Cargo

Ce que c’est

Cargo est une plateforme d’orchestration GTM où le workspace est un dossier de fichiers TypeScript. Chaque ressource est un appel define* : defineModel pour une table issue d’un connecteur, defineTool pour une fonction réutilisable, defineAgent pour un worker LLM, definePlay pour un workflow déclenché par un changement de données, defineMcpServer pour un endpoint qui expose n’importe lequel des précédents à un assistant externe. Vous les câblez par référence de variable et vous déployez le graphe entier avec cargo-ai cdk deploy. Il existe une interface graphique, et la plupart des équipes commencent par là, mais l’argument réel du produit est que la logique de revenue devrait être versionnée, revue et déployée comme le reste de votre infrastructure.

L’entreprise a été fondée en 2023 par Aurelien Aubert et Maxence De Villepion, est passée par le batch Summer 2023 de Y Combinator, est basée à San Francisco et a levé $19.4M. Elle cite comme clients Descript, Gorgias, Ashby, Swile, Oneflow, Upfluence, Weights & Biases et Qobra, revendique plus de 10 000 GTM engineers sur la plateforme et détient la certification SOC 2 Type II.

Pourquoi il apparaît dans les stacks RevOps

• Une définition, quatre points d’appel. Une fonction d’enrichissement en cascade écrite une seule fois sous forme de defineTool est appelable depuis un play nocturne sur les nouvelles inscriptions, depuis un agent SDR en pleine recherche, via l’API REST, depuis cargo-ai orchestration en CI et depuis Claude Code. La plupart des stacks GTM reconstruisent cette logique trois fois : une fois dans l’outil d’enrichissement, une fois dans le sequencer, une fois dans un script.
• MCP fonctionne dans les deux sens. defineMcpServer regroupe un ensemble choisi de vos tools, agents et modèles de données derrière un endpoint unique que Claude ou Cursor peuvent découvrir et appeler comme des actions natives, avec des flags readOnly par modèle. Dans l’autre sens, Cargo consomme les serveurs MCP hébergés de HubSpot, Salesforce et Notion comme actions d’agent. À côté de cela, les paquets open source cargo-skills apprennent à Claude Code et à Cursor les commandes du CLI et le flux de découverte des UUID, de sorte que « déclenche le play de scoring MQL sur les leads ajoutés cette semaine » se traduit en commandes réelles plutôt qu’en suppositions.
• La mesure est lisible. Chaque réponse de @cargo-ai/cli est du JSON, chaque échec sort avec un code différent de zéro, et cargo-ai billing usage renvoie la consommation sous forme de données. Vous pouvez chiffrer un play avant de le lancer à l’échelle.

La réalité du prix

Publié, à l’usage, sans engagement minimum. L’essai gratuit donne 100 crédits sans carte. Les plans payants sont des allocations de crédits : à partir de $165/mois pour 1.5K crédits, $250 pour 2.5K, $1,190 pour 17K et $3,000 pour 50K et plus. Chaque palier embarque toutes les fonctionnalités et les plus de 100 intégrations ; les seules différences sont l’allocation de crédits et le niveau de support, le SSO étant réservé à l’offre Enterprise.

Le taux effectif s’améliore d’environ un facteur deux sur la plage : environ $0.11 par crédit au palier $165, environ $0.10 à $250, environ $0.07 à $1,190 et environ $0.06 à $3,000. Acheter des crédits au curseur plutôt que via un plan revient à $0.25 : la remise du plan est donc la vraie décision de prix.

Ce que les crédits achètent est ce qui change le calcul. L’orchestration coûte 1 crédit pour 100 étapes et le stockage 1 crédit pour 1 000 upserts, soit quasiment rien à des volumes réalistes. Les tâches d’intégration sont facturées par intégration, et les fournisseurs d’IA facturent par modèle et par tranche de 1 000 tokens. Votre facture est donc dominée par les appels aux fournisseurs d’enrichissement et par les tokens de modèle, pas par le nombre d’étapes de workflow exécutées — l’inverse de l’intuition que la plupart des équipes rapportent des outils facturés à la ligne. Budgétez par volume de données et par choix de modèle, pas par complexité de workflow.

Idéal pour

Les GTM engineers et les responsables RevOps des entreprises de Série A à C disposant d’au moins une personne qui écrit du TypeScript, et dont l’orchestration a dépassé le format tableur. C’est le bon choix précisément quand la même logique d’enrichissement ou de scoring doit être appelable depuis un play planifié, un agent, votre API et un terminal — et que vous la voulez dans git, avec un diff et une revue.

Passez votre chemin si personne dans l’équipe revenue ne peut relire une pull request TypeScript, si votre travail consiste à construire des listes plutôt qu’à orchestrer en continu, ou s’il vous faut un écosystème de partenaires certifiés derrière la plateforme.

Face aux alternatives

Clay est l’outil dominant du segment et le choix par défaut honnête pour la plupart des équipes : prenez Clay quand le travail a une forme de tableur — construire une liste, l’enrichir, la pousser — et que ceux qui le font ne sont pas des ingénieurs. n8n et Zapier sont les moteurs de workflow généralistes : prenez l’un ou l’autre quand l’automatisation n’est pas spécifique au GTM et que vous n’avez pas besoin d’un modèle de données revenue ni d’une logique de territoires en dessous. Unify est le nouvel entrant qui croît le plus vite ici et le substitut le plus proche en résultat : prenez Unify quand vous voulez le chemin du signal à la séquence tout emballé et opérationnel ce mois-ci, et Cargo quand vous voulez posséder le graphe et êtes prêt à le construire.

Points de vigilance

• Le CDK est le produit, et il est en TypeScript. Une équipe qui reste dans l’interface graphique achète un constructeur de workflows de milieu de gamme et paie une plateforme de code. Garde-fou : avant de signer, nommez la personne propriétaire du repo du workspace. Si personne ne peut relire une pull request TypeScript, tournez un trimestre dans l’interface et considérez le CDK comme non acheté au moment d’évaluer le renouvellement.
• La prévision des crédits est la partie difficile, et les tarifs publics vont vous induire en erreur. Les coûts par intégration et les tarifs par token de chaque modèle bougent avec le catalogue de chaque fournisseur : la source qui fait foi est donc le CLI, pas la page de tarifs. Garde-fou : pendant l’essai, lancez cargo-ai connection integration get <name> pour chaque fournisseur d’enrichissement et de modèle que vous comptez utiliser, lancez un play à la taille de lot réelle, puis lisez cargo-ai billing usage — et dimensionnez votre palier sur ce chiffre plutôt que sur le tarif du curseur.
• Les crédits sont remis à zéro à chaque période et le dépassement n’existe qu’en Enterprise. Un play qui boucle sur un filtre mal réglé peut brûler l’allocation d’un mois, et en dessous d’Enterprise vos workflows s’arrêtent au lieu de déborder. Garde-fou : activez l’auto-topup sur tout ce qui touche au client, et plafonnez la taille de lot de chaque nouveau play tant que vous n’avez pas observé une exécution complète dans la table des spans.
• Petit fournisseur, petite équipe. YC S23 et $19.4M levés, face à un leader de segment bien mieux capitalisé. Garde-fou : gardez le système de référence dans votre CRM ou votre warehouse plutôt que dans les modèles de données Cargo, conservez le TypeScript du workspace dans un repo que vous contrôlez, et vérifiez pendant l’essai qu’un workspace neuf peut être reconstruit depuis ce repo avec cargo-ai cdk deploy.