La série D de CADDi fait plus que doubler sa valorisation, mais les données d’usine constituent le véritable test
CADDi a levé 114 millions de dollars lors d’un financement de série D, sur la base d’une valorisation de 1,2 milliard de dollars, soit plus du double de la valeur déclarée de la startup d’IA industrielle depuis mars 2025. La série D de CADDi transforme une entreprise de logiciels spécialisés en un test très suivi de la capacité de l’IA à exploiter les plans, les registres de production et les décisions non documentées au sein des usines.
L’entreprise, implantée à Tokyo et Chicago, ne promet pas un meilleur chatbot généraliste. Elle veut bâtir une couche de données partagée entre les fichiers de conception assistée par ordinateur, les dessins techniques, les registres d’achats, les logiciels d’entreprise et d’autres systèmes industriels. Son logiciel utilise ensuite ces informations connectées pour soutenir la recherche, les revues de conception, les décisions d’achat et des agents d’IA spécialisés.
Cette approche place CADDi face à un adversaire plus établi que n’importe quelle startup isolée. Les fabricants s’appuient déjà sur des outils de gestion du cycle de vie des produits, de planification des ressources d’entreprise, de stockage documentaire et d’ingénierie fournis par des éditeurs établis. CADDi doit prouver qu’une nouvelle couche d’intelligence peut connecter ces systèmes sans devenir un dépôt isolé supplémentaire.
La série D de CADDi revalorise un pari sur l’IA industrielle
Le nouveau financement valorise la stratégie de données de CADDi, et pas seulement sa capacité à rechercher des dessins techniques.
L’opération a été annoncée le 15 septembre 2026. Huit investisseurs, nouveaux comme existants, y ont participé, selon l’entreprise et un article sur le financement publié par Fortune.
Les nouveaux investisseurs comprennent Moore Strategic Ventures, Coreline Ventures, Salesforce Ventures, Woven Capital, soutenu par Toyota, ainsi que le HR Tech Fund de Recruit Holdings. Les investisseurs existants Atomico, Globis Capital Partners et des fonds gérés par une filiale de Japan Post Bank ont également participé.
L’annonce japonaise de la série D de CADDi a décrit l’opération comme représentant 17,7 milliards de yens et a fixé la valeur de l’entreprise à 182 milliards de yens. Elle a indiqué que le financement cumulé en fonds propres avait atteint 36,31 milliards de yens.
Ce financement suit une forte revalorisation sur une courte période. CADDi avait communiqué une valorisation de 470 millions de dollars en mars 2025. Le dernier chiffre de 1,2 milliard de dollars représente environ 2,6 fois ce montant.
L’entreprise affirme que ce tour porte son financement total à 234 millions de dollars. Ce capital soutiendra quatre priorités : le développement d’IA propriétaire, l’extension de la plateforme de données industrielles, la croissance internationale centrée sur l’Amérique du Nord et le recrutement.
Ces priorités montrent à quel point l’ambition de CADDi a évolué. L’entreprise a commencé par un problème plus ciblé impliquant les pièces dupliquées, les dessins techniques et les décisions d’approvisionnement. Elle veut désormais devenir la fondation informationnelle de multiples flux de travail d’ingénierie et de production.
Le produit d’origine, CADDi Drawer, ingérait des dessins techniques et retrouvait des pièces similaires dans les registres d’un fabricant. Cette recherche pouvait aider un client à réutiliser des stocks, à revenir vers un fournisseur existant ou à réexaminer une décision d’achat.
CADDi a depuis renommé ce produit CADDi Explorer et l’a entouré d’un portefeuille logiciel plus étendu. CADDi Agent gère des analyses industrielles définies, tandis que les applications de flux de travail ciblent les revues de conception, l’analyse des coûts, les devis et la préparation à la production.
Cette expansion compte davantage que l’étiquette de licorne. La recherche constitue un bon point d’entrée, car les employés reconnaissent immédiatement la frustration de devoir retrouver des dessins. L’opportunité commerciale plus vaste dépend de la capacité à transformer cet index de recherche en infrastructure utilisée tout au long du cycle de vie d’un produit.
CADDi indique que ses ventes font plus que doubler chaque année, sans avoir publié son chiffre d’affaires ni son nombre de clients. L’entreprise déclare compter des clients dans 22 pays et affirme que plus de la moitié des 100 plus grands fabricants japonais utilisent son logiciel.
