Projet 01 · IA agentique · Intelligence des données · Génération d'applications · Ingénierie IA
Transformez les données organisationnelles en contexte et le contexte en logiciel.
Les organisations disposent déjà d’énormes quantités de données utiles, mais celles-ci sont fragmentées entre fichiers, bases de données, stockage cloud, documents, rapports et systèmes internes. SKatalyst AI est une tentative de créer une couche entre ces données organisationnelles brutes et les logiciels dont les utilisateurs ont réellement besoin.
Au lieu de commencer par une application et d’y connecter manuellement des données, SKatalyst commence par les informations existantes de l’organisation. Il l'ingère. Le comprend. Le structure. Construit un contexte autour de cela. Utilise ensuite cette compréhension structurée pour générer des applications utiles.
01 · Le problème
La plupart des organisations disposent déjà des informations dont elles ont besoin. Il existe simplement sous forme de fichiers et de lignes séparés, répartis sur des lecteurs, des boîtes aux lettres, des bases de données et des outils qui n'ont jamais été conçus pour s'expliquer les uns les autres.
Une personne comprend implicitement les relations : cette feuille de calcul appartient à ce projet, ce rapport décrit ce test, ce tableau contient les mesures, ce document définit le processus. Le logiciel ne voit normalement rien de tout cela. SKatalyst tente de reconstruire ce contexte organisationnel manquant et de le conserver.
02 · L'idée
SKatalyst AI conserve et vérifie ce qu’il apprend des données d’une organisation, puis utilise ce contexte pour générer des logiciels.
Des milliers d'objets déconnectés
SKatalyst AI
contexte persistant · approbation humaine · preuves
Logiciel fonctionnel
Importez les données organisationnelles là où elles se trouvent déjà : téléchargements, lecteurs, compartiments et bases de données.
Numériser en lecture seule. Extrayez du texte et des tableaux, des images OCR, lisez des schémas, des métadonnées et des relations.
Proposer une structure : des entités, un schéma, une taxonomie de dossiers, des résultats de qualité et une architecture recommandée.
Conservez le résultat dans PostgreSQL afin que la compréhension survive à toute conversation IA.
Découvrez les KPI que les données peuvent réellement calculer et décidez quels modules les exposent.
Créez des composants d'application fonctionnels : tableau de bord, CRUD, rapport, chat RAG, ainsi qu'une base de données et une API.
Compilez un oracle de test à partir du modèle de données et comparez le comportement généré aux valeurs de référence.
Prévisualisez dans un environnement d'exécution éphémère, exportez un package Docker appartenant au client, vérifiez, annulez si nécessaire.
03 · Comment ça marche
Chaque exécution lit les données sources et construit un contexte structuré, consultable et réutilisable.
Une analyse en lecture seule produit un inventaire approuvé par l'utilisateur. Un plan structurant propose des entités, un schéma et une taxonomie de dossiers. Une recommandation d'architecture explique sa confiance et ce qui a été exclu du devis. La découverte de KPI n'offre que des métriques que les données peuvent calculer. Chaque étape est stockée dans PostgreSQL avec un lien vers les fichiers sources, et le contexte utilisé par une exécution est gelé et haché au démarrage afin de pouvoir être reconstruit ultérieurement.
Le LLM ne doit pas être la base de données.
04 · La couche de renseignement
SKatalyst combine un logiciel déterministe avec le raisonnement de l'IA et garde la frontière visible. Le fournisseur de plateforme par défaut est une heuristique déterministe ; un modèle est ajouté lorsqu'une clé est configurée et les fonctionnalités qui en ont besoin se dégradent vers un chemin non-IA au lieu d'échouer.
Garanti par le code, les tests et la base de données.
Là où l’interprétation est véritablement nécessaire.
Le logiciel garantit ce qui peut être garanti. L’IA gère ce qui nécessite une interprétation. Ni l’une ni l’autre n’est supposée correcte : les propositions sont fiables, les mesures indisponibles sont marquées comme indisponibles et un humain confirme avant que quoi que ce soit ne soit construit.
05 · Architecture du système
Vérifié par rapport à la source de la plateforme. Chaque couche ne dépend que de celles qui se trouvent au-dessus ; la validation se situe volontairement entre la génération et la livraison.
12 types de sources. Les connecteurs cloud et de base de données lisent aujourd'hui les métadonnées ; l'exécution reste Aperçu jusqu'à ce qu'elle soit prouvée par rapport à un compte réel.
Chaque exécution commence par un inventaire approuvé par l'utilisateur.
La compréhension est stockée, versionnée et traçable, et non redérivée par invite.
Chaque étape IA a un chemin non-IA ou une porte BYOK ; la plate-forme ne devine jamais silencieusement.
Expédition de 4 générateurs ; 10 types de modules déclarés.
L'oracle ne lit jamais le code généré, donc une erreur du générateur ne peut pas se cacher.
L'exportation est bloquée alors que la validation échoue. Ce blocage est intentionnel.
Connecteurs
SKatalyst n'exige pas que l'organisation déplace tout dans un nouvel écosystème avant de pouvoir commencer à comprendre les données.
