Et si la vraie révolution de la data ne consistait pas seulement à produire plus d’analyses, mais à permettre aux experts métiers de comprendre, explorer et décider par eux-mêmes ?
En rejoignant le Tarmac d’inovallée, Treensight arrive avec une ambition claire : aider les entreprises à reprendre la main sur leur patrimoine de données, sans dépendre systématiquement d’un data scientist, sans s’en remettre à une intelligence artificielle opaque, et sans renoncer à la rigueur scientifique.
La startup, issue de plusieurs années de recherche au CNRS, développe Treensight Explorer, un logiciel d’analyse visuelle, interactive et traçable, conçu pour rendre intelligibles des bases de données complexes.
Son sujet : ce que l’équipe appelle le « Middle Data » — ces données trop riches pour être réellement exploitées dans Excel, mais pas assez massives ou structurées pour justifier des chaînes Big Data lourdes.
Le problème : des données partout, mais encore trop peu exploitées
Dans les ETI & PME industrielles et technologiques, les données sont devenues un actif stratégique. Qualité, production, RCD, environnement, relation client, exploitation de capteurs : les entreprises accumulent des bases de plus en plus riches. Mais dans les faits, une grande partie de ce patrimoine reste sous-utilisée.
Le constat posé par Treensight est simple : beaucoup d’organisations disposent de données précieuses, mais manquent d’outils accessibles pour les explorer avec méthode. Excel atteint vite ses limites dès que les bases grossissent. Les environnements Python ou R restent réservés aux profils experts. Les outils de reporting comme Power BI ou Tableau permettent de visualiser, mais pas toujours d’explorer finement. Quant à l’IA générative, elle apporte de la rapidité, mais pose encore des questions fortes de traçabilité, de reproductibilité et de conformité.
C’est précisément dans cet espace intermédiaire que Treensight veut apporter une réponse : une brique logicielle pensée pour les experts métiers, ceux qui connaissent leurs données, leurs contraintes et leurs questions, mais n’ont pas toujours les moyens ou les compétences internes pour mobiliser une équipe data complète.
Pourquoi Treensight est une deeptech
Treensight ne se présente pas comme un nouvel outil d’analyse de données parmi d’autres. Sa spécificité repose sur une technologie née de travaux de recherche, avec une profondeur scientifique et méthodologique forte. La société est labellisée Deeptech par Bpifrance et s’appuie sur une maturation accompagnée par Linksium, avec une sous-licence exclusive d’exploitation logicielle.
Au cœur de cette approche : les Stacked Trees, une méthode de visualisation hiérarchique conçue pour offrir à la fois une vision globale d’une base de données et la capacité de descendre jusqu’au détail de chaque instance. Là où beaucoup d’outils produisent des tableaux, des graphes ou des tableaux de bord figés, Treensight permet de manipuler l’information, de comparer des groupes, de comprendre les structures internes d’une base et de garder la trace du raisonnement analytique.
Cette dimension est clé : Treensight ne cherche pas à remplacer l’expert métier par une machine. Au contraire, le logiciel vise à renforcer sa capacité d’analyse. Dans un contexte où les organisations s’interrogent sur les usages de l’IA, l’équipe défend une approche où l’algorithme accompagne la réflexion, mais où l’interprétation reste entre les mains de celles et ceux qui connaissent le terrain.
Une technologie qui rend le complexe lisible
La force de Treensight tient à sa capacité à rendre visibles des phénomènes souvent noyés dans la masse des données. Le logiciel combine visualisation hiérarchique, clustering stratifié et formats sémantiques capables de préserver le sens de données complexes ou hétérogènes. L’utilisateur peut structurer l’exploration selon sa logique métier, comparer des classes, identifier des profils, et surtout comprendre comment un résultat a été obtenu.
Cette approche répond à un besoin très concret : permettre à des responsables qualité, ingénieurs RCD, analystes, chercheurs, collectivités ou PME technologiques d’exploiter leurs bases sans se perdre dans des chaînes d’outils complexes. Treensight ne promet pas une analyse magique. Il propose une analyse compréhensible, documentée, reproductible.
