Où se situe KAAS, et pourquoi chaque catégorie adjacente est insuffisante.

Knowledge as a Service occupe une intersection en quatre axes qu'aucune des catégories existantes n'occupe. Les axes sont: la méthode de capture (entretien structuré guidé par IA avec un travailleur qualifié), la forme de sortie (une couche d'intelligence continue actualisée chaque semaine), l'acheteur (le COO, le CFO ou le CSO qui construit une nouvelle ligne de revenus) et le modèle de monétisation (distribution à trois points tarifée comme infrastructure). La case vide est la combinaison. Outset a le premier axe sous une forme proche et perd les deux derniers. Interloom a les axes deux et quatre sous une forme partielle et perd l'axe un. Nielsen a l'axe deux et une partie du quatre. Personne n'a les quatre. C'est ça, la catégorie.

Ci-dessous, chaque catégorie adjacente est décrite selon les trois mêmes étapes que nous utilisons pour parler de KAAS: Capter (originent-ils de nouvelles connaissances structurées nettes à partir des humains?), Codifier (transforment-ils les données brutes en une couche structurée continuellement actualisée avec comparabilité et séries temporelles?) et Monétiser (distribuent-ils la couche vers plusieurs points de revenus, y compris vers des tiers en aval et des agents IA?). Pour chaque catégorie, la raison structurelle précise pour laquelle la configuration est incompatible avec KAAS.

Le sujet est le client. La base de répondants est anonyme et non qualifiée. La fidélité par réponse est faible parce que le répondant dispose de trente secondes d'attention et d'aucun contexte de domaine. KAAS interviewe un travailleur qualifié qui a passé des années face au client et qui détient une compréhension structurée et accumulée à laquelle le client lui-même n'a pas accès.

Obstacle architectural pour les plateformes VoC: toute la pile suppose des questions prédéfinies. Le sondage est un anti-patron dans leur schéma. L'instrument de capture est plafonné par le plafond du sondage. Mauvais répondant, mauvais instrument, mauvaise économie.

La question à laquelle ces plateformes répondent est «comment vos employés se sentent-ils au travail». La question à laquelle KAAS répond est «que savent vos employés sur le marché, le client, le produit, l'opération». Résultat différent, acheteur différent (CHRO versus CFO/COO/CSO), point de prix différent, consommateur différent. Un score d'engagement est un thermomètre. La couche KAAS est un réseau de capteurs.

Obstacle architectural: ces plateformes optimisent le taux de participation et l'anonymat. KAAS optimise la fidélité par entretien, ce qui requiert un sondage structuré et du temps. Les instruments sont incompatibles.

Ces outils supposent que la connaissance est déjà articulée et qu'elle doit seulement être trouvable. Le problème difficile dans KAAS est l'inverse: la connaissance est dans la tête de l'humain et n'a jamais été écrite. Un outil de gestion des connaissances sert les trente pour cent qui étaient déjà documentés. KAAS capture les soixante-dix pour cent qui ne l'étaient pas.

Obstacle architectural: la monétisation est un SaaS par siège sans distribution en aval. Même si un outil de gestion des connaissances livrait un module d'entretien IA, l'acheteur (responsable de la gestion des connaissances, IT) n'a pas autorité sur une API pour partenaires de marque.

Le répondant est un persona LLM. Cette catégorie est l'opposé philosophique direct de KAAS. Ils simulent des humains parce que les humains sont coûteux. Nous interviewons des humains parce que l'humain est le seul endroit où cette connaissance existe. Si KAAS est juste, cette catégorie vend de la fiction à grande échelle. Les deux peuvent coexister commercialement; un seul produit des données propriétaires.

Obstacle architectural: un répondant synthétique ne peut pas faire remonter quoi que ce soit que le modèle ne savait pas déjà. La sortie est statistiquement alignée sur les a priori du modèle. Le signal propriétaire qui vient du travailleur réel observant un client réel n'entre jamais dans le jeu de données.

Le modèle de monétisation est la correspondance la plus proche dans tout le paysage. Distribution multi-tenant par API tarifée comme infrastructure. La différence est ce qui est capturé. Les courtiers en données récoltent les données d'exhaust numérique, les transactions et les firmographies. KAAS récolte l'intention et la connaissance. Acxiom peut vous dire ce que quelqu'un a acheté. Seul KAAS peut vous dire pourquoi le client a failli acheter autre chose, parce que seul le conseiller beauté qui se tenait à ses côtés le sait.

Obstacle architectural: leur moteur de capture est conçu pour l'ingestion d'exhaust. Développer la compétence d'entretien IA requiert des méthodologistes de recherche qualitative et une bibliothèque de protocoles. Le marché des méthodologistes qualitatifs seniors est restreint, et les acteurs KAAS-first paieront davantage. La reconversion produit des données de panel de la plus faible fidélité dans le paysage.

Ces plateformes écoutent les conversations en direct pour coacher le travailleur ou déflectir le client. Le volume de capture est élevé. Le domaine est mauvais (résolution de tickets support, conformité commerciale), l'acheteur est mauvais (VP Support, VP Opérations commerciales), le modèle de monétisation est mauvais (SaaS par siège). Ils extraient la conformité du travailleur. KAAS extrait la compréhension stratégique du travailleur.

