Avis sur Dust : mon retour d’expérience après 6 mois d’utilisation (2026)

J'ai utilisé Dust pendant 6 mois pour construire des agents IA sur mesure, connectés aux données internes de mes clients (Notion, Slack, Google Drive).

C'est rapide à prendre en main, flexible, et ça permet de créer des assistants vraiment utiles sans coder. Mais au fil du temps, je me suis posé ces questions :

• Est-ce vraiment adapté aux équipes qui n'ont pas encore structuré leurs connaissances ?
• Les agents restent-ils fiables quand on connecte plusieurs sources de données complexes ?
• Le prix est-il justifié pour une petite équipe, sachant qu'on paie par utilisateur ?

Selon mon avis Dust est un très bon outils pour utiliser et mettre en place des Agents IA dans une PME de 11-50 personnes.

Dans cet article, je détaille ce que Dust fait bien, ses limites en conditions réelles, et pour qui ça vaut vraiment le coup.

‍

#1 Qu'est-ce que Dust ?

Dust est une plateforme d'IA conversationnelle pour entreprises qui permet de créer des assistants IA personnalisés connectés aux données et outils internes de l'organisation. L'approche est collaborative : plutôt que de déployer un ChatGPT générique, Dust permet à chaque équipe de construire ses propres assistants adaptés à ses besoins métier.

On y trouve la création d'assistants personnalisés par département (commercial, support, RH), la connexion native à vos outils (Notion, Google Drive, Slack, CRM), et un système de permissions qui respecte les droits d'accès existants. L'interface ressemble à ChatGPT mais les réponses s'appuient sur vos propres documents, processus et données.

L'outil est pensé pour les équipes de 20 à 500 personnes qui veulent démocratiser l'IA sans perdre le contrôle sur leurs données sensibles. En revanche, il n'est pas conçu pour remplacer vos outils métier existants ni pour créer des chatbots destinés à vos clients externes.

‍

‍

#2 Ce que j'aime chez Dust

1. Créer un agent IA fonctionnel en moins de 10 minutes

Dust permet de créer des agents sans écrire une ligne de code. On choisit les sources de données à connecter (Slack, Notion, Drive...), on définit les instructions en langage naturel, et l'agent est prêt.

J'ai testé avec un agent pour répondre aux questions produit. J'ai connecté notre documentation Notion et quelques canaux Slack, écrit une instruction du type "Tu es un expert produit qui répond avec précision en citant ses sources", et en 8 minutes chrono l'agent répondait correctement aux questions de l'équipe support.

Cette rapidité de mise en œuvre change la donne pour une PME. Pas besoin d'attendre qu'un dev soit disponible ou de passer par un long projet. Un responsable métier peut tester un use case dans la journée et décider si ça vaut le coup de généraliser.

2. Un hub qui centralise toutes vos sources de connaissance

Dust se connecte nativement à une vingtaine d'outils : Google Drive, Slack, Notion, Confluence, GitHub, Intercom, Salesforce, HubSpot... Chaque connecteur se configure en quelques clics via OAuth, et Dust indexe automatiquement le contenu accessible.

Dans mon cas, j'ai branché 5 sources en 20 minutes : Drive (docs commerciaux), Slack (historique des discussions), Notion (process internes), Intercom (tickets support) et notre CRM. Résultat : les agents peuvent puiser dans toute cette connaissance dispersée pour répondre avec contexte.

Pour une PME qui a ses données éparpillées dans 10 outils différents, c'est un vrai soulagement. Fini le "je ne sais plus où on a stocké ce document". Les agents retrouvent l'info, peu importe où elle est, et citent systématiquement la source pour qu'on puisse vérifier.

3. Des agents qui combinent recherche, analyse et actions

Ce qui différencie Dust d'un simple chatbot, c'est la capacité des agents à enchaîner plusieurs outils dans une même tâche. Un agent peut chercher dans la base de connaissance, analyser des données, naviguer sur le web, et même déclencher des actions via API.

J'ai créé un agent pour la veille concurrentielle qui cherche d'abord dans nos notes internes sur un concurrent, va ensuite scraper leur site web et leurs derniers posts LinkedIn, puis structure tout ça dans un document comparatif. Avant, cette tâche prenait 2 heures à faire manuellement. Maintenant, elle se fait en 3 minutes.

