Kapso : l’IA qui apprend de ses erreurs pour dompter vos données

Deux anciens ingénieurs de LinkedIn et Meta viennent d’open-sourcer Kapso, un moteur d’IA qui expérimente sur vos données, retient ce qui marche et s’améliore à chaque cycle. Une approche qui enterre les réunions interminables et les ontologies business mort-nées.

L’anti-PowerPoint des projets data

Le 12 novembre 2026, Alireza et Majid ont débarqué sur Hacker News avec une annonce qui résume bien leur philosophie : « Les consultants qui récoltent du contexte en réunion ou les équipes qui définissent une ontologie business avant de toucher aux données n’ont aucune chance d’exécuter, en trimestres voire en années. » Leur solution ? Kapso, un moteur open-source qui automatise le cycle « investigation → hypothèses → tests → apprentissage » sans attendre qu’un comité valide un schéma théorique.

Concrètement, vous lui donnez un objectif et des critères de succès. Kapso génère des idées, les teste en environnement contrôlé, sélectionne la meilleure approche, la déploie… et surtout, capitalise chaque enseignement dans une banque de leçons dotée de scores de confiance, de conditions d’application et de preuves. À chaque nouveau problème, il puise dans cette mémoire pour partir plus vite et plus juste.

Bottom-up contre top-down : la revanche du terrain

L’approche de Kapso rompt avec la doctrine classique de la gouvernance des données. Traditionnellement, on commence par cartographier tous les concepts métier, leurs relations et leurs règles — ce qu’on appelle une ontologie business — avant même de toucher à la moindre table SQL. Le problème ? Dans un environnement avec 30 systèmes sources, des milliers de tables et des centaines de rapports BI, cette cartographie prend des mois et se retrouve souvent déconnectée de la réalité terrain.

Kapso inverse la logique : il part des données réelles, teste ce qui marche, accumule de l’expérience, puis construit progressivement sa compréhension. C’est ce qu’on appelle une approche bottom-up, par opposition au top-down des consultants. « Observer comment les gens utilisent réellement un parking pour l’organiser, plutôt que dessiner un plan ‘idéal’ sans regarder les usages », résume l’équipe dans sa documentation.

D’après AI Agent News, Kapso revendique des résultats solides sur RelBench, MLE-bench et même l’Olympiade internationale d’IA, bien que ces chiffres restent pour l’instant déclaratifs et non vérifiés par un tiers indépendant. Certains utilisateurs précoces rapportent avoir calibré RelFlow sur 21 tâches de données structurées et battu TabPFN sur plusieurs benchmarks de modélisation avec environ 1 % des paramètres.

Un moteur d’expérimentation, pas un énième ETL

Kapso n’est pas un simple orchestrateur de pipelines comme Airflow ou dbt. C’est un moteur d’expérimentation : il génère plusieurs stratégies en parallèle, mesure leurs performances, sélectionne la meilleure et déploie automatiquement. Puis il recommence, en s’appuyant sur ce qu’il a appris.

Trois modules clés :

• Idéation : propose des hypothèses informées par la banque de leçons existante.
• Vérification : teste ces hypothèses en sandbox, collecte des preuves, ajuste les scores de confiance.
• Déploiement : pousse la solution validée dans votre stack de production.

Le code est disponible sur GitHub (Leeroo-AI/kapso) sous licence open-source. Les fondateurs précisent que le système est agnostique vis-à-vis des modèles de langage et des agents de code : vous pouvez brancher OpenAI, Anthropic ou vos propres LLMs.

Du Big Tech à la startup : un pari sur l’IA opérationnelle

Alireza et Majid ont tous deux bâti des systèmes IA pour des produits utilisés par des millions de personnes chez LinkedIn et Meta. Leur départ pour fonder Leeroo s’inscrit dans un mouvement plus large : les meilleurs ingénieurs IA quittent les géants tech, non pour l’argent, mais parce que l’innovation réelle en IA d’entreprise se fait désormais dans les startups.

Selon plusieurs observateurs du secteur, ce transfert de talent marque le début d’un nouveau cycle : après l’IA grand public (chatbots, génération d’images), place à l’IA opérationnelle qui s’attaque aux processus métier complexes et aux environnements de données hétérogènes.