Ces chiffres sont fournis par l’entreprise plutôt que des indicateurs audités comparables à ceux d’une société cotée. Ils aident néanmoins à expliquer pourquoi les investisseurs financent une expansion plutôt qu’un produit à fonctionnalité unique.
Le tour donne également à CADDi le temps de mener des déploiements en entreprise, qui impliquent généralement des examens de sécurité, des intégrations, une préparation des données et la formation des employés. Ces projets ne peuvent pas être évalués selon les cycles d’adoption des logiciels grand public.
Le financement crée donc une référence exigeante. CADDi doit démontrer que sa gamme de produits élargie entraîne une utilisation plus profonde et reproductible parmi les équipes d’ingénierie, d’approvisionnement, de qualité et de production.
Pourquoi les données industrielles sont devenues l’enjeu majeur
Les fabricants ne manquent pas d’informations ; ils manquent d’un moyen fiable de relier les informations créées par différentes personnes, dans différents formats et systèmes.
Un dessin technique contient bien plus que de la géométrie. Il peut inclure des matériaux, des tolérances, des traitements de surface, des dimensions, des historiques de révision et des notes de fabrication. Les décisions associées peuvent se trouver dans les systèmes d’achat, les rapports qualité, les feuilles de calcul, les e-mails ou la mémoire d’un ingénieur expérimenté.
Les modèles de langage généralistes donnent leurs meilleurs résultats avec du texte accessible. Ils sont moins fiables lorsque la tâche exige d’interpréter une géométrie, d’associer des composants visuellement similaires ou de suivre une modification de conception à travers les dossiers de production et de qualité.
CADDi affirme répondre à cette lacune grâce à des modèles propriétaires destinés aux données spécifiques à l’industrie, y compris les dessins bidimensionnels et les fichiers de CAO tridimensionnels. L’entreprise utilise des grands modèles de langage généralistes pour les documents et les feuilles de calcul.
Cette distinction définit sa stratégie. Au lieu de demander à un seul modèle de comprendre chaque format industriel, la plateforme combine une interprétation spécialisée et des capacités linguistiques plus larges.
Sa plateforme industrielle comporte quatre couches conceptuelles. La première ingère et analyse les données opérationnelles. La deuxième ajoute des relations et du contexte métier. La troisième expose les informations via la recherche et les agents. Les produits de flux de travail capturent ensuite de nouvelles décisions et de nouveaux résultats.
Cette dernière étape est importante. Une plateforme de données devient plus utile lorsque le travail quotidien ajoute continuellement du contexte structuré. Une recherche de dessin peut révéler un défaut passé, tandis qu’une revue achevée consigne les raisons pour lesquelles un ingénieur a approuvé la nouvelle conception.
Au fil du temps, cette boucle peut transformer des fichiers déconnectés en un registre institutionnel. Elle peut également réduire la dépendance envers les employés qui se souviennent de l’emplacement des documents ou des raisons pour lesquelles une équipe précédente a choisi un fournisseur particulier.
Le PDG Yushiro Kato a déclaré à Fortune que plus de 80 % des connaissances sur les processus de travail industriels ne sont jamais enregistrées. CADDi n’a pas fourni de recherche indépendante étayant ce pourcentage précis ; il doit donc être considéré comme l’évaluation du fondateur.
Le défi sous-jacent est largement reconnu. McKinsey a constaté que 46 % des directeurs des opérations interrogés citaient des limites liées aux données, aux systèmes informatiques ou aux technologies opérationnelles. Les infrastructures obsolètes et la mauvaise qualité des données figuraient parmi les obstacles spécifiques identifiés dans ses recherches sur l’IA industrielle.
Ce constat aide à expliquer le calendrier du tour. Les fabricants expérimentent l’IA, mais beaucoup ne peuvent pas dépasser les projets pilotes restreints parce que leurs données opérationnelles restent fragmentées.
CADDi parie que le problème des données doit être traité en parallèle du problème applicatif. Sa plateforme n’exige pas que les clients abandonnent tous leurs systèmes existants. Elle vise à ingérer les informations provenant de ces systèmes, à établir des relations et à rendre le dossier combiné exploitable.
Cette approche présente un attrait pratique. Remplacer un ERP central ou un système de gestion du cycle de vie des produits peut devenir un projet pluriannuel. Une couche d’intelligence promet un chemin plus progressif, en commençant par un flux de travail où la lenteur des recherches ou les efforts dupliqués engendrent des coûts visibles.
