Databerry

À propos de Databerry

Databerry est une plateforme qui vise à simplifier la connexion entre vos données et les modèles de langage comme ChatGPT. Plutôt que de copier manuellement des extraits de documents dans une boîte de dialogue, Databerry permet de créer des « datastores » (espaces de données) à partir de différentes sources, puis d’interroger ces données par requêtes en langage naturel. L’outil se positionne dans la catégorie des solutions « no-code » de recherche sémantique et de questions-réponses sur documents, inspirée notamment du plugin de recherche ChatGPT Retrieval Plugin.

Il faut toutefois noter une certaine ambiguïté : le nom Databerry est également associé à des produits de type tableau de bord analytique ou à des fiches d’annuaire SaaS. La présente fiche se concentre sur l’outil de connexion de données à ChatGPT et de recherche sémantique, qui est le mieux documenté dans les sources disponibles. Il est recommandé de vérifier les informations sur le site officiel avant toute décision, car le positionnement du produit semble avoir évolué ou s’être fragmenté au fil du temps.

Fonctionnalités principales

Databerry propose un ensemble de fonctionnalités pensées pour l’interrogation conversationnelle de données et l’intégration avec ChatGPT.

• Importation de données variées : la plateforme accepte du texte brut, des pages web, des documents Word, Excel, PowerPoint, des fichiers Markdown et du texte en clair. Des connecteurs vers des services comme Notion ou Airtable sont indiqués comme « à venir », ce qui laisse présager une extension future des sources prises en charge.
• Interface no-code pour gestion de datastores : l’utilisateur peut créer et administrer ses espaces de données via une interface visuelle, sans toucher au code. L’idée est de permettre à des équipes non techniques de préparer des bases documentaires pour ChatGPT.
• Génération automatique d’un plugin ChatGPT : chaque datastore reçoit un plugin ChatGPT qui peut être activé dans l’interface de ChatGPT. Cela permet de dialoguer directement avec les données à partir du chat, sans développement supplémentaire.
• API sécurisée : Databerry offre une API qui accepte des requêtes HTTP POST pour interroger les données. Cette API peut être intégrée dans d’autres applications ou workflows, ce qui la rend utile pour les développeurs cherchant à ajouter une couche de recherche sémantique à leurs outils.
• Moteur de recherche sémantique basé sur Qdrant et OpenAI : l’architecture technique mentionne Next.js, Joy UI, LangchainJS, Prisma, et s’appuie sur les embeddings d’OpenAI et la base vectorielle Qdrant pour effectuer des recherches par similarité de sens et non par simple correspondance de mots-clés.

Tarification

La tarification de Databerry (dans son volet connecteur ChatGPT) n’est pas clairement établie sur le site officiel, selon les sources consultées. La fiche de ColdIQ indique explicitement que le site ne fournit pas d’informations tarifaires et que les personnes intéressées doivent contacter l’équipe de vente. Cela dit, certains annuaires en ligne affichent des montants qui paraissent non officiels ou partiellement obsolètes. À titre indicatif, ces montants sont exprimés en dollars américains et convertis approximativement en dollars canadiens :

• Forfait « Starter » : 0 $ US, donc 0 $ CA.
• Forfait « Professional » : 12 $ US par mois, soit environ 16 $ CA par mois. Selon l’annuaire, ce forfait inclurait le support par courriel, des fonctionnalités avancées, le support prioritaire et l’accès à l’API.
• Un autre annuaire mentionne un palier gratuit, puis environ 6,67 $ US par utilisateur et par mois (≈ 9 $ CA) et un forfait à 25 $ US par mois (≈ 34 $ CA).

Ces montants sont donc à prendre avec précaution : ils proviennent de comparateurs tiers, pas de l’éditeur, et pourraient ne pas refléter la grille tarifaire actuelle. Il est fortement conseillé d’obtenir un devis officiel ou de consulter le site web de Databerry pour connaître les prix réels. La devise de facturation d’origine semble être le dollar américain, d’où l’importance de préciser que les conversions en dollars canadiens sont approximatives.

