Contexte et problème de coût

Uvi, société enregistrée sous le nom de Naboo Research Ltd., a levé 7,5 M$ en financement seed pour résoudre le problème de reconstruction répétée du contexte métier par les agents autonomes. Chaque nouveau déploiement doit apprendre les processus internes, les décisions historiques et les flux de données, ce qui entraîne une consommation de tokens et des facturations de modèle proportionnelles. Selon les propres benchmarks d’Uvi, les agents internes coûtent environ huit fois plus que ce qui serait nécessaire si le contexte était réutilisable.

Cette inefficacité se traduit par des dépenses de 0,75 $ à 1,41 $ par réponse, voire plus de 2 $ dans les scénarios complexes. Le modèle économique actuel oblige les entreprises à payer ces frais à chaque interaction, ce qui, à l’échelle de l’entreprise, représente plusieurs millions de dollars annuellement.

Architecture du couche de raisonnement contextuel

Uvi propose une couche de raisonnement contextuel basée sur un graph de connaissances partagé. Le graphe agrège des sources disparates – Slack, Jira, Confluence, Salesforce, dépôts de code et comptes‑rendus de réunions – et crée des entités reliées par des relations d’origine, de dépendance et d’impact. Un mappage d’entités identifie la pile technologique de l’organisation et trace les dépendances entre actifs, permettant aux agents d’interroger un modèle unifié plutôt que de repartir de zéro.

Un couche sémantique personnalisée enrichit le graphe afin que les agents comprennent le jargon interne. Cette couche traduit les termes spécifiques en concepts normalisés, réduisant les ambiguïtés lors de la génération de réponses. L’infrastructure repose sur un modèle d’accès contrôlé qui applique des tags de données et des permissions au niveau des applications et de l’administration, garantissant que les agents ne récupèrent que les informations autorisées.

Benchmarks et gains de performance

Les tests internes d’Uvi montrent que, lorsqu’un agent passe ses réponses par la couche contextuelle, le coût moyen chute à 10 à 16 cents par réponse. Pour les requêtes ouvertes, où les agents ont tendance à entrer dans des boucles de recherche, le coût est 46 fois inférieur à celui des agents classiques, tout en délivrant les réponses deux fois plus rapidement. Ces économies proviennent de l’élimination du besoin de reconstituer le contexte à chaque appel.

Uvi a déjà intégré ses clients Monday.com, Lemonade et Melio. Chez Monday.com, la couche relie les tickets Jira, les pull‑requests et les feature flags, évitant aux utilisateurs de trier manuellement des listes incohérentes. Cette intégration illustre comment la cartographie des relations réduit le temps de recherche et les coûts associés.

Sécurité et gouvernance des données

Le modèle d’accès d’Uvi intègre un contrôle granulaire au niveau des applications et des administrateurs, ainsi que le tagging des données pour gérer les départs de personnel ou les changements de rôle. Contrairement aux pipelines RAG classiques qui « ingèrent une fois et oublient », le graphe conserve les métadonnées de permission, assurant que les agents ne peuvent pas accéder à des informations restreintes après un changement de statut.

Cette approche « secure by design » répond aux exigences de conformité en maintenant la traçabilité des accès et en évitant les rétrofits de sécurité coûteux. En combinant réduction de coûts, accélération des réponses et contrôle d’accès intégré, Uvi propose une solution qui répond aux enjeux économiques et de gouvernance rencontrés par les déploiements d’agents IA à l’échelle d’entreprise.