Toutefois, superposer un logiciel à des systèmes fragmentés ne répare pas automatiquement les données sous-jacentes. Les noms de pièces en double, les révisions manquantes, les règles d’accès incohérentes et les dossiers inexacts exigent toujours une gouvernance.
L’IA peut faciliter l’interrogation d’un jeu de données connecté. Elle ne peut pas garantir que ce jeu de données reflète l’usine actuelle, les spécifications approuvées ou chaque exception connue des équipes de terrain.
Le financement arrive donc à un moment favorable, mais également difficile. Les acheteurs en entreprise veulent une IA exploitable dès maintenant, tandis que les informations nécessaires pour la soutenir restent dispersées entre des décennies de logiciels et de pratiques locales.
CADDi s’attaque à l’écosystème fragmenté des usines
Le principal adversaire de CADDi est l’écosystème fragmenté des usines, un ensemble de systèmes essentiels qui fournit rarement une vue unique et exploitable des connaissances d’ingénierie.
Les fabricants possèdent déjà des logiciels de conception de produits, de planification d’entreprise, de contrôle qualité, de gestion documentaire, d’approvisionnement et d’exécution en usine. De grands fournisseurs tels que Siemens, PTC, Autodesk, Dassault Systèmes, SAP et Oracle occupent des segments de cet environnement.
Ces fournisseurs ne sont pas interchangeables avec CADDi. Certains gèrent des registres de produits faisant autorité, tandis que d’autres soutiennent la conception, la planification ou la production. Ils continuent également d’ajouter des fonctionnalités d’IA à leurs propres plateformes.
L’argument de CADDi est que les connaissances de valeur restent difficiles à retrouver même après l’installation de ces systèmes par les fabricants. Un ingénieur peut devoir rechercher sur un serveur de dessins, consulter un registre ERP, ouvrir des documents qualité et interroger un collègue expérimenté avant de décider si une conception précédente peut être réutilisée.
La startup veut faire de CADDi Explorer la couche de découverte de ce processus. Elle souhaite ensuite que CADDi Agent et ses produits de flux de travail prennent en charge des tâches d’analyse définies.
Par exemple, CADDi Design Review examine de nouveaux dessins ou modèles à la lumière des problèmes associés à des pièces similaires. L’entreprise affirme que cela peut signaler des erreurs potentielles plus tôt et préserver des enseignements qui resteraient autrement dans les historiques de projets individuels.
CADDi Agent prend également en charge la standardisation des pièces et les évaluations de l’impact sur la qualité. Dans ces scénarios, le logiciel doit identifier les dossiers pertinents et aider les employés à évaluer la manière dont une modification proposée affecte les performances ou la sécurité.
Cette proposition est plus défendable que l’offre d’un assistant générique doté d’une interface industrielle. Les dessins techniques et les historiques de production nécessitent une ingestion, une indexation, des autorisations et des relations métier spécialisés.
Elle est également plus difficile à fournir. Le logiciel doit connecter les dossiers sans supprimer le statut de révision, le contexte produit ou les contrôles d’accès qui déterminent si l’information est fiable.
L’avantage de CADDi pourrait venir du déploiement de plusieurs applications sur la même fondation de données. Un client qui commence par la recherche de dessins peut ajouter des flux de travail de revue de conception, d’analyse des coûts ou de devis sans construire un jeu de données distinct pour chaque outil.
Le risque est que les fournisseurs de logiciels établis puissent suivre une trajectoire similaire. Un fournisseur de gestion du cycle de vie des produits contrôle déjà des dossiers d’ingénierie importants. Un fournisseur ERP détient le contexte des achats et de la planification. Les plateformes cloud peuvent fournir le stockage, les modèles et les outils de création d’agents.
CADDi doit donc démontrer sa valeur entre ces systèmes. L’entreprise doit connecter les dossiers plus efficacement que l’équipe d’intégration interne d’un fabricant, tout en fournissant des applications que les fournisseurs historiques n’offrent pas déjà.
Son expansion, d’un produit de découverte unique à six produits de flux de travail, montre comment elle prévoit de défendre cette position. Chaque flux de travail peut générer davantage de données structurées et rendre la plateforme centrale plus difficile à remplacer.
Cette stratégie s’apparente à un système de connaissance cumulatif. La recherche rend les données historiques accessibles, les applications les utilisent pendant le travail actif, et le travail achevé crée un nouveau contexte pour les décisions ultérieures.
