L'analyse critique du Magic Quadrant Gartner 2024 pour les solutions de planification de la supply chain, avril 2025

Par Léon Levinas-Ménard

Dernière modification : 5 avril 2025

Introduction

La 2024 Gartner Magic Quadrant (MQ) pour les solutions de planification de la supply chain prétend cartographier les principaux fournisseurs de logiciels selon la « Complétude de la Vision » et la « Capacité d’Exécution », un format qui véhicule une illusion d’objectivité. En pratique, toutefois, ce MQ nous renseigne davantage sur les propres incitations de Gartner et le bagage légué de l’industrie que sur un véritable mérite technique. Cette analyse critique adopte un regard véridique et sceptique derrière le quadrant glamoureux. Nous analysons la méthodologie et la structure du MQ, exposant des défauts systémiques – depuis la dynamique du pay-to-play qui fausse les classements, jusqu’à une surreprésentation des « dinosaures » vieux de plusieurs décennies. Nous examinons de près le quadrant des Leaders, dénonçant les prétentions marketing vagues (chiffres de ROI gonflés, promesses magiques d’AI/ML sans aucun détail technique, automatisation en « boîte noire »), et mettons en lumière des contradictions internes dans les récits des fournisseurs (par exemple, se targuant de planification en temps réel tout en prétendant optimiser des assortiments massifs – une combinaison incompatible d’un point de vue computationnel dans le calcul en conditions réelles). Tout au long, nous nous appuyons sur un raisonnement technique approfondi et des analyses indépendantes (y compris la recherche Lokad 2021–2025) pour percer le battage médiatique. Nous mettons également en avant ce que le MQ omet – notamment les échecs fréquents d’implémentation de ces mêmes solutions, et l’absence de fournisseurs perturbateurs et scientifiquement rigoureux qui choisissent de ne pas jouer selon les règles de Gartner. L’objectif est une analyse exhaustive et sceptique qui remet en question la vision de Gartner sur le panorama des logiciels de planification de la supply chain et dote les lecteurs des moyens de voir à travers la simplicité rassurante mais trompeuse du quadrant.

La méthodologie du Magic Quadrant : Structure, biais et pay-to-play

Le MQ de Gartner est présenté comme une évaluation impartiale : un graphique soigné à deux axes, « Capacité d’Exécution » (axe y) et « Complétude de la Vision » (axe x). En théorie, un fournisseur situé dans le convoité quadrant supérieur droit des « Leaders » possède à la fois une exécution solide et une vision convaincante. Pourtant, le processus derrière ces classements est loin d’être neutre. Dans les propres descriptions de Gartner, les critères incluent des éléments tels que les capacités du produit, l’expérience client, la réactivité du marché, la stratégie, etc. – des facteurs fortement qualitatifs qui offrent une grande latitude aux analystes. Il est de notoriété publique dans le monde des logiciels d’entreprise que les grandes firmes d’analystes comme Gartner fonctionnent selon un modèle « pay-to-play », et que leurs approbations reflètent souvent les relations avec les fournisseurs plutôt que l’excellence des produits ¹. Comme le dit brutalement une FAQ de Lokad, « les fournisseurs qui choisissent de ne pas s’engager dans des interactions payantes substantielles avec Gartner se retrouvent généralement relégués à des positions moins favorables voire entièrement omis. » Le résultat est que les Magic Quadrants tendent à fonctionner comme des infopublicités pour ceux qui paient, plutôt que comme des évaluations rigoureuses – de nombreux dirigeants considèrent ces classements « avec la même crédibilité qu’ils accorderaient à des horoscopes de circonstance » ².

Ce biais systémique n’est pas seulement une accusation de la part des concurrents ; il se reflète dans la manière dont Gartner mène ses affaires. Les fournisseurs investissent massivement dans les relations avec les analystes – en achetant des services de recherche Gartner, en informant les analystes, en acquérant des droits de réimpression – sachant pertinemment que leur position dans le MQ peut s’améliorer avec un engagement accru. Gartner, bien entendu, nie tout quid pro quo, mais même si les analystes individuels s’efforcent d’être objectifs, le conflit d’intérêts est inévitable. Comme l’a observé Joannes Vermorel, il y a une « prétention à la neutralité » dans ces évaluations des fournisseurs, mais en réalité « les conflits d’intérêts sont si importants que vous n’obtenez pas la neutralité ; ce que vous obtenez, c’est du pay-to-win. » ³ ⁴ Aucun code de conduite ou pare-feu analytique ne peut éliminer entièrement les pressions subtiles ; comme le note Vermorel, même les personnes bien intentionnées font preuve de biais inconscients lorsque des intérêts commerciaux significatifs sont en jeu ⁵ ⁶. Dans le contexte du MQ, cela signifie que les grands fournisseurs disposant de gros budgets marketing et d’abonnements à Gartner sont systématiquement favorisés. L’absence d’analyse véritablement indépendante est intégrée dans le modèle – les revenus de Gartner proviennent justement des entreprises qui sont « objectivement » classées.

Vision vs. Exécution – Qui définit le succès ?

Les deux axes du MQ mesurent ostensiblement la « Vision » et l’« Exécution » d’un fournisseur, mais ces concepts sont nébuleux. Qu’est-ce qui compte comme une vision audacieuse dans les logiciels de planification de la supply chain ? Dans de nombreux cas, c’est ce que les analystes de Gartner entendent lors des briefings fournisseurs et à travers les mots à la mode du marché. Par exemple, avoir tous les acronymes tendance sur votre feuille de route (AI/ML, digital twin, real-time IBS, etc.) fera cocher la case Vision, que votre produit tienne réellement ses promesses ou non. Inversement, un fournisseur proposant une approche véritablement nouvelle pourrait être pénalisé s’il ne correspond pas au modèle préconçu par Gartner de « ce à quoi la réussite ressemble ». La Capacité d’Exécution se résume souvent à la taille : nombre de clients, présence mondiale, réseau de partenaires d’implémentation – essentiellement un indicateur de la portée marketing et de l’exécution des ventes en entreprise, et non des résultats réellement réussis. Cela fausse le MQ au détriment des entreprises plus petites et innovantes technologiquement (qui pourraient avoir de meilleurs algorithmes mais moins de grandes références) et en faveur des incumbents qui disposent de grandes bases installées même si leurs implémentations sont souvent décevantes.

Il est crucial de noter que la notation de Gartner ne prend pas en compte le taux de succès réel des déploiements de manière transparente. Un fournisseur qui vend 100 exemplaires de son logiciel et enregistre 80 échecs sur 100 obtiendra tout de même un score élevé en « Capacité d’Exécution » simplement grâce aux ventes et à sa présence, alors qu’un fournisseur qui vend 10 exemplaires et réussit 10 sur 10 pourrait être considéré comme ayant une exécution moins performante. La méthodologie du MQ pénalise donc la qualité au profit de la quantité. Il est révélateur que les analystes même de Gartner ont admis que l’adoption par les utilisateurs de ces solutions de planification est d’un niveau abyssal. Lors du Supply Chain Planning Summit 2024, Pia Orup Lund de Gartner a partagé qu’en moyenne seulement 32% des planificateurs d’une organisation typique ont effectivement migré vers le nouvel outil de planification qui a été mis en place – un taux d’adoption étonnamment bas compte tenu des projets de plusieurs millions de dollars ⁷. En d’autres termes, deux tiers des déploiements soi-disant réussis ne parviennent pas à convaincre les utilisateurs, devenant de la simple marchandise sur les étagères. Pourtant, de tels résultats épinglent à peine la position d’un fournisseur dans le Magic Quadrant, puisque l’évaluation de Gartner passe sous silence ces échecs. L’axe « Capacité d’Exécution » n’est pas une mesure de la création de valeur, mais en grande partie une mesure de la pénétration du marché et de l’endurance du fournisseur. Cela remet en question la pertinence du quadrant des Leaders : une exécution de nom seulement, et non en réalité.