Pour des équipes qui ont peu de temps et des processus répétitifs, cette automatisation intelligente permet de traiter des volumes impossibles à gérer manuellement. On reste dans le même espace de travail du début à la fin, sans copier-coller entre 5 onglets.

4. Une approche multi-modèles qui évite le vendor lock-in

Dust est agnostique en termes de modèles d'IA. On peut configurer chaque agent pour utiliser GPT-4, Claude, Mistral ou d'autres modèles selon le besoin. On peut même switcher de modèle sans tout reconstruire si un nouveau modèle plus performant sort.

Dans notre configuration, j'utilise GPT-4 pour les agents commerciaux (meilleur en créativité et rédaction), Claude pour les agents légal/conformité (plus prudent et structuré), et Mistral pour des tâches simples où le coût compte. Cette flexibilité évite de dépendre d'un seul fournisseur et permet d'optimiser le rapport qualité/coût.

Pour une PME, c'est une forme de pérennité. Si OpenAI augmente ses prix ou si un concurrent sort un modèle deux fois meilleur demain, on peut ajuster sans remettre en cause toute l'infrastructure. Dust joue le rôle d'orchestrateur, pas de simple wrapper d'API.

5. Sécurité enterprise-grade avec contrôle fin des accès

Dust est certifié SOC 2 Type II et GDPR compliant. Les données ne sont jamais utilisées pour entraîner les modèles. Tout est chiffré au repos et en transit. Pour les secteurs régulés, Dust permet même la conformité HIPAA.

Le système de "Spaces" permet de créer des environnements isolés par équipe ou par niveau de confidentialité. J'ai configuré un Space pour les RH (accès aux dossiers salariés), un autre pour le commercial (accès CRM et emails), et un troisième pour la direction (accès à tout). Chaque utilisateur ne voit que ce à quoi il a le droit d'accéder.

Cette granularité a rassuré notre direction et notre DPO. On peut déployer l'IA largement dans l'entreprise sans créer de fuite de données sensibles. Les audits sont possibles via les logs détaillés de toutes les interactions. Pour une PME qui veut passer à l'échelle sans prendre de risque juridique, cette rigueur est précieuse.

‍

‍

#3 Ce que je n'ai pas aimé dans Dust

1. La courbe d'apprentissage est raide pour les non-techniques

Dust se vend comme une plateforme "no-code", mais dans les faits, elle demande une vraie compréhension technique pour être utilisée efficacement. Le concept de "workflows" et de "blocks" nécessite de penser comme un développeur, même pour des tâches apparemment simples.

Quand j'ai voulu créer un assistant capable d'analyser des emails entrants et de suggérer des réponses, j'ai dû :

• Comprendre la logique de chaînage entre différents blocks
• Structurer manuellement les prompts avec les bons paramètres
• Debugger les erreurs de connexion entre sources de données et modèles
• Anticiper les cas limites dans la structure des réponses

Pour quelqu'un qui a déjà manipulé des API ou des outils comme Zapier/Make, c'est gérable. Mais pour un responsable commercial ou marketing sans background technique, c'est intimidant. Dans une PME de 15-20 personnes, ça signifie souvent qu'une seule personne maîtrise l'outil et devient le goulot d'étranglement pour toute modification.

Si votre équipe n'a pas au moins une personne à l'aise avec la logique de programmation, prévoyez plusieurs semaines d'apprentissage avant de devenir autonome.

2. Les connecteurs natifs sont encore limités

Dust mise beaucoup sur sa capacité à connecter vos données d'entreprise aux LLM. En théorie, c'est puissant. En pratique, le nombre de connecteurs natifs reste restreint par rapport aux besoins réels d'une PME.

Au moment de mon test, les connecteurs disponibles étaient :

• Notion, Google Drive, Slack (bien intégrés)
• GitHub, Intercom (corrects mais basiques)
• Quelques autres outils de documentation

Ce qui manquait concrètement :

• Pas de connecteur CRM direct (HubSpot, Pipedrive, Salesforce)
• Pas d'intégration avec les outils de gestion de projet (Asana, Monday, ClickUp)
• Pas de connexion native avec les ERP ou outils de facturation
• Pas de support pour les bases de données internes sans passer par des API custom

Dans mon cas, pour connecter notre CRM, j'ai dû exporter manuellement les données en CSV et les uploader dans Dust via Google Drive. Résultat : pas de synchronisation en temps réel, et une maintenance manuelle à chaque mise à jour importante.