Obstacle architectural: le travailleur est en situation d'évaluation quand ces outils écoutent. La transcription est riche mais le contenu est réactif, défensif et superficiel sur les dimensions qui comptent pour KAAS. Le même conseiller qui produit des réponses d'un mot lors d'un appel répondrait avec trois minutes de détail sous le protocole d'entretien KAAS.

Ils décrivent le travailleur. KAAS interviewe le travailleur. Ils modélisent qui est le travailleur sur le papier. Nous extrayons ce qui est dans la tête du travailleur. Eightfold peut dire à L'Oréal quel conseiller beauté a le meilleur profil de compétences. KAAS peut dire à L'Oréal ce que ce conseiller a observé mardi dernier lorsqu'un client a rejeté un fond de teint.

Obstacle architectural: les ontologies de compétences proviennent de l'analyse de CV et du scraping de profils publics. Le plafond du signal est ce que le travailleur a choisi de mettre sur son LinkedIn. L'observation tacite n'a jamais intégré un profil public.

Le plus proche en esprit. La différence est structurelle. Leur sortie est un document; la nôtre est un point d'accès API en direct et un flux d'agents. Leur cycle de rafraîchissement est trimestriel ou annuel; le nôtre est hebdomadaire. Leur économie unitaire suppose une étude finie vendue plusieurs fois. La nôtre suppose qu'un seul client possède la couche propriétaire et la revend à son propre écosystème.

Obstacle architectural: leur modèle facturable est incompatible avec une infrastructure productisée. Pivoter détruit leur P&L existant. L'acheteur auquel ils ont vendu pendant des décennies (marketing et stratégie dans une seule entreprise) n'est pas l'acheteur d'un contrat KAAS (le COO qui construit une ligne de revenus).

C'est la correspondance mécanique la plus proche avec l'étape Capter. Outset.ai (51 millions USD de financement total jusqu'en décembre 2025, Série B menée par Radical Ventures) et Listen Labs (69 millions USD levés) conduisent tous deux des entretiens modérés par IA à grande échelle. La différence structurelle est en aval. Ils vendent un meilleur projet de recherche. Nous vendons une nouvelle unité commerciale. Outset a la forme KAAS à l'entrée et la forme SaaS à la sortie. Le langage de la Série B signale déjà une rotation vers la gestion de l'expérience client (territoire Qualtrics/Medallia) plutôt que vers l'intelligence sur la main-d'oeuvre.

Obstacle architectural: l'acheteur auquel ils vendent (VP Recherche, responsable des insights) n'a pas l'autorité ni l'appétit pour convertir la couche en API pour partenaires de marque. Le troisième point de distribution est structurellement inaccessible depuis cette relation acheteur.

Interloom (14,2 M EUR / 16,5 M USD en amorçage, mars 2026, DN Capital en chef, Bek Ventures et Air Street Capital co-investisseurs) est le concurrent le plus proche dans tout le paysage. Ils croient à la connaissance tacite. Ils croient à la productisation. Ils se positionnent explicitement comme infrastructure pour agents IA.

Les lacunes structurelles par rapport à KAAS sont au nombre de trois. Premièrement, leur capture est réactive: ils capturent le moment de résolution par un expert aux côtés d'un agent IA, de façon opportuniste plutôt que planifiée. La nôtre est proactive: nous interviewons l'ensemble de la main-d'oeuvre selon une cadence. Deuxièmement, leur domaine est l'opérationnel (comment les problèmes sont résolus). Le nôtre est la stratégie (ce que le travailleur sait sur le marché, la marque, le client). Troisièmement, leur monétisation est une mémoire d'agent mono-tenant. La nôtre est multi-points avec des revenus tiers en aval.

Ce qui les rapprocherait de nous: recruter un responsable vertical dans le commerce de détail, la beauté ou la restauration, et livrer une API de marché de connaissances multi-tenant. S'ils font l'un ou l'autre, l'écart se réduit. En attendant, ils sont une infrastructure de mémoire opérationnelle, vendue aux acheteurs IT et automatisation.

La configuration KAAS est l'occupation simultanée de quatre axes:

1. Méthode de capture. Entretien structuré guidé par IA avec un travailleur qualifié. Connaissance nette-nouvelle originée depuis l'humain qui la détient.
2. Forme de sortie. Une couche d'intelligence continue avec comparabilité entre marchés et dans le temps, actualisée chaque semaine. Une couche requêtable plutôt qu'une étude finie.
3. Acheteur. Le COO, le CFO ou le Directeur de la Stratégie qui construit une nouvelle ligne de revenus. L'opérateur avec autorité sur la distribution aux partenaires de marque.
4. Modèle de monétisation. Distribution à trois points: tableau de bord interne, API pour partenaires de marque, flux de récupération pour agents IA. Tarifée comme infrastructure avec une logique de pourcentage sur les revenus en aval, plafonnée par un plancher entreprise.

Aucune catégorie n'occupe actuellement les quatre cases. La plupart des acteurs ont un ou deux axes sous une forme proche et perdent les autres à cause de contraintes structurelles (mauvaise relation acheteur, mauvaise architecture d'instrument, mauvais modèle de facturation, mauvaise posture de consentement). Cette configuration à quatre cases est la catégorie qu'occupe KAAS.