Le timing de l’annonce est révélateur. Nous sortons de deux ans de hype autour de l’IA générative ; le marché entre maintenant dans la « phase de désillusion productive » du cycle Gartner, où les vraies applications business émergent après le battage médiatique. Kapso vise précisément ce segment : pas de démo tape-à-l’œil, mais un outil qui promet de réduire de plusieurs trimestres à quelques semaines les cycles de projets data.

Open-source : stratégie de conquête ou pari risqué ?

En choisissant l’open-source, Leeroo suit les traces de Databricks, Confluent et Elastic. L’idée : créer rapidement une communauté de contributeurs et d’early adopters, gagner la confiance des entreprises échaudées par les « boîtes noires » IA, puis monétiser via une version entreprise avec support et fonctionnalités avancées.

Mais le modèle comporte des risques. Elastic a dû modifier sa licence pour se protéger d’AWS qui revendait sa technologie. Databricks a mis des années à construire une offre payante viable. Et dans un marché aussi concurrentiel que celui du DataOps — où Databricks affiche une valorisation de 43 milliards de dollars —, Leeroo devra prouver sa valeur ajoutée rapidement.

Pour l’instant, aucune information publique sur la traction, le financement ou les revenus de l’entreprise. L’annonce sur Hacker News a généré une dizaine de commentaires, un intérêt modéré mais qualifié. Certains développeurs saluent l’approche pragmatique, d’autres demandent des comparaisons contrôlées avec les solutions établies.

Ce qui change pour les équipes data

Si Kapso tient ses promesses, les implications pour les professionnels de la donnée sont profondes :

• Data engineers : moins de temps passé à construire manuellement des pipelines, plus de focus sur la définition des objectifs et l’interprétation des résultats.
• Data scientists : automatisation d’une partie du feature engineering et de la sélection de modèles, libérant du temps pour l’analyse métier.
• Consultants data : remise en question frontale des méthodologies traditionnelles ; nécessité de monter en compétences sur les outils d’automatisation et d’IA.
• CDO et responsables data : pression pour adopter des approches agiles et expérimentales, au risque de perdre le contrôle sur la gouvernance stricte.

Mais attention : l’automatisation peut masquer la compréhension métier réelle. Un système qui « apprend tout seul » pose des questions d’explicabilité et d’auditabilité, cruciales dans les secteurs régulés comme la finance ou la santé. Comment garantir qu’une décision prise par Kapso est conforme au RGPD ou à Bâle III ? La documentation ne le précise pas encore.

Questions ouvertes et prochaines étapes

Plusieurs zones d’ombre subsistent. Les performances annoncées sur RelBench et MLE-bench n’ont pas été reproduites par des tiers indépendants. Le modèle de monétisation reste flou : version SaaS, support entreprise, features premium ? La compatibilité avec les systèmes legacy et les contraintes de sécurité des grandes organisations n’est pas détaillée.

À court terme (1 à 3 mois), on peut s’attendre aux premières contributions de la communauté open-source, à l’identification de bugs, et à la publication de cas d’usage concrets. À moyen terme (6 à 12 mois), plusieurs scénarios se dessinent :

• Traction forte : adoption par plusieurs grandes entreprises, levée de fonds Série A, lancement d’une version entreprise payante.
• Niche technique : adoption limitée à des cas d’usage spécifiques, croissance organique lente.
• Acquisition : rachat par Databricks, Snowflake ou un cloud provider pour intégrer la techno dans leur stack.
• Pivot : difficultés d’adoption, réorientation vers une offre SaaS plus packagée ou focus sur un vertical spécifique.

Une chose est sûre : Kapso attaque un marché colossal et invisible, celui des projets de données abandonnés. Selon diverses études, 60 à 85 % des projets big data échouent, représentant des centaines de milliards de dollars gaspillés chaque année. Si Kapso parvient même marginalement à améliorer ce taux, la valeur créée sera astronomique.

Conclusion

Kapso incarne un pari audacieux : celui que l’IA peut apprendre de ses erreurs plus vite que les humains ne planifient leurs succès. En automatisant le cycle itératif qui fait le quotidien des data scientists, Leeroo propose une alternative pragmatique aux méthodologies traditionnelles qui accumulent les échecs depuis 20 ans.

Reste à savoir si les entreprises, habituées au contrôle et à la gouvernance stricte, sont culturellement prêtes à lâcher prise et à faire confiance à un système qui expérimente de manière autonome. La réponse viendra du terrain, dans les prochains mois, au gré des premiers déploiements en production. Et vous, seriez-vous prêt à laisser une IA apprendre sur vos données critiques ?