Elle exige également une discipline produit rigoureuse. Prendre en charge la conception, les achats, la qualité et l’ingénierie de fabrication peut aboutir à une suite étendue avant que chaque application ne devienne indispensable.
Les investisseurs parient fortement sur la capacité de CADDi à gérer cette tension. L’entreprise doit devenir suffisamment large pour servir d’infrastructure partagée, sans se disperser au point de ne plus pouvoir concurrencer des outils spécialisés.
De la recherche de plans aux agents IA
Le mécanisme qui soutient la valorisation de CADDi repose sur le passage de la recherche de fichiers à l’exécution de décisions enrichies par le contexte de fabrication.
La recherche d’entreprise traditionnelle répond à une question de localisation : où se trouve le document pertinent ? CADDi souhaite que sa plateforme réponde à une question de relations : comment cette conception est-elle liée à des pièces antérieures, des fournisseurs, des coûts, des défauts et des décisions ?
Cela exige davantage que la reconnaissance optique de caractères. Le système doit interpréter les textes et les formes, associer les enregistrements connexes et préserver les métadonnées issues des systèmes sources.
Une correspondance visuelle entre des plans peut révéler que deux équipes ont commandé des composants presque identiques sous des références différentes. Les données d’achat peuvent indiquer le coût de chaque composant et le fournisseur qui l’a produit. Les dossiers qualité peuvent montrer si une version a entraîné des défauts récurrents.
Lorsque ces relations sont visibles, la plateforme peut appuyer une décision métier plutôt que simplement retrouver un fichier. Un ingénieur peut évaluer la réutilisation, un acheteur peut comparer l’historique d’approvisionnement et une équipe qualité peut examiner des actions correctives antérieures.
La couche d’agents IA étend ce modèle. Un agent est un logiciel qui utilise des modèles et des outils afin d’accomplir une séquence de travail définie. Dans le cas de CADDi, ce travail comprend notamment l’analyse des possibilités de standardisation ou l’évaluation des effets de modifications d’ingénierie.
La décision de l’entreprise de développer des modèles propriétaires pour les plans et les données CAD répond à une limitation réelle. Kato a déclaré à Fortune que les modèles de langage généralistes ne comprennent pas suffisamment bien les dessins techniques pour effectuer seuls des revues de conception.
Cela ne signifie pas que les modèles de CADDi peuvent approuver de manière autonome des modifications d’ingénierie critiques pour la sécurité. L’entreprise présente ses produits comme des outils d’analyse et d’aide à la décision, tandis que les équipes humaines conservent la responsabilité du jugement d’ingénierie.
Un exemple concret vient d’Unytite, un fabricant américain de fixations structurelles. L’entreprise a centralisé plus de 60 000 plans et documents de production grâce à CADDi Drawer.
CADDi indique que les équipes de recherche et développement d’Unytite ont réduit de plus de 90 % le temps consacré à la recherche en ingénierie et en production. L’étude de cas client publiée décrit également comment les employés de la qualité recoupent les plans, les alertes et les actions correctives.
Comme CADDi a publié cette étude de cas, l’amélioration revendiquée doit être lue comme un témoignage client rapporté par le fournisseur. Elle illustre néanmoins pourquoi la recherche constitue un point de départ efficace.
La tâche initiale est facile à comprendre, et un client peut mesurer le temps consacré à localiser des dossiers avant et après le déploiement. La recherche peut également produire de la valeur sans déléguer immédiatement des décisions complexes à un agent.
La phase plus difficile commence lorsque les clients utilisent les données connectées pour modifier des conceptions, des choix d’achat ou des processus de production. Les erreurs ont alors des conséquences opérationnelles plus importantes.
Un faux résultat de recherche fait perdre du temps. Une évaluation incomplète de l’impact sur la qualité peut ne pas détecter un risque significatif. Cette différence rend la traçabilité essentielle.
Les utilisateurs doivent savoir quels dossiers ont alimenté une réponse de l’IA, si ces dossiers correspondent aux révisions en vigueur et où subsiste l’incertitude. L’IA appliquée à la fabrication ne peut pas se fonder uniquement sur un langage plausible.
Les produits de flux de travail de CADDi peuvent y contribuer en limitant les agents à des contextes et à des tâches définis. Les flux de travail restreints sont plus faciles à évaluer qu’un assistant ouvert qui tente de répondre à toutes les questions de fabrication.
