Maya HTT lance un assistant RAG sur site, un marché que les analystes chiffrent à 43,75 milliards de dollars

M-Bot tourne dans l'infrastructure du client. Maya HTT affirme que l'assistant garde les données d'ingénierie sensibles sur les systèmes de l'acheteur.

Deux promesses sont faites aux acheteurs. Les données d'ingénierie sensibles restent sur leur propre infrastructure, et les coûts sont fixés à l'avance plutôt que facturés au token. Ce second point compte, car les projets RAG copient souvent des fichiers dans une base vectorielle séparée. Ce processus supprime les autorisations et laisse des doublons derrière lui. Personne n'a démontré publiquement qu'un assistant sur site répond avec précision à des questions techniques complexes à grande échelle. Pour les équipes d'ingénierie, l'intérêt est clair. Elles peuvent interroger des documents internes sans les envoyer vers un modèle externe. La question ouverte reste la précision à grande échelle. Ce vide laisse aux acheteurs le soin de tester le système sur leurs propres documents.

M-Bot se connecte aux connaissances internes des métiers de l'ingénierie, de la fabrication et des opérations industrielles. Il renvoie des réponses en quelques secondes, selon l'entreprise.

L'architecture de génération augmentée par récupération est conçue pour le contenu technique. Cela inclut le texte, les images, les tableaux et les graphiques que Maya HTT dit hors de portée des LLM classiques. L'outil se connecte à Teamcenter et à d'autres environnements PLM, ainsi qu'à SharePoint et Confluence. Il rattache chaque réponse à son document source. Maya HTT revendique une récupération jusqu'à 60 fois plus rapide qu'une recherche manuelle : cinq minutes de recherche deviennent environ cinq secondes. Ces chiffres viennent du fournisseur, pas de tests indépendants. L'entreprise indique aussi que M-Bot ne facture pas de coût de comptage de tokens LLM, si bien que le client connaît sa facture avant le déploiement.

Remi Duquette est vice-président de l'IA industrielle chez Maya HTT. Il a déclaré que les organisations d'ingénierie détiennent de grandes quantités de connaissances techniques. Elles ont du mal à apporter la bonne information à la bonne personne à temps pour peser sur les décisions.

Les secteurs visés sont l'aérospatiale, la défense et la fabrication. Les règles de propriété intellectuelle poussent les acheteurs vers des systèmes qui tournent sur site ou dans une infrastructure contrôlée par le client.

Le marché derrière le lancement

Un rapport de ResearchAndMarkets publié le 30 octobre situe le marché mondial des plateformes RAG à 4,00 milliards de dollars en 2025 et à 5,52 milliards en 2026. Il projette 43,75 milliards en 2036, soit un taux de croissance annuel composé de 23,0 % sur la décennie. Le périmètre est large. Il compte les bases vectorielles et les moteurs de recherche, les modèles d'embedding et de reranking, les frameworks d'orchestration, les outils d'ingestion et d'analyse, les connecteurs, les plateformes d'évaluation et de garde-fous, les services RAG gérés dans le cloud et les assistants de connaissance d'entreprise. Il exclut les frais d'usage des modèles de fondation et les bases de données généralistes sans fonction de récupération. Cette définition compte pour les acheteurs qui comparent des fournisseurs.

L'adoption est la plus forte dans le droit, la finance et la santé, où les résultats doivent être cités, indique le rapport. Les agents IA tirent aussi la demande. Les flux de travail en plusieurs étapes ont besoin d'un accès continu aux données, aux applications et aux outils. Le rapport cite Elastic comme preuve de la demande. Elastic a déclaré plus de 2 200 clients Elastic Cloud exécutant des charges de travail d'IA générative au premier trimestre de l'exercice 2026. Le groupe a aussi annoncé une hausse de 18 % de son chiffre d'affaires au troisième trimestre, à 450 millions de dollars.

Le rapport traite également les assistants de connaissance d'entreprise comme une partie du marché. C'est la catégorie dans laquelle se range M-Bot, et non une couche d'outils séparée.

Précision et sécurité restent le point dur

La précision est l'endroit où l'argumentaire de vente rencontre les preuves. Une étude préenregistrée de Stanford a constaté que les produits de recherche juridique fondés sur le RAG de LexisNexis et de Thomson Reuters hallucinaient sur 17 % à 33 % des requêtes. GPT-4, utilisé seul, hallucinait sur 43 % dans la même étude. La récupération aidait. Elle ne comblait pas l'écart. L'étude a relevé des sources inventées, des réponses incomplètes et de la jurisprudence mal lue. La fourchette va de 17 % à 33 %, pas un chiffre unique. Ces résultats fixent un niveau de référence pour tout fournisseur qui vend la récupération comme remède aux hallucinations.

La sécurité a son propre historique. Microsoft a corrigé EchoLeak, CVE-2025-32711, en juin 2025. Il s'agissait d'une faille sans clic, notée 9,3 sur l'échelle CVSS. Un contenu malveillant récupéré dans un courriel pouvait manipuler Microsoft 365 Copilot et exposer des informations sensibles. Le rapport indique que les entreprises réagissent en privilégiant la récupération tenant compte des autorisations, la détection d'injection de prompt, la prévention des fuites de données, la provenance et les pistes d'audit. Microsoft teste désormais Copilot sur des entreprises synthétiques. Sa plateforme Industry Evaluation Data Generation Platform construit des environnements d'entreprise simulés à partir de sources publiques, dont les données professionnelles O*NET, des offres d'emploi et des dépôts auprès de la SEC. Aucune donnée client n'entre dans la boucle. Microsoft dit que ce travail vise à établir la première base d'évaluation standardisée pour Copilot.

RAG ou fine-tuning : le choix d'architecture

Tout achat de RAG en entreprise bute sur la même comparaison. Le RAG change l'information que reçoit un modèle au moment de répondre ; le fine-tuning change la façon dont le modèle répond en adaptant son comportement appris. Le premier convient aux documents et aux politiques qui changent souvent. Le second convient à l'exécution régulière d'une tâche et à des formats de sortie fixes. Les méthodes à paramètres efficaces comme LoRA réduisent le calcul en entraînant un plus petit ensemble de paramètres supplémentaires plutôt que le modèle entier. Le fine-tuning ne donne toujours pas à un modèle un accès fiable aux informations les plus récentes de l'entreprise. Il ne faut pas le considérer comme un moyen garanti de supprimer les hallucinations.

Le traitement des données décide du reste en grande partie. La Dell AI Data Platform permet aux modèles d'interroger des fichiers sur site sans copies en double ni modification des contrôles d'accès. IT Pro l'a décrite le 29 octobre. Elle associe les logiciels NVIDIA AI Enterprise à une accélération GPU. Copier des fichiers dans une base vectorielle séparée crée des données fantômes, consomme de la bande passante et supprime les autorisations d'origine, rapporte IT Pro.

La suite

Maya HTT indique que M-Bot est disponible pour la démonstration et le déploiement en entreprise.

La prévision de ResearchAndMarkets court jusqu'en 2036, année où elle situe le marché à 43,75 milliards de dollars, contre 5,52 milliards en 2026. Microsoft présente sa plateforme d'évaluation synthétique comme le début d'une base standardisée pour Copilot. Ce n'est pas un benchmark achevé.