Douze types de sources sont implémentés, du téléchargement local vers Databricks. Les étiquettes ci-dessous appartiennent au produit : un connecteur ne peut pas quitter l'aperçu tant qu'une lecture réelle d'un octet sur un compte externe réel n'a pas été prouvée et enregistrée. La connexion et la navigation fonctionnent déjà ; Le téléchargement local exécute le pipeline complet aujourd'hui.
06 · Ce qu'il peut construire
Interfaces opérationnelles structurées sur les entités détectées, avec des points de terminaison d'API générés pour chacune.
ExpéditionCartes et graphiques KPI construits uniquement à partir de métriques que les données peuvent calculer ; les métriques indisponibles sont marquées, jamais falsifiées.
ExpéditionAccès en langage naturel ancré dans le contexte organisationnel. Les clés d'exécution restent chez le client.
ExpéditionReporting structuré du même contexte, exporté avec le package applicatif.
ExpéditionModules analytiques orientés données où les données sous-jacentes les prennent en charge.
Feuille de routeTypes de modules déclarés en attente de générateurs.
Feuille de route
07 · Confiance et validation
Si l’IA doit générer des logiciels à partir de données organisationnelles, la génération ne peut pas être l’étape finale. SKatalyst traite la validation comme faisant partie de l'architecture : les attentes sont compilées à partir de la compréhension des données, jamais à partir du code généré, de sorte que l'erreur d'un générateur ne peut pas se justifier.
TestOracleCompilerTransforme les KPI, les entités, le schéma et le contexte commercial confirmés en assertions comportementales. Pur et déterministe : pas de base de données, pas de réseau, pas de modèle, et jamais une ligne de code généré.
ReferenceExecutorÉvalue chaque assertion par rapport à l’instantané d’échantillon au moment de l’ingestion : sommes, décomptes, moyennes, minimums et maximums. Lecture seule ; n'ouvre jamais un connecteur sous tension.
BehavioralProbeRunnerDémarre l'application dans un environnement d'exécution isolé contenant le même échantillon et sonde ses points de terminaison, y compris les tests négatifs qui doivent être rejetés.
ComparatorComparaison exacte ou relative des valeurs observées par rapport aux valeurs de référence, de sorte qu'une différence d'arrondi n'est pas un échec mais un mauvais KPI l'est.
ValidationReportServiceChaque assertion porte une provenance : quel KPI, quel tableau, quelle formule. Le rapport est la preuve contre laquelle un humain approuve.
ValidationOrchestratorExécute la compilation, la référence, la sonde et la persistance ; revient à un rapport de référence uniquement lorsque le moteur d'exécution n'est pas disponible ; détruit toujours le temps d'exécution.
Approbation humaine
Le système propose : une personne décide aux moments qui comptent. Deux portes sont distinctes par leur conception : approuver une spécification avant que quoi que ce soit ne soit construit et accepter un aperçu après sa construction.
Cycle de vie de la solution · 12 états
Les états mis en évidence sont les portes humaines. Les transitions sont un tableau explicite ; les illégaux sont refusés, les répétés sont idempotents et la désarchivage ne redémarre jamais un runtime.
08 · Expérience produit
Le stepper intégré à l'application suit huit étapes sur chaque page d'exécution. Chaque étape explique ce que le système sait, pourquoi c'est important et la meilleure action suivante, avec la propre voix du produit.
09 · Ingénierie
Vérifié à partir du référentiel, organisé par objectif. La plate-forme est un système Node et PostgreSQL avec une petite surface d'IA explicite.
SKatalyst n'est pas lié à un seul fournisseur de modèles. Les locataires apportent leurs propres clés pour Claude, OpenAI ou Gemini ; les clés sont chiffrées au repos, déchiffrées uniquement lors de l'exécution, et une clé active par fournisseur est appliquée. Les applications de chat générées utilisent le propre fournisseur d'exécution du client, choisi au moment du déploiement, jamais demandé lors de la conception.
La valeur réside autour des modèles : le contexte, les workflows, les données structurées, l'architecture applicative et le système de validation.
Tous les chiffres comptés à partir du référentiel le 28 août 2026 : 180 commits depuis juin 2025. Le nombre de points de terminaison est un plancher (391 dans le routeur principal plus 11 modules de route).
10 · Évolution
Structure initiale du projet.
Pipeline d’ingestion de documents, classification assistée par LLM avec une solution de repli heuristique et un registre de fournisseurs indépendant du fournisseur.
Modèle de métriques, génération de plans et première exportation d'artefacts : de l'organisation des données à la génération de logiciels en quelques jours.
Schéma multi-tenant, OAuth, coffre-fort chiffré et BYOK, OCR et compréhension visuelle, dix backends de connecteurs, instantanés de contexte immuables, exécutions orchestrées et découverte de KPI.
Un audit autocritique a répertorié les lacunes : porte bêta, limitation de débit, en-têtes, bibliothèque de validation, isolation non prouvée. La plupart ont été fermés dans les semaines suivantes.
La boucle de validation agentique a été divulguée et construite par incréments : compilateur Oracle, exécution de référence avec détection d'anomalies, sondes comportementales. Dossier de brevet déposé.
L'entité Solution avec sa machine à 12 états, ses deux portes humaines distinctes et ses événements d'audit transactionnel.
Administrateur d'atterrissage, compteurs de limite de débit, déploiement et vérification des runbooks, intégration et application authentifiée gelée pour la version bêta de septembre 2026.