Ce qui nous anime, c’est la conviction que l’autonomie des agents analytiques doit être accessible à tous, pour que chaque décision business soit guidée par la donnée, et non freinée par les silos ou la complexité technique, explique Ethan Ding, CEO de TextQL
À New York, la start-up TextQL s'impose dans le domaine de l'IA agentique appliquée à l'analytique. Portée par Ethan Ding, son CEO et cofondateur, l'entreprise a conçu une plateforme capable d'automatiser et d'optimiser l'analyse de données à grande échelle en SaaS, grâce à une architecture d'agents intelligents et une intégration native avec les principaux outils cloud.
Fondé en 2022 à New York par Ethan Ding (CEO) et Mark Hay (CTO), TextQL a pour ambition de donner aux entreprises un accès instantané à leurs données, en exploitant le potentiel de l'IA agentique dans le secteur de l'analytique. La genèse de la start-up s'inscrit dans la volonté de dépasser les limites des outils traditionnels, souvent incapables de manipuler efficacement l'immense volume de données dispersé dans les environnements modernes. « J'ai dirigé des équipes data et vu à quel point les requêtes métiers étaient chronophages et source de frustration pour les analystes. Avec TextQL, notre ambition était de confier cette tâche à des agents AI capables d'agir en quasi-autonomie sur des milliers de sources », nous a expliqué Ethan Ding, lors d'un récent IT Press Tour à NY, début octobre. A la différence des solutions de génération automatisée de requêtes SQL, les agents AI opèrent de manière autonome sur des volumes allant jusqu'à plusieurs pétaoctets et des dizaines de milliers de tables, avec une configuration minimaliste. Cette autonomie se traduit par la capacité à effectuer des analyses transversales, synthétiser en temps réel des requêtes complexes, et piloter des workflows analytiques sans intervention humaine. Les agents ne se contentent pas de générer des rapports, ils collaborent, s'autocorrigent et adaptent leurs stratégies au contexte métier.
Dès le début, la jeune pousse s'est attaquée au défi de la scalabilité. Là où les assistants AI classiques peinent à dépasser le cadre des requêtes sur Excel et PDF, TextQL se distingue par sa capacité à interroger automatiquement des jeux de données comprenant parfois plus de 100 000 tables d'entreprise, et ce sans configuration préalable. L'innovation de la start-up repose sur sa capacité à indexer la totalité de l'environnement analytique d'une entreprise, en mappant les outils BI, les catalogues de données et les workflows métiers au sein d'une même interface. Cette approche permet aux entités métiers d'exploiter directement la donnée sans avoir à solliciter des data engineers ou analystes. Cette approche s'appuie sur une pile technologique reposant sur DuckDB, Polars (bibliothèque open source pour la manipulation et l'analyse de données écrite en Rust), des clusters serverless ClickHouse et une couche sémantique unique. La plateforme déploie plusieurs niveaux d'agents spécialisés : certains orchestrent des tâches complexes en parallèle, d'autres sélectionnent les chemins de jointure les plus efficaces entre les tables, et tous sont capables de comprendre les dénominations métiers utilisés par chaque client, pour une expérience personnalisée et fluide.
Connexion directe à la stack BI
TextQL a par ailleurs conçu sa propre architecture d'agents, inspirée des meilleures pratiques en Agentic AI : état machine pour la gestion des outils, tissage sémantique, sandbox d'exécution et capacité à traiter en temps réel les demandes qui nécessitent des analyses sur des millions de points de données. La start-up commercialise ainsi la solution Ana, un agent AI d'entreprise conçu pour fonctionner en production dans les secteurs exigeants - finance, santé, distribution- tout en respectant les standards réglementaires. L'une des avancées majeures à signaler repose sur la connexion directe à l'ensemble de la stack BI des entreprises : TextQL s'interface naturellement avec Tableau, Looker, Snowflake, dbt, ou Alation, et indexe dynamiquement la documentation et les dashboards existants. Cela permet non seulement de répondre aux questions simples (« Quelles sont les commandes en retard ? »), mais aussi d'automatiser la notification des managers, la génération de rapports ou la création de nouvelles requêtes SQL adaptées.
Face à la fragmentation des outils dans le cloud, TextQL propose une intégration transparente sous forme de services SaaS : la plateforme permet de déployer ses agents sur AWS, Azure ou GCP, en assurant la compatibilité avec les bases de données on-premises comme en cloud natif. Chaque agent peut automatiser l'analyse, diagnostiquer les anomalies métriques, optimiser des campagnes marketing ou des chaînes logistiques, avec une rapidité inégalée. « L'un des moments clés de notre aventure a été la capacité à rassembler des talents capables de reconstruire l'architecture du produit chaque fois que nous atteignions une impasse. C'est cette agilité qui nous distingue face à des concurrents comme Snowflake ou Thoughtspot, souvent coincés dans des modèles trop rigides », insiste Ethan Ding. « Nous avons repensé l'architecture du produit sept fois en deux ans et demi pour obtenir ce niveau de performance et de fiabilité, en misant sur des serveurs contextuels Git qui offrent une mémoire quasi-infinie sans recourir aux traditionnelles bases de données vectorielles ».
Un rachat en vue
La réussite de TextQL ne s'arrête pas à l'innovation technique. En janvier 2024, la start-up a bouclé une levée de fonds de 4,1 M$ auprès des fonds DCM et Neo, un choix stratégique pour accélérer sa présence auprès des grands comptes et renforcer sa R&D. Selon Ethan Ding : « Nous avons choisi des investisseurs qui comprennent la dynamique des plateformes agentiques et partagent notre vision d'une IA résolument tournée vers la transformation des métiers, pas uniquement la génération de texte ».
Le parcours personnel du CEO, passé par l'Université de Berkeley et des expériences chez Bessemer Venture Partners, Tackle.io puis dans le conseil en ingénierie, témoigne d'une expertise pointue dans la modélisation de données à grande échelle. « Pour moi, le plus important est de viser la disruption, pas juste une croissance incrémentale : entrer en compétition directe avec AWS ou Google reste notre objectif ultime. Dans ce marché, seules les plateformes capables d'évoluer vite et de miser sur le volume pourront survivre ». L'avenir de TextQL semble prometteur, si un rachat ne survient pas très dans les prochains mois : Ana, son agent IA, est déjà déployé en production chez des clients majeurs dans la santé, la banque et l'industrie, avec des workflows optimisés allant de la gestion de campagne à l'engagement client en passant par la bancaire digitale. « Ce n'est pas le modèle qui fait la différence, mais la capacité à distribuer à l'échelle et à créer une expérience réellement utile pour les équipes métiers. À ce titre, TextQL ambitionne de s'imposer comme la première solution d'IA agentique universelle pour la data », conclut Ethan Ding.
Suivez-nous