La fausse objectivité du Quadrant

Le format même du MQ – un graphique en quadrant – donne une impression d’analyse scientifique, comme si les fournisseurs étaient mesurés avec précision et tracés sur un graphique cartésien. Cela est trompeur. Contrairement à un nuage de points basé sur des données, les positions dans un Magic Quadrant résultent de discussions à huis clos, de grilles de notation pondérées que Gartner ne divulgue pas entièrement, et en fin de compte d’un jugement subjectif. La simplicité visuelle (celui qui se trouve en haut à droite versus en bas à gauche) masque une multitude de choix subjectifs. Elle force également une comparaison uniforme qui ignore le contexte : un « Leader » pour un type d’entreprise pourrait être un choix terrible pour les besoins d’une autre, et pourtant le MQ présentera toujours l’un comme étant universellement meilleur. En condensant des produits aux facettes multiples en un seul point, la nuance se perd. Par exemple, un fournisseur pourrait avoir une excellente solution pour prévision des séries temporelles mais une solution médiocre pour planification de la production – comment refléter cela en un seul point X–Y ? La réponse de Gartner consiste effectivement à faire une moyenne et à la pondérer selon les critères qu’ils affectionnent cette année. Le résultat est un estompage des distinctions qui peut induire les lecteurs en erreur en leur faisant croire que les différences sont simplement progressives. Le format du quadrant encourage une interprétation simpliste : « le haut à droite est le meilleur, le bas à gauche est le pire, » contournant le travail ardu de compréhension des compromis et des capacités spécifiques. Comme l’a plaisanté Vermorel, « Les Magic Quadrants sont, comme leur nom l’indique, de la superstition à leur meilleur, et de la fausse science à leur pire. » ⁸ La formulation sévère souligne que le graphique du quadrant est plus un spectacle marketing qu’une recherche rigoureuse.

Les fournisseurs traditionnels dominant le quadrant des Leaders

En examinant le MQ 2024 pour la planification de la supply chain, on ne peut s’empêcher de constater que le quadrant des Leaders est en réalité un club d’anciens élèves de fournisseurs traditionnels. Kinaxis, Blue Yonder, Oracle, OMP, Logility – ces entreprises (ou leurs noms prédécesseurs) existent depuis des décennies. Kinaxis a été fondée dans les années 1980 (sous le nom de WebPlan), Blue Yonder remonte à 1985 (en tant que JDA Software), OMP aux années 1970, Logility aux années 1990, et Oracle est aussi ancien que l’informatique moderne. Leur présence continue au sommet pourrait indiquer une excellence durable – ou cela pourrait indiquer que les critères de Gartner favorisent intrinsèquement l’échelle et la longévité. L’Histoire suggère cette dernière option. Ces incumbents ont acquis leur notoriété souvent non pas uniquement grâce à une technologie supérieure, mais par des acquisitions agressives et l’expansion de leurs portefeuilles. Blue Yonder en est un exemple : c’est « le résultat d’une longue série d’opérations de fusions et acquisitions », donnant lieu à « une collection décousue de produits, pour la plupart datés » sous une même marque ⁹. Le MQ de Gartner liste toujours Blue Yonder parmi les Leaders avec une « architecture microservices complète » et une suite end-to-end, masquant la réalité que la majeure partie de cette suite est assemblée à partir d’outils plus anciens. Les logiciels d’entreprise ne s’unifient pas magiquement par le biais de fusions et acquisitions ; l’intégration est difficile, et l’architecture de Blue Yonder montre ses failles. L’étude de Lokad sur les fournisseurs a noté que Blue Yonder « met en avant l’AI » dans sa communication, mais les « prétentions sont vagues et manquent de substance ». En fait, les quelques indices provenant des documents techniques publics de Blue Yonder (par exemple, certains projets open-source) « suggèrent des approches d’avant 2000 » comme des modèles ARMA de prévision basiques ¹⁰. Ainsi, nous avons un Leader qui vante l’« AI » tout en utilisant probablement des techniques de prévision vieilles de plus de 20 ans sous le capot. Cela soulève une question difficile : Blue Yonder est-il un Leader en raison de son mérite technique, ou en raison de son élan hérité ? Le rapport de Gartner ne pose pas la question, mais une revue sceptique doit le faire.

Kinaxis et Oracle sont également des exemples instructifs. Kinaxis, célébré pour sa plateforme RapidResponse, est en effet un pionnier en quelque sorte – il a introduit la « planification concurrente » rapide en mémoire bien avant de nombreux concurrents, et il reste très populaire pour le Sales & Ops Planning. Mais lui aussi est un acteur traditionnel en cours de modernisation. Historiquement, Kinaxis n’offrait pas de prévisions statistiques avancées ou de ML dans son noyau ; les utilisateurs devaient importer des prévisions ou utiliser des méthodes simples. Il y a quelques années, Kinaxis a reconnu cette lacune et a commencé à intégrer des outils probabilistes via des acquisitions/partenariats (par exemple, l’acquisition de Rubikloud pour l’AI forecasting, un partenariat avec Wahupa pour l’optimisation de stocks) ¹¹ ¹². Ce sont des démarches positives, mais en réalité Kinaxis est en train de rattraper le retard en capacités AI/ML que d’autres possédaient déjà, et ce, en intégrant des modules séparés. Cela soulève des questions de cohérence technologique – les nouvelles fonctionnalités de Kinaxis sont des modules complémentaires qui « soulèvent des questions de cohérence de la pile technologique » ¹². Il reste à voir si ces modules probabilistes sont profondément intégrés ou simplement de superflues extensions marketing. Dans le récit du MQ, Kinaxis est classé en tête en raison de sa « Capacité d’Exécution » et d’une décennie de succès, mais un audit technique approfondi montre une architecture déterministe héritée évoluant vers un hybride. Sans oublier que l’approche en mémoire qui confère à Kinaxis sa rapidité impose également des limites – les déploiements de grande envergure font face à des « coûts matériels élevés et à des limites de scalabilité à mesure que les données augmentent (les grands déploiements nécessitent une RAM massive) » ¹³. Cette nuance manque dans l’évaluation de l’« exécution » par Gartner. Un planificateur lisant le MQ pourrait penser que Kinaxis est un choix sûr grâce à son statut de Leader, sans réaliser que si leurs données de supply chain sont énormes, ils pourraient rencontrer des problèmes de coût/performance ou nécessiter d’importants investissements matériels pour utiliser les simulations en temps réel de Kinaxis. Ces réalités apparaissent rarement dans le rapport de Gartner.

L’inclusion d’Oracle en tant que Leader en 2024 est un autre signe de l’héritage. La solution SCP d’Oracle fait partie de sa vaste suite Cloud SCM. Gartner salue « la vision d’une architecture composable » d’Oracle et sa capacité à « planifier à tout niveau de détail » ¹⁴. Mais cela ressemble à une brochure – la planification à « tout niveau de détail » semble idéale, sauf que les praticiens expérimentés savent que planifier avec une granularité extrêmement fine (par exemple, au niveau SKU-magasin avec des contraintes complexes) ne sera ni instantané ni même réalisable si l’on entend réellement « tout » détail. Il y a un compromis computationnel : soit on agrège pour planifier rapidement, soit on prend plus de temps (ou plus de puissance de calcul) pour planifier en détail. Oracle, comme les autres, sous-entend effectivement qu’il peut résoudre l’impossible. Peut-être que leur cloud peut traiter plus que les systèmes plus anciens, mais l’affirmation d’une granularité complète sans conséquence défie la crédulité. Cela reflète une tendance générale : les fournisseurs traditionnels se rebrandant en tant que « cloud AI platforms » mais qui, en coulisses, luttent toujours contre des limitations. Oracle a acquis de nombreuses entreprises au fil des ans (Demantra pour la planification de la demande, G-Log, etc.) et les a intégrées pour constituer sa suite. Il faut reconnaître le mérite : Oracle a investi dans la modernisation, mais encore une fois, le résumé du MQ ne mentionnera pas combien d’années et d’heures de conseil il pourrait réellement falloir pour concrétiser cette vision « composable » dans un déploiement client.