Pour une équipe qui veut vraiment centraliser ses données et créer des assistants intelligents sur l'ensemble de son écosystème SaaS, cette limite devient vite frustrante. Vous finirez par bricoler avec Zapier ou Make pour combler les trous, ce qui ajoute de la complexité et des coûts supplémentaires.

3. La gestion des versions et des erreurs est rudimentaire

Quand on construit des assistants IA pour des cas d'usage critiques, on a besoin de pouvoir tester, itérer et revenir en arrière sans casser ce qui fonctionne. Dust manque cruellement d'outils pour gérer ça proprement.

Les problèmes concrets que j'ai rencontrés :

• Pas de système de versioning clair : impossible de sauvegarder une "v1 stable" avant de modifier
• Pas de brouillons ou d'environnement de test : toute modification est immédiatement en production
• Les logs d'erreur sont techniques et peu exploitables pour comprendre pourquoi un workflow a échoué
• Pas de rollback facile : si on casse quelque chose, il faut tout reconstruire manuellement

Quand j'ai voulu améliorer un assistant de qualification de leads, j'ai modifié le prompt principal. Résultat : l'assistant s'est mis à donner des réponses incohérentes, et comme je n'avais pas sauvegardé l'ancienne version, j'ai dû tout refaire de mémoire.

Pour une petite équipe qui expérimente, ce n'est pas dramatique. Mais dès qu'on déploie des assistants utilisés quotidiennement par plusieurs personnes, l'absence de gestion des versions devient un vrai risque opérationnel. Une mauvaise manipulation peut casser un workflow critique sans possibilité de retour arrière rapide.

4. Les performances peuvent être imprévisibles

Dust s'appuie sur des LLM externes (OpenAI, Anthropic, etc.), et parfois, ça se sent. Les temps de réponse varient énormément selon la charge, le modèle utilisé et la complexité de la requête.

Dans mon utilisation quotidienne, j'ai constaté :

• Des réponses en 2-3 secondes dans les meilleurs cas
• Des délais de 15-20 secondes quand le système est sollicité
• Parfois des timeouts purs et simples sans message d'erreur clair

Pour un assistant qui aide ponctuellement à rédiger un email, ce n'est pas bloquant. Mais pour un workflow automatisé qui doit traiter 50 demandes clients par jour, cette imprévisibilité devient problématique.

J'ai également remarqué que les assistants connectés à plusieurs sources de données (Notion + Google Drive + Slack) étaient significativement plus lents que ceux qui n'interrogeaient qu'une seule base.

Si vous prévoyez d'utiliser Dust dans des processus critiques avec des attentes de temps de réponse courts (support client en temps réel, qualification de leads à la volée), testez intensivement en conditions réelles avant de déployer. Les performances ne sont pas toujours à la hauteur des promesses marketing.

5. Le pricing devient vite élevé à l'échelle

Dust fonctionne sur un modèle de pricing basé sur les "messages" envoyés aux assistants. À première vue, c'est transparent et flexible. En pratique, ça devient difficile à anticiper et ça peut exploser rapidement.

Le plan Pro (à partir de 29€/utilisateur/mois) inclut un quota de messages, mais :

• Un "message" peut consommer plus ou moins de crédits selon le modèle utilisé (GPT-4 coûte beaucoup plus que GPT-3.5)
• Les requêtes qui interrogent plusieurs sources de données comptent pour plusieurs messages
• Pas de visibilité en temps réel sur la consommation avant de recevoir la facture

Dans mon cas, avec 5 utilisateurs qui sollicitaient modérément les assistants (10-15 requêtes/jour chacun), on a dépassé le quota en milieu de mois. Résultat : soit on bride l'usage, soit on paie des surcoûts non anticipés.

Pour une équipe de 3-5 personnes avec des cas d'usage légers (résumés de documents, aide à la rédaction), ça reste gérable. Mais dès qu'on passe à 10-15 utilisateurs avec des workflows automatisés qui tournent toute la journée, le coût grimpe vite et devient difficile à justifier face à des alternatives plus prévisibles.

