Open-source Git-like Markdown docs for humans and agents

À propos de Open-source Git-like Markdown docs for humans and agents

La plateforme datacompany.dev se positionne comme une solution innovante de documentation technique conçue pour répondre à la double exigence contemporaine : servir aussi bien les humains que les agents d’intelligence artificielle. À l’ère où les LLMs (modèles linguistiques) et les agents autonomes deviennent des acteurs clés du flux de travail en développement logiciel, cette approche « AI‑ready by design » se distingue radicalement des systèmes de documentation traditionnels. Contrairement aux plateformes propriétaires où le contenu est enfermé dans une base fermée, datacompany.dev repose sur un principe fondamental : toute documentation est un fichier Markdown versionné, géré comme du code source via un système inspiré de Git. Cela permet non seulement une traçabilité complète des modifications (commits, branches, pull requests), mais aussi une interopérabilité naturelle avec l’écosystème DevOps. Le projet s’inscrit dans un mouvement plus large vers des docs « machine‑lisibles », capables d’alimenter des agents via des formats standardisés comme llms.txt, skill.md ou des protocoles comme MCP (Model Context Protocol). Bien qu’encore émergent et orienté vers un public technique, datacompany.dev vise à combler un vide stratégique : offrir une infrastructure de documentation qui soit à la fois humaine, versionnable, ouverte et immédiatement exploitable par des systèmes d’IA — sans dépendre d’un fournisseur SaaS verrouillant les données.

Fonctionnalités principales

La plateforme repose sur quatre piliers fonctionnels interconnectés. Premièrement, le stockage Git‑like de fichiers Markdown : les documents sont gérés comme du code, avec historique complet, différences visibles, possibilité de rollback et revues de contenu via des pull requests. Cette approche élimine le « lock‑in » des CMS propriétaires et s’intègre naturellement dans les pipelines CI/CD existants.

Deuxièmement, la publication pour les humains : les fichiers Markdown sont rendus en un site de documentation interactif, avec navigation hiérarchique, moteur de recherche, support du versionnement de contenu (utile pour les APIs ou produits à cycles multiples) et personnalisation visuelle via des thèmes. Le rendu peut s’appuyer sur des frameworks comme Docusaurus ou Docsify, ou sur une solution interne semi‑statique.

Troisièmement, l’exposition pour les agents IA constitue la véritable innovation. Le système génère automatiquement des métadonnées structurées — notamment des fichiers llms.txt (indiquant où trouver la documentation pertinente) et skill.md (décrivant les fonctionnalités exposées) — conformes aux standards émergents. Il peut également servir les documents via un serveur MCP ou une API, permettant à des agents internes ou externes d’interroger la base documentaire de manière programmatique. La structure Markdown elle‑même est optimisée pour la consommation par les LLMs : titres hiérarchiques, front‑matter normalisé, et sections sémantiquement cohérentes.

Enfin, une couche IA intégrée complète l’expérience : elle inclut des fonctionnalités d’assistance à la rédaction (correction, reformulation, complétion contextuelle), une génération automatisée de documentation à partir de pull requests ou de tickets, et une recherche sémantique alimentant un assistant conversationnel intégré aux docs. L’architecture privilégie les composants open source (LangChain, LlamaIndex, Chroma ou Qdrant pour la vectorisation, Mistral ou Ollama pour les modèles) afin de maintenir la souveraineté et la flexibilité. La collaboration est également prise en charge via des rôles, flux d’approbation et intégrations directes avec GitHub/GitLab, assurant que la documentation reste synchronisée avec le code.

Tarification

À ce jour, aucune grille tarifaire publique n’est disponible sur datacompany.dev, ce qui est cohérent avec le statut de projet open source en phase initiale. On peut toutefois estimer les coûts selon deux scénarios.