Il est également notable quels fournisseurs historiques n’apparaissent pas dans les Leaders du MQ, voire pas du tout. SAP, par exemple, n’est qu’un Challenger en 2024 (bien qu’étant le mastodonte ERP avec un produit SCP, IBP). Infor – un autre grand acteur ERP qui avait acquis des sociétés telles que Mercia et Predictix pour la planification – est complètement absent du MQ 2024. Pourquoi ? Éventuellement parce que le focus d’Infor a changé (ou qu’il a choisi de ne pas participer à l’évaluation de Gartner). L’étude des fournisseurs menée par Lokad a signalé qu’Infor avait acquis Predictix (un spécialiste de la prévision AI) en 2016, mais “l’angle de la prévision est resté un citoyen de seconde zone” au sein de la suite d’Infor ¹⁵. Les techniques supposément avancées de ML de Predictix ont été “dépriorisées” et il est “douteux que ces méthodes surpassent les modèles de prévision d’avant 2000”, avec les “affirmations AI” d’Infor jugées douteuses également ¹⁶. En bref, l’innovation en planification d’Infor a pété les plombs, si bien qu’ils ne figurent pas dans le MQ. Cela constitue en fait un point en faveur de l’intégrité de Gartner – ils n’ont pas hésité à écarter un grand nom quand celui-ci a dérapé. Mais cela souligne également comment les acquisitions peuvent ne mener à rien : acheter des startups AI ne garantit pas le leadership si l’entreprise centrale ne peut pas intégrer et exécuter. L’ironie est que ceux qui restent dans le quadrant des Leaders ont des historiques également marqués par de nombreuses acquisitions (Blue Yonder avec JDA/i2/Manugistics, Logility ayant acquis Garvis et Starboard ces dernières années ¹⁷ ¹⁸, Kinaxis avec Rubikloud, etc.), pourtant Gartner continue de leur accorder le bénéfice du doute. La sur-représentation des fournisseurs historiques suggère que la part de marché passée et la relation avec Gartner priment souvent sur l’excellence technique actuelle.

Hype vs. Réalité : réclamations douteuses dans le quadrant des Leaders

La poudre aux yeux marketing dans la planification de supply chain est légendaire, et les descriptions du MQ reflètent souvent des affirmations des fournisseurs qui suscitent un scepticisme extrême. Un schéma récurrent chez les Leaders est de se vanter d’un ROI stratosphérique et de résultats transformateurs – généralement sans preuve concrète. Par exemple, de nombreux fournisseurs vantent des chiffres tels que “30% réduction des stocks, 98% taux de service, 90% amélioration de la productivité” après la mise en œuvre de leur solution. ToolsGroup, aujourd’hui un Niche Player mais historiquement souvent cité par les analystes, a annoncé des résultats tels que “disponibilité produit de 90+%, stocks réduits de 20-30%, charge de travail réduite de 40-90%.” Bien que ces chiffres aient vraisemblablement été atteints pour un client quelque part, ils semblent trop beaux pour être vrais en combinaison. Une analyse de Lokad a averti que ces statistiques sont généralement choisies sur le volet : “probablement issues de différents clients, chacun atteignant l’un de ces sommets, et non d’un seul client les atteignant tous simultanément” – personne ne devrait s’attendre à tous ces gains en même temps ¹⁹. La réalité implique des compromis ; vous pourriez réduire vos stocks de 20% mais le taux de service pourrait alors baisser, ou inversement. Le MQ, cependant, inclut rarement de telles mises en garde lorsqu’il loue la “capacité à délivrer de la valeur” d’un Leader. Il tend à faire écho aux histoires de succès fournies par le fournisseur. Le résultat est une inflation des attentes. Un cadre supply chain lisant à propos de Kinaxis ou de Blue Yonder dans le MQ pourrait penser que ces outils vont automatiquement résoudre les problèmes et générer un ROI rapide, alors qu’en réalité la mise en œuvre pourrait rencontrer des difficultés et les gains, le cas échéant, ne surviendraient qu’après de longues démarches de gestion du changement.

Un autre domaine de battage médiatique concerne la précision des prévisions et l’AI. Chaque fournisseur revendique désormais une forme de “prévision alimentée par AI” qui améliorera considérablement les prévisions de la demande. Pourtant, les détails font presque toujours défaut. Les présentations de Blue Yonder et de Logility mentionnent AI/ML, Kinaxis évoque “Planning AI”, etc., mais le résumé de Gartner n’insiste pas sur les détails de comment leur AI est différente ou prouvée. Un exemple frappant est le concept de “demand sensing” – un mot à la mode désignant l’utilisation de données très récentes pour ajuster les prévisions. ToolsGroup a utilisé ce terme, tout comme d’autres. Cependant, comme l’a noté la recherche de Lokad, “les affirmations concernant le ‘demand sensing’ ne sont pas étayées par la littérature scientifique.” ²⁰ C’est fondamentalement un terme marketing ; il y a peu de preuves que ce que les fournisseurs appellent demand sensing fournisse systématiquement de meilleures prévisions au-delà de ce que de bonnes statistiques à court terme peuvent offrir. De même, un fournisseur (John Galt Solutions, un Challenger) se vante qu’un algorithme propriétaire “Procast” est plus précis que ceux de la concurrence, mais ne fournit aucune preuve publique – en fait, il est révélateur que cet algorithme était absent des premiers rangs de la compétition M5 de prévision, où les méthodes open-source excellaient ²¹. Très probablement, l’astuce secrète de John Galt n’est pas de battre des outils comme Prophet de Facebook ou les packages R de Hyndman en termes de pure précision, mais la description dans le MQ ne le révélerait pas. Il faut des recherches indépendantes pour découvrir ces éléments. L’axe Vision du MQ tend à récompenser les fournisseurs pour leur bel art du discours sur l’AI et l’analytics, indépendamment du fait que leurs approches soient réellement innovantes ou statistiquement solides. Prenez o9 Solutions : l’année dernière (2023) Gartner avait placé o9 dans le quadrant des Leaders, en partie grâce à son battage médiatique en tant que plateforme “digital brain”. En 2024, o9 est passé à Visionary. Qu’est-ce qui a changé ? Possiblement Gartner a-t-il réalisé que certaines des grandes affirmations d’o9 étaient non prouvées. L’inspection d’o9 par Lokad a révélé que “bon nombre de ses [AI] affirmations (par exemple, que son knowledge graph améliore de manière unique les prévisions) sont douteuses sans fondement scientifique” ²². En effet, l’analyse des composants technologiques visibles publiquement d’o9 a montré pour la plupart des techniques standards, “rien de fondamentalement nouveau pour justifier le grand label ‘AI’” ²². C’est une histoire commune : le marketing dépasse la réalité. Gartner, à son crédit, finit par ajuster (comme avec o9), mais seulement après avoir initialement amplifié une partie de ce battage médiatique en positionnant le fournisseur comme Leader. Ce revirement souligne également à quel point le MQ est subjectif – un visionnaire une année, un leader l’année suivante, puis de nouveau visionnaire – ce qui n’inspire pas confiance dans un processus stable et basé sur des critères.