La transition produit exigera tout de même des preuves. CADDi doit démontrer que ses agents réduisent les délais d’ingénierie ou les coûts des matériaux sans accroître ailleurs la charge de vérification.
Si elle y parvient, la plateforme de données deviendra davantage qu’une archive consultable. Elle deviendra une couche par laquelle les fabricants réutilisent les connaissances institutionnelles et coordonnent les décisions entre les services.
Ce que la valorisation ne prouve pas
Une valorisation de 1,2 milliard de dollars signale la confiance des investisseurs, mais elle ne démontre pas que la plateforme élargie de CADDi a atteint une adoption durable.
L’entreprise n’a pas communiqué son chiffre d’affaires, son nombre de clients, son taux de rétention, la taille de ses contrats ni la part de clients utilisant plusieurs produits. Ces indicateurs sont essentiels pour déterminer si CADDi devient une infrastructure ou demeure un ensemble de déploiements prometteurs.
Les ventes auraient plus que doublé au cours de l’année écoulée. En l’absence de base ou de chiffre d’affaires communiqué, cette croissance ne peut pas être comparée directement à celle d’autres entreprises de logiciels industriels.
Les effectifs offrent un autre signal incomplet. CADDi est passée d’environ 600 employés début 2025 à près de 900 aujourd’hui. Cette expansion soutient le développement produit et les ventes internationales, mais elle augmente également le coût nécessaire au maintien de la croissance.
L’Amérique du Nord constituera un marché particulièrement exigeant. Les fabricants diffèrent considérablement par leur maturité en matière de données, leurs obligations réglementaires, leur terminologie interne et leur architecture logicielle. Des intégrations efficaces pour un client peuvent nécessiter une adaptation importante pour un autre.
La gestion du changement représente un autre obstacle. Selon Fortune, Kato l’a identifiée comme le principal frein à l’adoption. Les employés doivent faire confiance aux résultats, revoir des processus familiers et consigner les décisions avec une cohérence suffisante pour améliorer la couche de données partagée.
Cela crée une boucle difficile. CADDi a besoin de la participation des utilisateurs pour capter les connaissances tacites, mais les employés sont moins susceptibles de participer tant que la plateforme ne les aide pas de manière fiable.
L’entreprise doit également gérer des questions de gouvernance. Les fichiers d’ingénierie peuvent contenir des informations soumises à des contrôles à l’exportation, des secrets commerciaux, des données personnelles, des conditions fournisseurs ou des spécifications sensibles pour la sécurité.
La connexion des dossiers accroît leur utilité, mais elle élargit également les conséquences de permissions insuffisantes. Une interface de recherche ou d’agent doit respecter les restrictions héritées de plusieurs systèmes sources.
La précision doit être évaluée au niveau du flux de travail. Un modèle peut paraître efficace lors d’une démonstration tout en ignorant des tolérances inhabituelles, des révisions obsolètes ou des contraintes de production non documentées.
Les équipes de fabrication voudront des résultats traçables plutôt que des recommandations non étayées. Elles auront également besoin de procédures pour corriger les données et réinjecter ces corrections dans le système.
La concurrence ajoute de l’incertitude. Les fournisseurs historiques de logiciels d’ingénierie et d’entreprise peuvent intégrer l’IA dans des produits auxquels les clients font déjà confiance. Les fournisseurs cloud peuvent proposer des outils pour créer des systèmes de recherche augmentée et des agents personnalisés.
Certains fabricants préféreront ces options parce qu’elles préservent les relations existantes avec leurs fournisseurs. D’autres développeront des systèmes internes lorsque leurs données ou leurs flux de travail sont trop spécialisés pour un produit partagé.
La réponse de CADDi est l’intégration verticale. Elle combine l’ingestion de données, l’interprétation spécifique au domaine, la découverte, les agents et les applications de flux de travail au sein d’une même plateforme.
Cette étendue ne crée une différenciation que si les composants se renforcent mutuellement. Si les déploiements exigent des services importants ou une préparation manuelle, la croissance pourrait devenir plus difficile à standardiser.
La preuve la plus solide ne viendra pas d’une nouvelle annonce de financement. Elle viendra de clients qui étendent l’utilisation à plusieurs services et renouvellent après le premier cas d’usage mesurable.