La startup travaille également à l’intégration d’une IA collaborative, avec un objectif assumé : utiliser les grands modèles de langage comme aide à l’explication et à la conduite de l’analyse, mais dans un cadre méthodologique contrôlé. Un positionnement particulièrement cohérent avec les enjeux actuels de souveraineté, de conformité et de confiance dans les usages de l’intelligence artificielle.
La force d’un socle CNRS et d’une équipe expérimentée
Treensight s’appuie sur un socle scientifique rare. À l’origine de la technologie, Gilles Bisson, président et directeur scientifique de la startup, a passé trente ans au CNRS, au Laboratoire d’Informatique de Grenoble. Il y a développé une expertise solide en machine learning, en analyse de données et en interaction homme-machine, jusqu’à concevoir les Stacked Trees en 2012.
À ses côtés, Annette Casagrande apporte une expertise de statisticienne CNRS et un rôle de validation méthodologique. Julien Marinescu, responsable informatique, connaît le projet dans sa profondeur technique après plusieurs années passées sur le code. Arnaud Brun apporte quant à lui une expérience entrepreneuriale précieuse, avec un parcours de cofondateur et CEO de Tenevia, deeptech passée de zéro à plus d’un million d’euros de chiffre d’affaires avant un exit réussi. Jolan Farrouch vient renforcer la dimension commerciale avec plus de douze ans d’expérience dans l’IT et le logiciel.
Cette combinaison fait la singularité de Treensight : une technologie issue de la recherche, mais portée par une équipe capable de la transformer en produit, en offre commerciale et en trajectoire de marché.
Du laboratoire au marché : le défi des premiers cas d’usage
Comme beaucoup de projets deeptech, Treensight doit maintenant franchir une étape déterminante : passer d’une technologie solide à des usages clairement identifiés, démontrés et adoptés par le marché. La startup dispose déjà d’un logiciel fonctionnel et de premières références. Son enjeu des prochains mois sera d’affiner ses portes d’entrée commerciales, de valider ses premiers cas d’usage et de transformer l’intérêt en traction.
Les marchés visés sont volontairement concrets : ETI & PME industrielles et technologiques, biotech, environnement, agroalimentaire, aménagement, qualité, RCD. Des organisations qui manipulent des bases complexes, mais pour lesquelles l’accès à des compétences data avancées reste souvent coûteux ou difficile à internaliser.
Pourquoi le Tarmac et inovallée ?
Pour Treensight, rejoindre le Tarmac répond à un besoin très clair : sortir du laboratoire, accélérer la confrontation au marché et bénéficier d’un environnement où la technologie peut rencontrer des usages, des clients potentiels et des partenaires industriels.
La startup vient de poser ses valises. Elle est à la recherche à la fois de locaux professionnels, mais également d’un accompagnement business, d’un appui sur la structuration commerciale, une visibilité deeptech et un accès au réseau de PME & ETI industrielles et technologiques du territoire. Autrement dit, tout ce qui peut l’aider à identifier ses early adopters, préciser ses cas d’usage et préparer les prochaines étapes de financement.
Son arrivée s’inscrit pleinement dans l’ADN d’inovallée : faire se rencontrer recherche, industrie et entrepreneuriat, dans un écosystème historiquement ancré dans le logiciel, les smart technologies et la deeptech. Pour le Tarmac, Treensight apporte une expertise pointue en data, machine learning et analyse explicable, mais aussi une réflexion de fond sur un sujet devenu central pour toutes les entreprises : comment transformer les données en décisions fiables.
Une ambition : redonner aux organisations la maîtrise de leurs données
Derrière Treensight, il y a une conviction forte : dans un monde où l’IA transforme profondément les métiers, la valeur durable ne viendra pas seulement de la capacité à automatiser, mais de la capacité à comprendre. Comprendre ses données, comprendre ses résultats, comprendre les décisions que l’on prend à partir d’elles.
En rendant l’analyse rigoureuse plus accessible, Treensight veut contribuer à une forme de souveraineté analytique des PME & ETI : leur permettre d’exploiter leur patrimoine de données sans perdre la main, sans boîte noire, et sans déconnecter l’analyse de l’expertise métier.
Une promesse qui parle autant aux entreprises qu’aux territoires : faire de la donnée non plus un stock dormant, mais un levier d’apprentissage, de pilotage et de décision.