Une des affirmations les plus trompeuses diffusées par les fournisseurs Leaders est l’idée de la “planification en temps réel, de bout en bout”. Cette formulation suggère que vous pouvez disposer d’un plan véritablement synchronisé à la minute près sur l’ensemble de votre supply chain, se réajustant peut-être automatiquement en temps réel. Kinaxis et Blue Yonder ont tous deux utilisé un langage autour de la planification concurrente ou continue ; le texte de Gartner pour Oracle met en avant une “planification à n’importe quel niveau de détail” et Kinaxis est salué pour son automatisation et son alignement. La contradiction réside dans le compromis entre l’échelle et la vitesse. Pour les grandes entreprises, “n’importe quel niveau de détail” peut signifier des millions de combinaisons SKU-emplacement, des contraintes multi-niveaux complexes, la saisonnalité, etc. Réaliser un plan optimal, même quotidiennement, pour une telle envergure représente un défi computationnel colossal. Le faire en temps réel (mise à jour en moins d’une seconde ou instantanée à chaque changement de données) est pratiquement impossible avec les algorithmes et le matériel actuels, à moins de sacrifier le détail ou l’optimalité. Kinaxis y parvient en utilisant une architecture en mémoire pour recalculer rapidement, mais même eux ont des limites (nécessitant une RAM énorme et simplifiant certains calculs) ¹³. La plateforme “Luminate” de Blue Yonder évoque un moteur AI et utilise peut-être des heuristiques pour des ajustements rapides plutôt qu’une réoptimisation complète. Les descriptions du MQ ne reconnaissent pas ces réalités techniques. Elles laissent le choix aux fournisseurs de faire les deux : revendiquer une analyse complète et granulaire et une réponse instantanée. Un regard critique devrait remarquer cela comme un double discours marketing. Par exemple, si un fournisseur prétend gérer la “planification en temps réel” et aussi la “planification basée sur les attributs à des niveaux de granularité très élevés” (comme Gartner l’indique également pour certains Visionaries) ²³ ²⁴, on devrait se demander : comment maintiennent-ils la vitesse en temps réel avec une telle granularité ? La réponse probable : ils ne le font pas, pas sans matériel puissant ou simplifications. L’équipe de Lokad a souligné que pousser l’enveloppe aux deux extrêmes échoue généralement – soit le système s’engorge, soit il abandonne silencieusement la granularité (par exemple, met à jour certains chiffres agrégés en temps réel, mais pas tout). Malheureusement, le MQ de Gartner ne presse pas les fournisseurs à résoudre ces contradictions. L’apparence d’une capacité de pointe est présentée, et il revient aux utilisateurs de découvrir plus tard que certaines combinaisons de promesses sont irréalisables.

“AI” en boîte noire et manque de transparence

Un autre point préoccupant concernant les fournisseurs du quadrant des Leaders est leur dépendance aux solutions en “boîte noire”. Beaucoup se vantent de l’automatisation pilotée par AI où le système prend des décisions avec une intervention humaine minimale. En théorie, c’est génial – qui ne voudrait pas d’un pilote automatique pour la supply chain ? – mais en pratique, si l’AI est une boîte noire, cela peut être dangereux. Les planificateurs disposent de décennies d’expérience avec des logiciels d’optimisation inexplicables ; ils tendent à ne pas leur faire confiance, ou bien ils génèrent des recommandations étranges difficiles à déboguer. Blue Yonder, par exemple, s’est fortement tourné vers l’AI depuis son rebranding (le nom même “Blue Yonder” provient d’une startup AI qu’elle a acquise). Cependant, peu de choses sont publiées sur le fonctionnement de leur AI, et les utilisateurs décrivent souvent la nécessité d’outrepasser ou d’ajuster manuellement les résultats. Léon Levinas-Ménard a noté que l’approche de Blue Yonder s’accompagne d’une “complexité AI en boîte noire”, une arme à double tranchant ²⁵. Elle peut être sophistiquée en interne, mais si elle est opaque, cela augmente la résistance des utilisateurs et le risque d’erreurs non détectées. L’évaluation de Gartner donne presque aucun aperçu à ce sujet. Un fournisseur pourrait avoir un modèle de machine learning fragile sous le capot, mais tant qu’il dispose de quelques clients de référence prêts à affirmer que cela les a aidés, Gartner le note favorablement. Il existe également un schéma général de manque de transparence technique : à quelques exceptions près, ces fournisseurs ne publient pas d’articles de recherche, ne participent pas à des compétitions d’algorithmes ouvertes (comme le mentionne l’absence de John Galt dans le M5, et de même aucun des grands Leaders n’a obtenu de bonnes positions dans de tels événements), et n’open-sourcent pas des parties significatives de leur logiciel. Ils misent sur la confiance et la notoriété de leur marque. Le Quadrant de Gartner perpétue cela parce qu’il n’exige pas de preuves au-delà des entretiens clients et des démonstrations. Il est révélateur qu’un fournisseur comme ToolsGroup, qui historiquement avait une approche plus analytique, en boîte blanche (avec son célèbre moteur d’optimisation SO99+), a ressenti le besoin de rejoindre récemment la vague du battage médiatique autour de l’AI. ToolsGroup a commencé à qualifier tout de “AI-powered” et a introduit des prévisions probabilistes dans son marketing autour de 2018, mais l’a fait de manière maladroite – en faisant la promotion de prévisions probabilistes tout en se vantant des améliorations du MAPE ²⁶ ²⁷ (même si le MAPE, une métrique d’erreur, n’a aucun sens pour les prévisions probabilistes !). Ce type d’incohérence démontre une adoption dictée par le marketing de mots à la mode sans véritable compréhension. La critique de Lokad était sans détour : les affirmations d’AI de ToolsGroup étaient “douteuses” et leurs supports “laissaient entendre des modèles de prévision d’avant 2000” déguisés en nouveautés ²⁸. Si un fournisseur relativement technique comme ToolsGroup a succombé à l’inflation des buzzwords, on peut imaginer combien le marketing pur imprègne les portefeuilles d’entreprises davantage axées sur la vente.

Le rapport MQ de Gartner reconnaît occasionnellement quand quelque chose relève principalement de la vision. Par exemple, il note la “vision pour AI” d’un fournisseur comme un atout (par exemple, la “vision pour AI” supérieure à la moyenne de Logility est mentionnée après ses récentes acquisitions) ¹⁷ ¹⁸. Mais qualifier la “vision pour AI” d’atout signifie essentiellement qu’ils excellent à manier le discours sur l’AI. Ce n’est pas une fonctionnalité livrée – c’est un plan ou une aspiration. Louanger cela simultanément avec des capacités réelles brouille la frontière entre la réalité actuelle et la feuille de route future. Cela sert à nouveau les fournisseurs : cela récompense le slideware et les intentions annoncées. Un client pourrait signer avec un Leader en pensant qu’il achète une solution de planification alimentée par AI, entièrement automatisée et en temps réel, pour découvrir ensuite que bon nombre de ces capacités sont à un stade précoce, non prouvées ou nécessitent des projets séparés pour être mises en œuvre. Le format de Gartner ne distingue pas clairement entre une fonctionnalité prouvée et des fonctionnalités planifiées dans le graphique du MQ ; les deux sont intégrées dans la notation de “Complétude de la Vision”. Ainsi, le quadrant des Leaders tend à être rempli d’entreprises qui excellent à raconter une histoire captivante sur l’avenir de la supply chain (souvent en empruntant cette histoire aux tendances publiées par Gartner lui-même pour se faire bien voir), quelle que soit leur implication dans la réalisation effective de cet avenir.

