Contexte et besoin d’entreprise

Les agents d’intelligence artificielle déployés dans les organisations doivent interpréter les données d’un entrepôt de données sans ambiguïté. Les modèles de fondation reconnaissent des termes génériques comme « active user », mais ne connaissent pas la définition précise appliquée dans chaque société. Cette lacune entraîne des erreurs de requête et des itérations coûteuses pour les équipes data.

Architecture de la plateforme Ekai

Ekai propose une couche de modélisation sémantique qui transforme les définitions fournies par les experts métier en logique lisible par les machines. Le processus débute par la saisie de la signification d’un indicateur ou d’un terme par un domaine expert ; la plateforme crée alors des règles de validation et du code de transformation de données. Avant toute diffusion, chaque modèle est confronté aux données réelles du warehouse afin de vérifier la conformité. Cette approche, qualifiée de « forward‑engineering », s’oppose à la méthode « reverse‑engineering » qui tente d’inférer le sens à partir de tableaux de bord BI ou d’historiques de requêtes.

Les intégrations natives couvrent les principaux entrepôts cloud : Snowflake (via le Snowflake Marketplace), Databricks, Google BigQuery, Amazon Redshift, Microsoft Azure Synapse, ainsi que les bases open‑source Postgres, ClickHouse et DuckDB. Ainsi, la plateforme s’insère dans les pipelines existants sans nécessiter de migration de données.

Analyse de l’impact technique

Ekai indique que des projets de modélisation sémantique, habituellement réalisés en trois à six mois, ont été achevés en six heures lors de premiers déploiements. La réduction de délai provient de la validation précoce : une fois les définitions approuvées, les agents n’ont plus à deviner la signification des champs, ce qui élimine les cycles de correction. Le gain de temps se traduit également par une moindre consommation de ressources de calcul, car les requêtes sont formulées avec des métadonnées déjà alignées sur le schéma du warehouse.

Le modèle de gouvernance introduit par Ekai attribue chaque définition à un propriétaire identifié, renforçant la traçabilité et la responsabilité. Cette traçabilité peut toutefois créer un point de friction si les experts ne sont pas disponibles pour valider rapidement les nouvelles métriques, limitant la rapidité d’adoption dans des environnements très dynamiques.

Financement et perspectives

Le tour de table pré‑seed a levé 1,7 million de dollars, mené par l’investisseur early‑stage Misneach, avec la participation du fonds Cambridge AI et du studio C10 Labs. Les fondateurs – Mo Aidrus, Hussnain Ahmed et Tero Miikki – cumulent plus de deux décennies d’expérience chez Accenture, Microsoft et UPM‑Kymmene, ce qui leur donne un accès direct aux décideurs technologiques. Les fonds levés seront affectés au développement produit, à l’expansion des intégrations et à l’accélération des opérations commerciales.