clients tirent parti de Jedify. Kiteworks a intégré Snowflake, Tableau, Notion et des guides opérationnels internes — comprenant des documents et des captures d’écran — à Jedify, puis a développé des outils basés sur des agents pour divers workflows clients.

« Leur objectif était de doter leurs équipes commerciales et de gestion des comptes d’une application sophistiquée — imaginez un tableau de bord combiné à un outil conversationnel en temps réel. Lorsqu’ils entament une discussion avec un client, Jedify génère dynamiquement tout ce qu’ils ont besoin de savoir. Au cours de la conversation, il met en avant de manière proactive des détails très précis en temps réel », a déclaré M. Henkin.

Le graphe contextuel de Jedify. Crédits image :JedifyCrédits image :Jedify /

M. Henkin affirme que le graphe contextuel de Jedify se distingue des couches sémantiques, des catalogues de métadonnées et des graphes de connaissances existants, car il est multidimensionnel : il capture les relations entre les entités, les données, les personnes, les autorisations et les clients. Il est également indépendant de tout modèle et se met à jour en temps réel à mesure que les informations circulent entre les systèmes connectés.

« Lorsque vous avez besoin d’une solution autonome capable de fonctionner de manière indépendante — en prenant des décisions à partir des données CRM, des tickets Zendesk et éventuellement des données de télémétrie en temps réel —, un graphe contextuel offre des capacités bien supérieures à celles d’une couche sémantique », a-t-il déclaré.

Les autorisations constituent un défi évident. Par exemple, un agent ne devrait pas accorder à un stagiaire l’accès aux prévisions de chiffre d’affaires du directeur financier. M. Henkin explique que sa plateforme résout ce problème en héritant des autorisations des systèmes d’identité, des systèmes de fichiers, des outils SaaS et des bases de données — y compris les règles au niveau des lignes, des colonnes et des tables —, puis en permettant aux clients de créer des groupes supplémentaires qui spécifient quels agents ou workflows peuvent y accéder. La plateforme fournit également des outils d’observabilité et de gouvernance pour aider les clients à vérifier que leurs agents IA se comportent comme prévu.

Jedify cible actuellement les moyennes et grandes entreprises disposant d’infrastructures de données matures et de plusieurs bases de données ou entrepôts de données. Selon M. Henkin, la société compte entre 10 et 20 premiers clients, dont The Weather Company, et suscite l’intérêt de secteurs à forte intensité de données tels que les jeux vidéo, l’industrie et les biens de grande consommation.

L’investissement et le partenariat de Snowflake sont remarquables, car les grandes plateformes de données développent également des capacités similaires. Cependant, M. Henkin soutient que Jedify vient compléter ces efforts, car une part importante des données d’une entreprise et la majeure partie de son savoir-faire institutionnel se trouvent généralement répartis entre plusieurs fournisseurs, et non sur un seul cloud.

« [Les grandes entreprises de données] vous diront : “Oh oui, il suffit de tout apporter.” Mais en réalité, les entreprises disposent de multiples bases de données, entrepôts et solutions de données. Le point essentiel est que toutes vos données ne se trouvent pas dans ces environnements, et que la majeure partie de votre savoir-faire n’y figure pas non plus ; c’est donc en réalité un inconvénient pour elles », a-t-il déclaré.

M. Henkin a également souligné que pour les entreprises qui tentent de construire de manière indépendante une couche contextuelle comparable, l’entraînement d’un modèle d’IA peut s’avérer d’un coût prohibitif, d’autant plus que les entreprises font de plus en plus attention à leur consommation de jetons d’IA.

De plus, le rythme effréné du développement des modèles d’IA vient étayer la thèse générale de l’entreprise : à mesure que les modèles gagnent en puissance et deviennent interchangeables, le contexte propriétaire qui améliore leurs performances au sein des entreprises pourrait constituer un avantage concurrentiel précieux et durable.

La start-up prévoit d’utiliser ces nouveaux capitaux pour le développement de produits, le recrutement et les activités de commercialisation. Cela porte le montant total des financements levés par l’entreprise à environ 33 millions de dollars.