Ignorer le laid : échecs omis et luttes persistantes

Un aspect remarquablement absent du quadrant brillant de Gartner est le revers de la médaille des logiciels d’entreprise : les projets ratés, les dépassements de coûts massifs et les implémentations mises de côté. La planification de supply chain, en particulier, a une longue histoire de déploiements ratés ou décevants – au point que de nombreux praticiens deviennent cyniques à l’égard de chaque nouvelle “solution” après avoir été brûlés à plusieurs reprises. Pourtant, si l’on lit le rapport MQ, on pourrait penser qu’il s’agit uniquement d’histoires de succès et de caractéristiques différenciatrices. Gartner recueille bien les retours clients dans le cadre de ses recherches MQ, mais il ne publie généralement qu’un résumé épuré des “Strengths” et des “Cautions” pour chaque fournisseur. Ces mises en garde sont habituellement formulées avec parcimonie (“certains clients mentionnent des difficultés d’ergonomie” ou “l’intégration peut être complexe”). Vous ne verrez pas d’énoncés directs tels que “Le fournisseur X a connu plusieurs échecs de projets au cours de la dernière année” dans un MQ. Ce genre de vérité, s’il émerge, transparaît par le bouche-à-oreille et les forums d’utilisateurs, et non de Gartner. Le résultat est une asymétrie d’information : un acheteur potentiel lisant le MQ pourrait ne pas savoir que, par exemple, un certain fournisseur Leader a la réputation de proposer des implémentations de 18 mois qui souvent ne se concrétisent jamais. L’omission par Gartner des taux d’échec rend un mauvais service à l’industrie, en peignant un tableau excessivement optimiste.

Considérez le “time to value” – un facteur absolument critique pour tout projet. Gartner a-t-il évalué combien de temps prend l’implémentation typique de chaque fournisseur, ou la fréquence à laquelle ils respectent les délais ? Si c’est le cas, cet aperçu n’est pas clairement reflété dans le quadrant. Nous savons, de manière anecdotique, que certains des grands fournisseurs de suites (comme les projets traditionnels de Blue Yonder ou de SAP) peuvent mettre des années à être déployés entièrement. Pendant ce temps, certains nouveaux acteurs SaaS pourraient se déployer en quelques mois. Pourtant, la capacité d’exécution du MQ n’aborde pas explicitement ce point. En fait, un fournisseur plus petit pourrait être écarté comme “non scalable for large projects” même s’il se déploie en réalité plus rapidement, simplement parce qu’il n’a pas encore mené autant de déploiements globaux. Un biais de succès s’installe également : Gartner s’adresse en grande partie aux clients de référence fournis par les fournisseurs, qui sont généralement les plus satisfaits. Les nombreux clients mécontents ou moins performants ne sont pas sollicités proactivement pour des interviews. Ainsi, l’échantillon est biaisé en faveur des cas de réussite.

The fréquence des implémentations ratées est l’éléphant dans la salle. Diverses études (y compris une de Gartner dans un contexte différent) ont cité des taux d’échec extrêmement élevés pour les initiatives de big tech – par exemple, Gartner a déclaré de manière célèbre que 85% des projets d’IA échouent, et une grande partie des projets technologiques supply chain n’atteignent pas leurs objectifs. Un résumé LinkedIn du Gartner SCP Summit 2024 a mentionné que, malgré la technologie moderne de planification, de nombreuses entreprises peinent encore et les planificateurs n’adoptent pas les outils ²⁹ ⁷. Quand seulement 32% d’adoption est la moyenne, cela signifie que la majorité des projets ne produisent pas l’impact escompté. Pourtant, le MQ n’intègre pas cette métrique dans les classements des fournisseurs. Le cas échéant, cela y est suggéré de manière oblique : un fournisseur avec une “Ability to Execute” plus faible pourrait être celui dont les clients se sont plaints de l’ergonomie ou de la complexité. Mais tout cela relève de l’art de lire dans les feuilles de thé. Le graphique du MQ lui-même, montrant quelques points plus bas sur l’échelle d’exécution, ne vous indique pas que “de nombreux clients n’ont pas réussi à mettre en production ce logiciel.” Il montre simplement un point dans la moitié inférieure, qui pourrait être interprété à tort comme signifiant que l’entreprise est petite ou autre, plutôt que comme un signal d’alerte sur des implémentations difficiles. Le récit de Gartner esquive ainsi la responsabilité : les fournisseurs ne sont pas véritablement tenus responsables des résultats sur le terrain, mais seulement de vendre et de présenter une belle feuille de route.

Pour un public de praticiens, c’est un défaut sérieux. Cela signifie que le MQ n’est pas un indicateur fiable de succès. Un “Leader” pourrait fort bien vous entraîner dans un bourbier de plusieurs années et de plusieurs millions de dollars si votre organisation n’est pas extrêmement préparée et alignée, et Gartner ne l’aurait pas signalé de manière aussi claire. À l’inverse, un fournisseur de niche ou visionnaire pourrait en réalité vous offrir un gain plus rapide, mais le faible classement de Gartner risquerait d’effrayer vos dirigeants au point de les dissuader de l’envisager. Cette dynamique explique pourquoi de nombreux leaders expérimentés en supply chain prennent le MQ avec des pincettes et se fient plutôt aux recommandations de pairs et aux évaluations indépendantes. Pour reprendre les mots de la FAQ de Lokad, “genuine due diligence is best served by examining proven results in live operational contexts”, plutôt que de se fier à un “sceau d’approbation d’une société de conseil pay-to-play” ³⁰. Le MQ fournit tout au plus une liste de départ de fournisseurs, mais doit absolument être complété par des recherches externes sur la façon dont ces fournisseurs se sont comportés dans des entreprises semblables à la vôtre.

Remettre en cause les Leaders de Gartner : études de cas sur une technologie décevante

Pour ancrer la critique, concentrons-nous sur deux des Leaders vantés de 2024 – Kinaxis and Blue Yonder – et examinons si leur positionnement en haut à droite est justifié par une substance technique ou contredit par des problèmes connus.

Kinaxis (Leader) – Planification Concurrente, mais en retard sur l’IA. Gartner positionne Kinaxis comme le Leader par excellence, louant sa « unified user experience » et son automatisation. La force de Kinaxis réside en effet dans son moteur de planification réactif : un modèle en mémoire qui propage rapidement les changements, vous permettant de réaliser des simulations de scénarios à la volée. Cela est très utile pour le S&OP et les analyses what-if. Cependant, Kinaxis n’offrait pas historiquement de prévisions avancées ou d’optimisation dès le départ. Sa planification était en grande partie basée sur des règles et déterministe, s’appuyant sur les planificateurs pour mettre en place la logique d’équilibrage offre/demande. Conscient des évolutions du secteur, Kinaxis a récemment ajouté des capacités de prévision probabiliste et d’optimisation de stocks – mais il l’a fait en acquérant ou en s’associant pour ces éléments (par exemple, le moteur Wahupa MEIO, la prévision AI Rubikloud) ¹¹ ³¹. Ces ajouts soulèvent des questions : sont-ils intégrés de manière transparente dans la plateforme RapidResponse, ou s’agit-il de modules externes bricolés ? Les premières indications suggèrent la seconde option – en effet, Kinaxis dispose désormais d’« apps » pour l’optimisation de stocks et la prévision ML qui se branchent sur son système. Ce n’est pas la même chose qu’un noyau analytique unifié développé en interne. De plus, l’aventure de Kinaxis dans l’IA est toute récente. Dès 2023, il a commencé à commercialiser « Planning.AI », ce qui indique qu’il sait qu’il doit jouer le jeu de l’IA, mais il a fait preuve de prudence dans son discours – peut-être parce qu’il sait que sa profondeur en IA/ML est encore en développement ³² ³³. L’analyse de Lokad a souligné que Kinaxis n’avait pas démontré publiquement sa maîtrise de la prévision probabiliste (aucune publication ni compétition), de sorte qu’il faut prendre sur parole son efficacité ³⁴. En bref, Kinaxis mérite absolument des éloges pour sa planification concurrente pionnière et ses nombreux clients satisfaits, mais d’un point de vue purement technique, il est bien loin d’être le plus avancé en analytique. Son architecture de base vieillit – dépendante de beaucoup de RAM et de CPU pour effectuer des calculs rapides par force brute – et il ne fait que maintenant moderniser son approche de prévision, que d’autres avaient adoptée des années auparavant. Des murmures dans les communautés d’utilisateurs indiquent que Kinaxis rencontre des difficultés lorsque les ensembles de données deviennent très volumineux ou lorsqu’il s’agit de planifier de manière détaillée au-delà de certains seuils (ce qui rejoint les préoccupations notées en matière de RAM et de scalabilité ¹³). Alors, Kinaxis est-il vraiment le « best of the best » en logiciel de planification supply chain en 2024 ? Ou est-ce simplement celui qui excelle en selling une vision de bout en bout et qui affiche un palmarès d’implémentations (quoique à un prix et des efforts considérables) ? Le MQ de Gartner le place catégoriquement en position n°1, mais un classement plus critique pourrait situer Kinaxis comme très performant en planification interactive, tout en étant moyen en prévisions algorithmiques. La notation sur un seul axe du MQ ne parvient pas à refléter correctement cette dichotomie. Ainsi, la position de Leader de Kinaxis – bien qu’acquise par son succès sur le marché – camoufle son départ tardif dans l’IA et les défis potentiels d’intégration à venir.