Si vous envisagez Dust, commencez petit et surveillez de près la consommation pendant le premier mois pour éviter les mauvaises surprises.

‍

#4 Tarification Dust (2026)

Dust adopte une structure tarifaire en deux temps : un plan Pro unique pour les équipes jusqu'à 99 utilisateurs, et un plan Enterprise sur devis dès 100+ membres.
L'approche se veut simple en apparence, mais plusieurs éléments méritent d'être décryptés pour éviter les mauvaises surprises.

Ce que vous paierez vraiment

Équipe de 5 personnes (startup / agence)

• 5 × 29€/mois = 145€/mois HT (1 740€/an)
  
  
• Stockage inclus : 5 GB (1 GB / utilisateur)
  
  
• Accès complet aux modèles IA premium (GPT-5, Claude, Gemini)
  
  
• Intégrations natives (Slack, Notion, Google Drive, GitHub)
  
  

Équipe de 15 personnes (PME en croissance)

• 15 × 29€/mois = 435€/mois HT (5 220€/an)
  
  
• Stockage inclus : 15 GB
  
  
• Usage programmatique (API, Zapier) inclus avec crédits gratuits
  
  
• Prix fixe sur l’usage additionnel (montant non communiqué publiquement)
  
  

Équipe de 100+ personnes (Enterprise)

• Tarif sur devis (probablement dégressif)
  
  
• Facturation à l’usage pour l’API (prix négocié)
  
  
• SSO, SCIM, hébergement dédié EU/US
  
  
• Support prioritaire et account manager
  
  

Points d’attention budgétaire

1. Les “Fair Use Limits” sur les messages

Dust annonce des messages illimités, mais précise immédiatement : Fair Use Limits Apply.
Cette formulation floue peut masquer des limitations réelles.

Dans la pratique, les équipes qui sollicitent intensément les agents IA (ex : support client automatisé) peuvent se heurter à des plafonds non documentés.
À clarifier impérativement en démo commerciale.

2. L’usage programmatique (API, Zapier, Google Sheets)

Le plan Pro inclut des “crédits gratuits”, mais plusieurs zones d’ombre persistent :

• Volume de crédits non précisé
  
  
• Prix de l’usage additionnel non communiqué
  
  
• En Enterprise : tarification personnalisée (souvent au token)
  
  

Pour une PME qui automatise des workflows, ce poste peut devenir significatif.
Demandez des simulations chiffrées avant engagement.

3. Le stockage (1 GB / utilisateur)

Avec 1 GB par utilisateur, les limites arrivent vite si vous connectez :

• un wiki interne
  
  
• de la documentation technique
  
  
• des bases de connaissances volumineuses
  
  

Exemple : une équipe de 10 personnes dispose de 10 GB au total.

En Enterprise, les limites sont annoncées comme “larger”, sans chiffres précis.

4. Le seuil Enterprise (100 utilisateurs)

Dust impose un passage en devis personnalisé dès 100 utilisateurs.

Problème : impossible d’anticiper le coût futur pour une PME en croissance.
Cette absence de transparence complique la projection budgétaire.

Verdict

Pour qui c’est adapté

Dust est compétitif pour les équipes de 5 à 50 personnes qui veulent un assistant IA complet, avec accès aux meilleurs modèles (GPT-5, Claude) sans multiplier les abonnements.

Le prix de 29€/mois/utilisateur reste cohérent avec le marché.

À partir de quand ça devient cher

• Usage intensif de l’API ou des automatisations
  
  
• Besoin de stockage supérieur à 1 GB/utilisateur
  
  
• Passage au-delà de 100 utilisateurs
  
  

Comparé aux alternatives

• ChatGPT Team : ~30$/mois/utilisateur (équivalent, mais sans intégrations natives)
  
  
• Claude Pro : ~20$/mois (usage individuel uniquement)
  
  
• n8n / Make : moins chers côté logiciel, mais nécessitent du développement et de la maintenance
  
  

Dust se positionne comme un compromis clé en main : vous payez pour éviter d’assembler vous-même la stack IA, les intégrations et la sécurité.

Le modèle devient pertinent si les agents IA sont utilisés quotidiennement.
Pour un usage ponctuel, un abonnement type ChatGPT Team reste plus rentable.

‍

Attention finale

Avant de signer, demandez une simulation chiffrée de l’usage programmatique si vous prévoyez d’automatiser des workflows.

