Shaped

Shaped ne publie ni capture d’écran détaillée, ni grille d’interface, ni éléments décrivant la hiérarchie visuelle de son produit. La lecture passe donc par des fonctions exposées plutôt que par une ergonomie démontrée. La fiche permet de comprendre ce que la plateforme fait, pas la manière dont l’écran guide l’utilisateur. Pour un acheteur, cela signifie qu’il faut surtout juger l’architecture technique et le périmètre fonctionnel. L’outil convient à des équipes qui évaluent d’abord la profondeur du moteur de recherche et de recommandation, puis l’intégration à leur pile. En revanche, rien n’indique ici une interface pensée pour un usage autonome très guidé.

Shaped s’adresse à des équipes qui branchent des sources de données, puis définissent la logique de recherche et de classement dans ShapedQL. La présence de connecteurs natifs, d’un langage déclaratif et de SDK en Python et TypeScript réduit une partie du travail d’assemblage. Pour un profil technique, la mise en route est lisible parce que la logique est exposée dans un langage proche de SQL. Pour une équipe produit sans bagage d’ingénierie, l’outil demande davantage de prise en main qu’un outil à interface sans code. Depuis le rachat, le parcours d’inscription en libre-service n’aboutit plus : le démarrage passe par un contact avec l’éditeur.

Shaped combine recherche hybride, classement en temps réel, modèles d’embeddings, apprentissage continu, connecteurs natifs, récupération pour agents, SDKs et une couche déclarative ShapedQL. L’ensemble couvre à la fois l’ingestion, le tri, le reranking, la personnalisation et l’accès applicatif. La plateforme expose aussi des intégrations avec de nombreuses sources de données et des cas d’usage orientés recommandation et agents. Pour une équipe qui veut remplacer plusieurs briques séparées, la valeur est nette : le produit concentre des fonctions qui demandent souvent un empilement complexe ailleurs. Il convient bien aux équipes qui veulent personnaliser des feeds, des résultats de recherche ou du contexte pour des agents sans construire toute la chaîne à la main. La profondeur fonctionnelle est l’un de ses points forts les plus visibles.

Shaped publie des engagements techniques de latence et de disponibilité, mais l’éditeur ne publie ni page de statut, ni historique d’incidents, ni indicateur public de stabilité dans la durée. Le service affiche donc des repères techniques, pas une preuve documentaire de régularité opérationnelle. Pour l’utilisateur, cela donne un cadre rassurant sur le dimensionnement annoncé, mais pas un historique public permettant de juger les variations réelles de service. La plateforme convient aux équipes qui acceptent de s’appuyer sur les engagements de l’éditeur plutôt que sur des données d’exploitation exposées.

Shaped se distingue par ShapedQL, où une seule requête enchaîne les étapes du tri, de la sélection des candidats à la diversité finale. La combinaison de recherche hybride, de signaux comportementaux, de réordonnancement en temps réel et d’apprentissage continu donne au produit une identité technique très marquée. La plateforme ne se contente pas d’exposer une API de recherche ; elle formalise la logique de classement elle-même. Pour une équipe qui veut piloter la recommandation comme un système plutôt que comme un simple composant, cette approche a de la valeur.

Shaped fournit une documentation structurée, une communauté sur Slack et une adresse de support dédiée. La présence d’un espace de documentation, de guides de démarrage et de connecteurs détaillés donne un socle d’accompagnement sérieux pour une plateforme technique. Pour une équipe technique, l’accompagnement est suffisamment concret pour avancer seule. Depuis le rachat par Whatnot, en revanche, rien n’indique sur le site comment la relation avec les clients évoluera, et le lien d’inscription de la documentation est rompu : la continuité du support reste à vérifier auprès de l’éditeur.

Shaped décrit une formule Free et une formule Standard négociée par bon de commande, avec une facturation à l’usage : plancher mensuel, stockage, entraînement et requêtes. La structure vise des équipes qui consomment la plateforme comme une infrastructure spécialisée, pas comme un petit outil à coût fixe. Pour une équipe qui remplace plusieurs briques de recherche, de reranking et de personnalisation, le rapport devient intéressant si la plateforme évite un assemblage interne lourd. L’absence de tout prix public empêche en revanche de chiffrer l’engagement avant un échange avec l’éditeur.