Blue Yonder (Leader) – Suite tout-en-un ou bazar hétéroclite ? La présence de Blue Yonder en tant que Leader semble presque acquise en raison de son long héritage (anciennement JDA). Gartner cite sa « Luminate Platform » et sa fonctionnalité complète, laissant entendre qu’il fait tout : planification de la demande, planification de l’offre, optimisation de stocks, programmation de production, etc., en plus de nouveautés comme l’analytique et les microservices. La promesse est une plateforme intégrée de bout en bout. La réalité rapportée par ceux qui connaissent le produit est différente. La suite de Blue Yonder est le résultat de nombreuses acquisitions sur plusieurs décennies : ils disposent de plusieurs moteurs de planification de la demande (l’ancien JDA contre le nouveau moteur Blue Yonder ML), de multiples modules de planification de l’offre et d’exécution, d’outils de réapprovisionnement pour les magasins provenant d’origines diverses, etc. Il a été difficile pour eux de véritablement unifier tout cela. L’étude de fournisseurs de Lokad a donné un avis cinglant : “under the BY banner lies a haphazard collection of products, most of them dated.” ⁹ L’intégration se fait davantage au niveau de l’interface utilisateur et du marketing que sur un plan technique approfondi. Par exemple, Blue Yonder peut offrir un portail commun, mais en coulisses, la planification de la demande pourrait s’effectuer à partir d’une base de code différente de celle de l’exécution ou de la programmation de la production. Du point de vue du client, cela peut signifier une expérience utilisateur incohérente et des maux de tête pour la synchronisation des données. Le rapport du MQ de Gartner ne mentionne rien de tout cela ; il présente Blue Yonder comme un cloud moderne et unifié (le terme “microservices architecture” est utilisé ³⁵, ce qui sonne très à la pointe). Le sceptique se demande : si Blue Yonder avait véritablement une réarchitecture unifiée basée sur des microservices, pourquoi a-t-il dû être acquis par Panasonic pour rester à flot, et pourquoi tant de ses clients de longue date utiliseraient-ils encore d’anciennes versions on‑premises des modules JDA ? La réponse est que la transformation est incomplète. Le marketing de Blue Yonder s’appuie désormais fortement sur l’IA, probablement en raison de l’influence de la petite Blue Yonder (startup allemande en IA) qu’ils ont acquise et dont ils ont ensuite repris le nom pour toute l’entreprise. Pourtant, comme indiqué, leurs revendications en matière d’IA sont floues. Lokad a relevé le manque de substance et le caractère assez conventionnel de leurs techniques connues ³⁶. Dans l’utilisation quotidienne, certains modules BY, comme la prévision de la demande, sont corrects, mais pas nécessairement meilleurs que des packages statistiques standards – et parfois moins performants, compte tenu des rapports de difficultés à faire en sorte que l’“AI” surpasse des références simples. Il y a également eu des défis d’implémentation de haut niveau : par exemple, de grands détaillants ayant tenté de mettre en œuvre la planification de la demande et de l’exécution de Blue Yonder ont rencontré des retards de plusieurs années et un succès partiel (ce qui n’est souvent pas rendu public, mais les initiés en connaissent quelques exemples). Le MQ de Gartner, bien sûr, ne mentionne aucun de ces cas. Blue Yonder reste parmi les Leaders, sans doute soutenu par l’étendue de son offre et sa présence globale (et oui, son engagement constant auprès de Gartner et sa présence dans les discussions avec les analystes). En remettant en cause le positionnement de Blue Yonder en tant que Leader, on pourrait dire : si l’arsenal d’un fournisseur est un mélange de technologies « vieillissantes » et que son IA n’est pas éprouvée, doit-il figurer en haut à droite ? Le MQ répond par l’affirmative, car ils peuvent exécuter (ils disposent de nombreux partenaires de service, ils peuvent soutenir de grands clients – ce qui est vrai) et ils ont une vision large (c’est-à-dire, une solution pour tout). Cela illustre le biais du MQ : la largeur et la présence sur le marché l’emportent sur la profondeur ou l’élégance. Une entreprise qui fait dix choses à moitié bien surpassera une entreprise qui en fait trois extrêmement bien. Blue Yonder fait de nombreuses choses, et certaines de manière discutable, mais c’est un Leader parce qu’il couvre tous les aspects et que personne n’a été licencié pour avoir acheté JDA (pour paraphraser l’ancien adage d’IBM). Cependant, les équipes supply chain devraient se méfier – une suite touche-à-tout peut être maître de rien, et intégrer de l’ancienne technologie sous une nouvelle interface peut créer plus de complexité qu’elle n’en résout. Le MQ ne prend pas en compte ce risque.

Ces études de cas renforcent la nécessité d’un regard sceptique. Les Leaders possèdent souvent des atouts (de nombreux clients, des listes complètes de fonctionnalités, de grandes équipes) mais aussi des bagages (anciens codes, échecs passés, discours marketing creux). Le format de Gartner ne prend principalement en compte que le premier aspect. Il revient à l’utilisateur de découvrir le second, ce que nous mettons ici en lumière.

Les Visionnaires et les Acteurs de niche : plus de signal ou du bruit ?