C’est aujourd’hui le principal angle mort tarifaire de Dust.

‍

#5 Comment Dust se compare aux alternatives

Voici comment Dust se positionne face aux principales alternatives

• ChatGPT Enterprise : L'IA conversationnelle pour les organisations.
  Points forts : interface intuitive, performances de pointe, écosystème de plugins riche.
  Prix de départ : Sur devis (environ 30€ / utilisateur / mois).
  Idéal pour : les équipes qui veulent démarrer rapidement avec l'IA sans développement.
• Microsoft Copilot : L'IA intégrée à l'écosystème Microsoft 365.
  Points forts : intégration native avec Word, Excel, Teams, gestion centralisée IT.
  Prix de départ : 30€ / utilisateur / mois (nécessite Microsoft 365).
  Idéal pour : les entreprises déjà équipées Microsoft qui cherchent une intégration transparente.
• Glean : La recherche intelligente d'entreprise augmentée par l'IA.
  Points forts : connecteurs natifs avec 100+ applications, recherche unifiée puissante, indexation continue.
  Prix de départ : Sur devis (environ 25€ / utilisateur / mois).
  Idéal pour : les organisations qui veulent d'abord améliorer leur recherche interne avant de déployer l'IA générative.
• Mendable : Chatbot IA sur votre base de connaissances.
  Points forts : déploiement rapide, interface personnalisable, focus documentation.
  Prix de départ : À partir de 99€ / mois.
  Idéal pour : les équipes techniques qui veulent un assistant IA spécialisé sur leur documentation.
• Langchain : Framework open-source pour construire des applications IA.
  Points forts : contrôle total, pas de vendor lock-in, communauté active.
  Prix de départ : Gratuit (coûts infrastructure à prévoir).
  Idéal pour : les équipes avec des développeurs qui veulent construire leur propre solution sur mesure.
• Anthropic Claude : IA conversationnelle avec API.
  Points forts : fenêtre de contexte très large (200K tokens), excellent pour l'analyse de documents longs.
  Prix de départ : À l'usage (API), ou 20€ / mois (Claude Pro).
  Idéal pour : les équipes qui veulent intégrer l'IA dans leurs propres outils via API.

En résumé

ChatGPT Enterprise : le choix le plus simple si vous voulez mettre l'IA entre les mains de vos équipes sans développement. Mais vous perdez en personnalisation et en connexion native avec vos données métier.

Microsoft Copilot : incontournable si vous êtes dans l'écosystème Microsoft. L'intégration est fluide, mais vous êtes limité aux applications Microsoft et dépendant de leur roadmap.

Glean : excellent pour améliorer la recherche dans votre organisation avant d'ajouter la couche générative. Plus orienté "trouver l'information" que "créer du contenu".

Mendable : idéal pour un cas d'usage précis (documentation, support) avec un déploiement rapide. Moins polyvalent que Dust pour couvrir plusieurs départements.

Langchain : le bon choix si vous avez une équipe technique et des besoins très spécifiques. Demande un investissement important en développement et maintenance.

Anthropic Claude : pertinent si vous construisez votre propre solution ou avez besoin d'analyser des documents très longs. Moins adapté pour un déploiement clé en main en entreprise.

‍

#6 Pour qui Dust est-il fait ?

✓ Dust est un bon choix si :

• Vous avez une équipe technique capable de construire et maintenir des workflows IA (dev, ops, data)
• Vous voulez industrialiser l'IA au-delà de ChatGPT : agents sur mesure, automatisations complexes, connexion à vos outils métier
• Vous privilégiez la sécurité et la confidentialité des données (hébergement EU, contrôle des accès, traçabilité stricte)
• Vous êtes prêt à investir du temps dans la configuration initiale pour gagner en autonomie et en performance ensuite

‍

✗ Dust n'est PAS le bon choix si :

• Vous cherchez une solution clé en main sans effort de paramétrage (préférez Perplexity, Claude, ou Notion AI)
• Votre équipe n'a aucun profil technique : Dust demande un accompagnement ou une montée en compétence
• Vous voulez simplement poser des questions à vos documents sans logique métier (un RAG basique suffit)
• Votre budget est serré et votre usage encore expérimental (testez d'abord des outils gratuits ou freemium)