Dans le cas d’une utilisation auto‑hébergée, le cœur de la plateforme est très probablement distribué sous licence libre (MIT ou Apache 2.0), ce qui laisse l’outil gratuit en soi. Les coûts réels proviennent alors de l’infrastructure : serveur, stockage, base vectorielle (Chroma local ≈ 0 $, Qdrant Cloud ≈ 27 $ CA/mois pour 1 million de vecteurs) et modèles d’IA. Si l’on utilise des modèles locaux via Ollama ou Mistral, le coût est limité à la puissance de calcul (≈ 50–300 $ CA/mois sur un serveur GPU modeste). En revanche, si l’on intègre des API commerciales (OpenAI, Anthropic), la facturation suit leur modèle au token (coûts variables, souvent ≈ 0,001–0,02 $ CA par requête selon le modèle).

Si une offre SaaS managée venait à être lancée, on peut s’attendre à un positionnement similaire aux concurrents : entre ≈ 100 et 500 $ CA/mois pour les équipes techniques, en fonction du volume de pages, du nombre d’utilisateurs et des fonctionnalités IA activées (à titre de comparaison, Mintlify propose des plans business facturés ~200 $ US/mois, soit ≈ 270 $ CA/mois). Pour des estimations précises, les équipes intéressées devront surveiller la publication d’une page pricing officielle ou contribuer au dépôt open source.

Cas d'utilisation

datacompany.dev répond à plusieurs scénarios stratégiques en 2026. Les équipes de développement peuvent centraliser leur documentation produit, API et guides SDK dans un format versionné, publié en site public tout en étant directement exploité par un assistant IA intégré. Pour les organisations réglementées (santé, finance, secteur public), la capacité à auto‑héberger l’ensemble — Markdown, base vectorielle et modèles — garantit souveraineté et conformité, sans transfert de données vers des clouds externes.

Un autre cas clé est la création d’une base de connaissances technique pour agents internes : runbooks, procédures d’incident, design docs sont structurés de façon à ce qu’un agent LLM puisse les interroger via MCP et agir de manière autonome. Le système permet aussi de mettre en place des boucles de RAG (Retrieval‑Augmented Generation) : un chatbot support ou un copilote développeur interroge la doc Markdown pour générer des réponses précises, toujours sourcées.

Enfin, l’approche Git‑like permet une documentation continue : lorsqu’une pull request modifie une fonctionnalité, un hook peut déclencher la génération d’un brouillon de documentation mis à jour, soumis à revue. Cela réduit considérablement la dette documentaire, un problème chronique dans les équipes logicielles.

Notre avis

datacompany.dev incarne une vision prometteuse : réconcilier culture DevOps, ouverture logicielle et intégration fluide de l’IA. Son principal atout est l’absence de verrouillage propriétaire — tout est Markdown versionné, portable, interopérable. Cette approche favorise la pérennité et la maîtrise des données, un critère décisif pour les organisations soucieuses de souveraineté.

La plateforme se distingue également par son AI‑readiness natif. Plutôt que de forcer les agents à parser du HTML ou du PDF, elle fournit des docs structurés selon des standards émergents (llms.txt, MCP), ce qui simplifie grandement l’intégration avec des systèmes autonomes. L’adoption de la stack open source (LangChain, LlamaIndex, Mistral, etc.) renforce cette flexibilité.

Cependant, ce modèle exige une maturité technique : les équipes non familiarisées avec Git, CI/CD ou l’orchestration de modèles IA pourraient être dépassées. Contrairement à GitBook ou Mintlify, il n’offre pas (encore) une interface « clé en main » avec analytics, gestion fine des droits ou support commercial immédiat. La maintenance, la sécurité et la scalabilité reposent sur l’utilisateur.

En résumé, datacompany.dev est idéal pour les équipes techniques avancées, les startups soucieuses de contrôle, ou les organisations réglementées qui veulent construire une infrastructure de documentation future‑proof, interopérable avec les agents IA, sans dépendre d’un fournisseur centralisé. Pour les autres, une solution SaaS comme GitBook reste plus accessible à court terme. Le projet mérite une veille attentive : s’il gagne en traction et en documentation, il pourrait devenir une référence dans l’écosystème des docs « AI‑native ».