Bien que notre attention se porte en grande partie sur les Leaders et la méthodologie du MQ, un mot bref sur les autres quadrants : Visionnaires, Challengers et Acteurs de niche. Paradoxalement, certains des fournisseurs les plus intéressants se trouvent dans ces catégories – mais la nomenclature de Gartner peut également induire en erreur. Un “Visionnaire” en termes de MQ signifie une forte Complétude de Vision, mais une capacité d’exécution moindre. Autrement dit, « de bonnes idées, sans suffisamment de présence sur le marché/ressources. » En 2024, le quadrant des Visionnaires comprenait o9 Solutions, GAINSystems, E2open et Dassault Systèmes (DELMIA). Il s’agit d’un mélange d’acteurs relativement récents (o9, GAINS) et d’acteurs établis qui n’ont pas dominé ce segment (E2open, Dassault). Il est notable qu’o9 a été rétrogradé de Leader à Visionnaire ³⁷, ce que Gartner a expliqué en affirmant qu’o9 possédait toujours une vision forte (sans blague – ils font un marketing agressif avec des mots à la mode) mais qu’il avait peut-être des problèmes d’exécution ou que la concurrence l’avait rattrapé. E2open et Dassault disposent d’éléments technologiques intéressants (E2open se concentre largement sur le réseau supply chain ; Dassault possède Quintiq, qui est un puissant outil d’optimisation). Pourtant, aucun d’entre eux n’est parvenu au statut de Leader. Pourquoi ? Probablement parce qu’ils sont soit trop petits en part de marché SCP (GAINS est un fournisseur spécialisé plus modeste, Quintiq est souvent utilisé dans des scénarios de planification sur mesure, etc.), soit parce qu’ils ont reçu des retours clients mitigés. Il est important de noter que certains Visionnaires ou même Acteurs de niche pourraient être le bon choix pour certaines situations. Par exemple, GAINS (alias GAINSystems) est très apprécié pour sa maîtrise de l’optimisation de stocks et compte des clients très satisfaits dans certains secteurs – il n’est tout simplement pas aussi grand que les Leaders. Une entreprise dont le principal point sensible est l’optimisation de stocks pourrait tirer plus de valeur de GAINS que, par exemple, de la mise en œuvre de la suite complète d’Oracle. Mais la nature du MQ est de mettre en avant les Leaders. Les Visionnaires reçoivent un clin d’œil, mais de nombreux dirigeants qui le lisent penseront : “Ils ne sont pas des Leaders, donc ils sont de second rang.” C’est regrettable : dans certains cas, un Visionnaire est un Leader en puissance qui n’a tout simplement pas encore fait ses preuves sur le marché, ou un spécialiste de niche qui privilégie la profondeur à l’étendue. Gartner les reconnaît au moins, mais encore une fois, le format minimise leur stature.

Le quadrant des Acteurs de niche en 2024 est surpeuplé (Adexa, Coupa, ToolsGroup, Slimstock, AIMMS, Blue Ridge). Ce quadrant indique effectivement « vision plus faible, exécution plus faible » – une étiquette qui peut s’avérer fatale. Mais parmi les Acteurs de niche se trouvent aussi de nouveaux entrants et des spécialistes qui ne correspondent tout simplement pas à la définition large SCP de Gartner. AIMMS, par exemple, est un spécialiste de la modélisation supply chain (une boîte à outils d’optimisation), et Blue Ridge se concentre sur une planification centrée sur la distribution. Ils sont de niche par conception, répondant à des besoins particuliers, sans viser une solution de bout en bout. Leur positionnement n’implique pas nécessairement qu’ils soient médiocres ; cela signifie simplement qu’ils ne sont pas suffisamment larges ou importants aux yeux de Gartner. Le fait que ToolsGroup figure parmi les Acteurs de niche en tant que « nouvelle addition » ³⁸ est intéressant, car ToolsGroup était un fournisseur établi depuis des années – son absence antérieure pouvait s’expliquer par le fait qu’il ne participait pas. Maintenant, il est inclus, mais Gartner l’a classé en Niche, en saluant quelque peu sa vision pour gérer l’incertitude (probablement en référence à son approche probabiliste) ³⁹. On pourrait soutenir que ToolsGroup possède une vision plus authentique (avec son accent sur la prévision probabiliste dès il y a des années) que certains prétendus Visionnaires. Mais les critères de Gartner peuvent être singuliers. La présence de Coupa dans la catégorie Niche (après avoir auparavant figuré parmi les Challengers) montre à quelle vitesse les fortunes changent – Coupa a acquis LLamasoft (conception supply chain) et a lui-même été racheté, et apparemment son histoire SCP ne trouve pas d’écho ; d’où sa relégation dans le quadrant. Le fil conducteur est que les classements par quadrant accusent souvent un retard ou adoucissent les turbulences de l’industrie. Une entreprise peut être en difficulté ou en évolution dans la réalité, mais dans l’univers du MQ, elle bascule d’un quadrant ou demeure dans une catégorie qui ne reflète pas entièrement son potentiel ou ses problèmes. C’est une catégorisation grossière.

D’un point de vue critique, il faut considérer les acteurs Visionnaires/Niche non pas comme une “ignore list” mais comme des pépites potentiellement cachées ou tout au moins comme des sources de capacités spécifiques. Cependant, le texte de Gartner leur accorde souvent peu d’attention – quelques phrases pour chacun – comparé à l’attention consacrée aux Leaders. Cela reflète à nouveau le modèle économique de Gartner : leurs clients (les lecteurs des MQ, généralement de grandes entreprises) s’intéressent principalement aux “top vendors”, et Gartner s’y conforme. L’effet secondaire malheureux est que l’innovation en pâtit ; si les acteurs émergents ou plus spécialisés ne bénéficient pas de visibilité, les entreprises continuent d’alimenter les gros poissons, et le cycle se poursuit.

L’omission des disrupteurs: Where is Lokad (and Others)?

Peut-être que l’accusation la plus forte du Gartner MQ n’est pas celle des acteurs qu’il inclut, mais bien celle de ceux qu’il laisse de côté. Nulle part dans le quadrant 2024 ne voyons-nous des noms comme Lokad, alors même que Lokad est une entreprise de logiciels supply chain qui, selon de nombreuses mesures techniques, innove bien plus que la plupart des acteurs historiques du MQ. Certes, Lokad est plus petite et a adopté une approche non conventionnelle (en se concentrant sur la prévision probabiliste, un langage spécifique au domaine pour supply chain, et une philosophie de la Supply Chain Quantitative). Mais considérez le parcours de Lokad : elle a été pionnière de la prévision probabiliste il y a une décennie (bien avant Kinaxis et al.), et lors de la compétition M5 de prévision en 2020 (un benchmark mondial rassemblant des centaines d’équipes), la méthodologie de Lokad s’est classée #1 mondialement au niveau SKU (et #6 au total parmi 909 équipes) ⁴⁰ ⁴¹ – prouvant essentiellement ses algorithmes sur une scène ouverte. L’entreprise documente sa technologie de manière ouverte et enseigne même la science supply chain via des cours sur YouTube ⁴². Ce type de transparence et de réussite technique est rare. Selon des critères objectifs, un fournisseur comme celui-ci ne devrait-il pas au moins être qualifié de Visionary, voire de Challenger ? La raison de son absence est très simple : Lokad refuse de jouer au jeu Gartner. Lokad a publiquement déclaré qu’elle n’est pas abonnée à Gartner et n’investit pas dans les relations avec les analystes, se concentrant plutôt sur le développement de son produit et le service à la clientèle ⁴³. Par conséquent, les analystes de Gartner ont une exposition minimale à Lokad (et peut-être même un parti pris contre elle, puisqu’elle remet en cause leur récit). Les critères d’inclusion du MQ pourraient exiger qu’un fournisseur atteigne un certain chiffre d’affaires ou un nombre donné de clients, mais on soupçonne que même si Lokad remplissait ces conditions, sans payer Gartner, elle resterait ignorée ou sous-évaluée. Cette absence est un signe d’alerte quant à la complétude du MQ. Un quadrant qui prétend couvrir « les fournisseurs de solutions SCP les plus significatifs » et qui omet pourtant un acteur reconnu pour son excellence technique et son approche unique n’est clairement pas exhaustif. Et Lokad n’est pas la seule – d’autres acteurs axés sur l’analytics ou émergents (peut-être issus du milieu académique ou de l’open source, ou des spécialistes régionaux) n’y figurent pas non plus.