Tant que CADDi ne communiquera pas davantage d’indicateurs opérationnels, sa valorisation devra être considérée comme une affirmation sur la portée future de la plateforme. Elle ne prouve pas que l’entreprise a déjà remplacé les systèmes fragmentés qu’elle cherche à connecter.
Trois signaux mettront à l’épreuve la stratégie d’IA industrielle de CADDi
La prochaine étape sera mesurée par la profondeur produit, l’adoption en Amérique du Nord et la preuve que les clients passent de la recherche à des flux de travail IA reproductibles.
Le premier signal est l’adoption de plusieurs produits. CADDi s’est étendue au-delà d’Explorer avec Agent et six applications de flux de travail. La question clé est de savoir si les clients existants de la recherche ajoutent des applications de revue de conception, d’analyse des coûts, de devis ou de production.
Cette expansion renforcerait la thèse de la plateforme. Elle montrerait qu’un jeu de données de fabrication connecté peut prendre en charge plusieurs flux de travail plutôt qu’un seul produit de recherche documentaire.
Une expansion limitée indiquerait l’inverse. Elle pourrait signifier que la recherche de plans résout un problème utile, tandis que les applications plus larges restent difficiles à déployer ou chevauchent les logiciels existants.
Le deuxième signal est la croissance de la clientèle nord-américaine. CADDi opère aux États-Unis depuis 2023 et prévoit désormais de faire de la région un élément central de son expansion mondiale.
Les déploiements nommés, les renouvellements et les références clients compteront davantage que la croissance des bureaux ou les recrutements. Les fabricants nord-américains constituent un test exigeant, car ils exploitent des systèmes historiques variés et imposent souvent des exigences de sécurité strictes.
Des preuves provenant de plusieurs secteurs seraient particulièrement significatives. L’automobile, les équipements industriels, l’électronique et la fabrication sous contrat partagent des problèmes de données, mais leurs flux de travail et leurs pressions réglementaires diffèrent.
Le troisième signal est un impact opérationnel vérifiable issu de décisions assistées par l’IA. Les réductions du temps de recherche sont utiles, mais la valorisation plus élevée de CADDi repose sur des résultats tels que des cycles d’ingénierie plus courts, moins de conceptions répétées, des coûts de matériaux inférieurs ou des enquêtes qualité plus rapides.
Ces résultats devraient inclure des références claires et des périodes de mesure définies. Ils devraient également distinguer les résultats logiciels des changements de processus plus larges introduits lors du déploiement.
CADDi met déjà en avant des résultats clients sur sa plateforme, notamment des heures économisées et des réductions du temps d’enquête. Davantage de cas documentés de manière indépendante faciliteraient l’évaluation des performances de l’entreprise.
Les lecteurs devraient également observer la manière dont CADDi décrit la supervision humaine. Le passage de la récupération d’informations à des décisions de conception ou de qualité relève les exigences en matière d’explicabilité, de permissions et de validation.
L’expansion la plus crédible préservera les liens avec les dossiers sources et maintiendra des employés responsables dans les flux de travail à conséquences importantes. Un système qui dissimule l’incertitude derrière des réponses fluides affaiblirait l’argument en faveur d’une adoption plus large.
Le financement de CADDi montre que les investisseurs considèrent les données de fabrication comme une base précieuse pour l’IA d’entreprise. Le pari est compréhensible : les usines possèdent des décennies de connaissances qui restent difficiles à retrouver, connecter ou réutiliser.
La question non résolue est de savoir si une seule plateforme peut organiser ces connaissances entre les systèmes sans reproduire la fragmentation qu’elle a été conçue pour résoudre.
Pour les équipes d’ingénierie et d’exploitation, la réponse pratique consiste à examiner d’abord un flux de travail mesurable. Identifiez les situations où les employés recherchent à plusieurs reprises des plans, reconstituent des décisions passées ou comparent des pièces similaires. Évaluez ensuite si la plateforme améliore ce travail tout en préservant la traçabilité.
Les équipes qui construisent leur propre référentiel technique consultable peuvent également examiner comment une base de connaissances d’ingénierie devrait gérer des documents dispersés et la recherche d’informations.
La série D de CADDi paraîtra justifiée si ces flux de travail initiaux s’étendent en une couche de données de confiance utilisée dans tous les services. Si l’adoption s’arrête à la recherche documentaire, le financement aura revalorisé un produit utile comme une plateforme bien plus vaste.
Les prochains déploiements chez les clients devraient révéler lequel de ces scénarios se dessine.
