Présentation du produit
Jedify Inc. a annoncé le lancement officiel de Data Agents, une solution qui permet aux équipes métier de configurer des analystes IA autonomes en décrivant simplement la tâche à accomplir en langage naturel. Le service repose sur le principe que les analystes humains n’ont plus à concevoir des tableaux de bord préalables pour chaque question anticipée, mais peuvent déléguer la génération de réponses à un agent qui exploite le context graph de l’entreprise.
Architecture du contexte graph
Le context graph constitue le socle technique de Data Agents. Il agrège les données structurées (tables, schémas) et les documents associés dans un modèle unifié qui encode les définitions de métriques et les permissions au niveau de chaque enregistrement. Cette couche pré‑résout les jointures et les correspondances de schéma, ce qui élimine la nécessité pour l’agent de parcourir le schéma brut lors de chaque interrogation. Ainsi, la description en langage naturel d’une question se traduit directement en une requête sur le graphe, réduisant la complexité de la phase de compilation de la requête.
Mécanismes d’exécution et d’intégration
Les agents peuvent être déclenchés de trois manières : à la demande d’un utilisateur, selon un planning défini ou lorsqu’une condition prédéfinie (par exemple, une chute de performance d’un marché) est détectée. Lorsqu’une anomalie est repérée, le moteur de recherche approfondie de Jedify identifie les facteurs probables à l’origine du changement. L’accès aux données reste strictement lié à l’identité de l’interrogateur ; toute ligne de table à laquelle l’utilisateur n’est pas autorisé reste invisible pour l’agent.
Grâce au Model Context Protocol, chaque agent apparaît comme un outil appelable depuis des plateformes tierces telles que Claude, ChatGPT, Slack ou tout autre orchestrateur d’agents. Les réponses peuvent être acheminées directement vers des canaux de messagerie (email, Slack), facilitant l’automatisation des flux de travail sans passer par l’interface native de Jedify.
Analyse des performances et limites
Jedify affirme que ses agents consomment « beaucoup moins de tokens » que les solutions qui explorent le schéma à la volée, ce qui se traduit par une réduction des coûts d’inférence dans les environnements LLM. Cette économie provient du pré‑traitement du graphe qui évite les requêtes itératives coûteuses. Néanmoins, la performance dépend de la qualité du graphe : des métadonnées incomplètes ou des permissions mal configurées peuvent entraîner des réponses partielles ou erronées.
Le premier client mentionné, le développeur de jeux de casino en ligne RubyPlay Ltd., a programmé un agent quotidien qui génère automatiquement un rapport. L’agent a même détecté une lacune dans la couverture des marchés cibles, démontrant une capacité de raisonnement au‑delà d’une simple exécution de script. Cette utilisation illustre le potentiel de l’automatisation, mais elle repose sur la disponibilité d’un jeu de données suffisamment structuré et d’une définition claire des métriques.
Financement : Jedify a levé plus de 33 millions de dollars, dont un tour de série A de 24 millions de dollars mené par Norwest en juin 2026. Cette enveloppe financière indique un soutien important des investisseurs, mais ne garantit pas la viabilité à long terme du modèle d’affaires centré sur les agents IA.