On pourrait soutenir que Gartner ne peut pas inclure tout le monde, et c’est juste. Mais l’omission d’un innovateur reconnu suggère un schéma : le MQ est intrinsèquement conservateur. Il accuse un retard dans la reconnaissance des changements de paradigme. Il est excellent pour cataloguer les fournisseurs établis et les améliorations incrémentales, mais médiocre pour repérer lorsqu’un nouvel entrant de moindre taille dispose d’une solution fondamentalement supérieure. Les clients de Gartner (les grandes entreprises) demandent souvent à Gartner d’évaluer uniquement les fournisseurs établis (« nous voulons voir comment se comportent les suspects habituels »). Ainsi, le MQ est autant le reflet des listes restreintes d’achats des grandes entreprises que le fruit d’une analyse. Il renforce un cercle vicieux : s’il n’est pas dans le MQ, beaucoup ne le considéreront pas. La stratégie de Lokad a été de contourner cela en prouvant directement sa valeur aux praticiens et par le biais des médias indépendants. Mais combien d’acheteurs potentiels ne connaîtront peut-être jamais Lokad parce qu’elle est absente des rapports de Gartner ? C’est pourquoi nous qualifions cela de biais pay-to-play – non pas dans le sens d’un pot-de-vin grossier, mais dans celui où les règles du jeu favorisent ceux qui participent à l’écosystème de Gartner.

D’un point de vue axé sur la recherche de la vérité, l’absence de fournisseurs techniquement solides mais disruptifs, tels que Lokad, dans le MQ devrait inciter les lecteurs à faire preuve de très grande prudence. Cela signifie que la vision du MQ sur la « complétude de la vision » pourrait en réalité être incomplète. Cela signifie également que, si votre objectif est de trouver la meilleure solution à votre problème supply chain, vous ne pouvez pas vous fier uniquement au MQ ; vous devez élargir vos recherches. Le MQ devrait peut-être être accompagné d’un avertissement : « Approches non traditionnelles ou anticonformistes non représentées. » En termes scientifiques, c’est comme si une revue de recherche excluait les études atypiques ayant abouti à des résultats révolutionnaires, simplement parce qu’elles n’avaient pas été publiées dans les revues habituelles. Un quadrant majeur prétendant cartographier l’innovation qui exclut l’un des rares fournisseurs reconnus pour une approche radicalement différente (la programmation probabiliste dans ce cas) est sans doute invalide en tant que carte de l’innovation. Il présente un gros angle mort.

Conclusion: Un Appel au Scepticisme et à une Analyse Approfondie

Le Gartner Magic Quadrant for Supply Chain Planning Solutions, édition 2024, se présente comme le guide définitif pour choisir un fournisseur de logiciels de planification. En réalité, il s’agit d’un instantané hautement subjectif, influencé par des considérations commerciales, qui doit être lu avec un scepticisme sain. Nous avons vu comment la structure du MQ – ses axes et ses visuels – cache de profonds biais : favoriser les grands fournisseurs historiques, récompenser le battage médiatique et les promesses excessivement larges, tout en négligeant des facteurs critiques tels que la réussite de la mise en œuvre et la profondeur technique. Le quadrant des Leaders, loin d’être une garantie de qualité, regroupe des fournisseurs aux lacunes bien connues, allant de la dépendance de Kinaxis à l’IA complémentaire à la plateforme patchwork de Blue Yonder, en passant par les revendications exagérées d’autres acteurs. La dynamique pay-to-play de Gartner et la nature « infomerciale » de certains Magic Quadrants signifient que les évaluations des fournisseurs peuvent être aussi corrélées à leur engagement envers Gartner qu’à l’excellence de leur produit ¹. L’accent excessif mis sur la vision (souvent synonyme de mots à la mode) et sur l’exécution (souvent synonyme de présence commerciale) crée un classement qui n’est que vaguement lié à ce qui conduit réellement au succès en planification supply chain – à savoir, une technologie solide, adaptée aux besoins de l’entreprise, mise en œuvre par des personnes compétentes et adoptée par ses utilisateurs.

Pour une entreprise à la recherche d’une solution de planification supply chain, le MQ peut constituer un point de départ – il recense de nombreux acteurs, et le rapport détaillé de Gartner (en dehors du graphique du quadrant) mentionne certaines forces et faiblesses. Mais il faut aller au-delà du quadrant. Considérez-le comme une donnée parmi d’autres, et examinez de manière critique ses affirmations. Demandez-vous : Qu’est-ce qui n’est pas dit ? Qu’est-ce qui pourrait être biaisé ? Enquêtez sur des revues indépendantes, interrogez de vrais utilisateurs (et pas seulement les références élogieuses), et envisagez de réaliser des projets pilotes ou des benchmarks. La maxime « trust but verify » s’applique fortement – ou peut-être « méfiez-vous jusqu’à vérification. » Comme nous l’avons souligné, même les analystes de Gartner reconnaissent à quel point il est difficile de mener ces projets à bien (avec des taux d’adoption étonnamment faibles dans de nombreux cas) ⁴⁴. Cette réalité devrait inciter à la prudence quant à toute notation flatteuse du quadrant.

En fin de compte, la plus grande valeur du Magic Quadrant réside peut-être dans sa capacité à susciter les bonnes questions plutôt qu’à apporter des réponses. Il peut vous alerter sur les grands acteurs et sur leurs prétentions. Mais il vous incombe de percer le battage médiatique. Si un fournisseur affirme proposer une « planification en temps réel pilotée par l’IA », mettez-le au défi d’expliquer concrètement comment cela fonctionne et comment il évite les écueils. Si un Leader n’a jamais publié ou prouvé sa technologie, ne vous fiez pas sur parole à Gartner – exigez des preuves. Et soyez conscient du biais de confirmation : une fois qu’un fournisseur est étiqueté comme Leader, nous avons tendance à rationaliser pourquoi il le mérite. Essayez l’inverse – imaginez qu’il ne figure pas dans le quadrant, le sélectionneriez-vous toujours ? Inversement, imaginez qu’un acteur de niche disposait de l’influence marketing d’un Leader, sa technologie vous semblerait-elle soudainement plus viable ?

Le MQ offre une simplification rassurante dans un domaine complexe, mais gérer une supply chain n’est pas aussi simple que de choisir le point le plus en haut à droite. En réalité, ce point pourrait vous induire en erreur et vous détourner d’une solution supérieure qui ne figure pas sur le graphique. Les professionnels avisés de la supply chain utiliseront donc le MQ de Gartner comme une référence légère, et non comme une bible. Ils comprendront pourquoi certains qualifient ces quadrants de « fake science » et se concentreront plutôt sur les principes fondamentaux et les preuves concrètes. Comme le conseille Joannes Vermorel, les études de cas réelles et les résultats prouvés devraient primer sur les évaluations payées ³⁰. En planification supply chain, ce qui importe, c’est de savoir si le logiciel permet d’améliorer le taux de service, les stocks, les coûts et l’agilité – et s’il peut être maintenu dans votre organisation. Cela ne découle pas d’un simple graphique x-y, mais bien d’une évaluation rigoureuse et peut-être d’un peu de réflexion antagoniste (pour tester les affirmations des fournisseurs face à des scénarios concrets).

En conclusion, le MQ 2024 de Gartner pour la planification supply chain, une fois dépouillé de son mystique, apparaît comme une représentation conservatrice et teintée de marketing du paysage des fournisseurs. Il met en avant les géants habituels (avec toutes leurs imperfections tus), saupoudre quelques plus petits, et omet certains véritables innovateurs. Une revue résolument axée sur la recherche de la vérité constate que l’empereur n’a que très peu de vêtements : le graphique du quadrant cache plus qu’il ne révèle. En faisant preuve de scepticisme et en exigeant une profondeur technique plutôt que de simples récits enjolivés, on peut éviter les écueils du quadrant. Il incombe à l’acheteur de voir au travers des limitations du quadrant – car une planification supply chain réussie repose sur la réalité, et non sur la magie. ² ⁴