Cas d’utilisation

Databerry s’adresse d’abord à toute organisation qui souhaite rendre ses documents interrogeables par un agent conversationnel, sans développement lourd. Voici quelques scénarios typiques.

• Chat avec des données internes : une équipe RH, juridique ou technique peut importer ses politiques, guides, contrats ou notes de service, puis poser des questions en langage naturel. L’outil réduit la nécessité de créer un chatbot sur mesure ou une interface de recherche complexe.
• Recherche sémantique dans une base de connaissances : plutôt que de parcourir des dossiers entiers, un utilisateur peut retrouver des passages pertinents dans des documents d’entreprise, des fichiers personnels ou des pages web. La recherche par sens aide à identifier des contenus même lorsque les mots exacts ne sont pas utilisés dans la requête.
• Connexion d’un datastore à ChatGPT : le plugin généré automatiquement permet d’utiliser ChatGPT comme interface de question-réponse. Par exemple, un service client peut brancher sa documentation produit sur ChatGPT afin que les agents obtiennent des réponses précises extraites des sources officielles.
• Intégration via API dans des produits existants : des développeurs peuvent utiliser l’API de Databerry pour ajouter une fonctionnalité de recherche sémantique dans une application métier, un portail ou un autre modèle de langage. Cette approche convient aux projets de prototypage rapide ou aux intégrations internes.

Notre avis

Databerry possède plusieurs atouts indéniables pour son usage principal. Sa simplicité no-code est un avantage majeur : les équipes sans compétences en programmation peuvent créer des datastores et générer des plugins ChatGPT en quelques étapes. Le déploiement est rapide, ce qui est idéal pour valider un concept ou mettre en place un outil de Q&A interne dans une PME. La génération automatique du plugin pour ChatGPT est une fonctionnalité très pratique, car elle élimine le besoin de coder une intégration maison. Enfin, l’API offre une porte d’entrée technique pour les développeurs qui veulent aller plus loin que le simple plugin.

Cependant, plusieurs points limitent notre enthousiasme. D’abord, l’absence de tarification officielle publiée est un irritant : elle complique l’évaluation budgétaire et la comparaison avec d’autres outils. Ensuite, la confusion autour du nom Databerry, avec d’autres produits homonymes, nuit à la clarté de la marque et à la confiance. Enfin, la dépendance à des technologies comme OpenAI et Qdrant, bien que performantes, signifie que la plateforme s’appuie sur des fournisseurs tiers pour son fonctionnement, ce qui peut soulever des questions de souveraineté des données et de continuité de service.

Le public cible de Databerry inclut d’abord les utilisateurs de ChatGPT qui veulent exploiter leurs propres documents, puis les équipes no-code et low-code cherchant une solution de gestion de connaissances, et enfin les développeurs qui souhaitent une API de recherche sémantique. Pour les PME et les équipes produit intéressées par un moteur de questions-réponses interne ou un prototype IA, Databerry est une option à considérer, à condition de clarifier les coûts et de valider les fonctionnalités réelles auprès de l’éditeur.

En résumé, Databerry répond de manière élégante au besoin croissant de connecter les modèles de langage aux données d’entreprise. Sa simplicité, son approche no-code et son intégration ChatGPT native sont des points forts appréciables. Mais les zones d’ombre autour du prix officiel, de la pérennité du produit et de la dépendance technologique invitent à la prudence. Pour une organisation qui souhaite tester rapidement la recherche sémantique sur ses documents, Databerry mérite une évaluation sérieuse, de préférence avec une preuve de concept réalisée sur un jeu de données réel. Des alternatives comme les plateformes RAG no-code inspirées du plugin de recherche ChatGPT, ou les outils de BI pour l’autre Databerry, pourraient également être explorées selon les besoins précis.