Analyse d’Afresh, éditeur de logiciels de stock et de réapprovisionnement pour la distribution alimentaire

Par Léon Levinas-Ménard

Dernière mise à jour : 4 novembre 2026

Afresh fournit des logiciels de distribution alimentaire pour le réapprovisionnement des magasins, les comptages de stock, la production de plats préparés, la gestion des recettes et les achats des centres de distribution. Les employés des magasins utilisent ses applications pour vérifier les stocks et exécuter les commandes et tâches de production recommandées ; les acheteurs des centres de distribution s’en servent pour réapprovisionner les entrepôts et traiter les exceptions d’achat. Initialement développée pour les rayons frais, la plateforme a élargi sa couverture annoncée aux produits alimentaires emballés, aux surgelés, aux marchandises générales et aux produits de santé et de beauté en mars 2026. 1 2 3 4

Note globale : 6,0/10.

Dimension	Note
Profondeur de l’approche supply chain	6,4/10
Substance des décisions et de l’optimisation	6,8/10
Intégrité du produit et de l’architecture	5,0/10
Transparence technique	5,6/10
Sérieux de l’éditeur	6,0/10

Afresh dispose d’une base technique substantielle pour les stocks périssables : une fonction objectif de commande publiée, des modèles probabilistes de demande et de stock, et des explications sur la manière dont la durée de conservation modifie les décisions. Ses éléments de preuve les plus solides concernent les opérations des rayons frais. La promesse plus large d’optimiser l’économie de la distribution alimentaire reste moins établie, notamment lorsque les règles de présentation commerciale, les achats des entrepôts et le travail en magasin interagissent. Le logiciel peut améliorer une commande tout en laissant intacte la règle qui la rend non rentable. 5 6 10

Afresh publie suffisamment de détails d’ingénierie pour évaluer plusieurs mécanismes, et ses références clients font état d’un usage durable et d’améliorations opérationnelles. Les preuves publiques sont plus minces sur le coût total de possession, le confinement des incidents de sécurité et l’économie des fonctions les plus récentes pour les centres de distribution et l’ensemble du magasin.

Afresh face à Lokad

Afresh intègre les décisions de la distribution alimentaire à des applications pour les équipes des magasins et les acheteurs. L’approche de Lokad repose sur un système de décision maintenu dans la durée, qui évalue économiquement les actions réalisables sous incertitude et transmet les actions retenues aux systèmes opérationnels. Sa perspective de conception plus large est développée dans Introduction à la supply chain. La différence porte sur la responsabilité et le périmètre de la logique décisionnelle, plutôt que sur l’emploi ou non de prévisions probabilistes par l’un ou l’autre éditeur.

La politique ShrinkAware publiée par Afresh affecte des coûts à la détérioration, aux ventes perdues et à la détention des stocks. Son modèle de stock traite aussi le niveau de stock comme incertain. Ces éléments recoupent le service d’optimisation des stocks de Lokad, où les Supply Chain Scientists construisent et maintiennent la logique numérique de décision du client. 5 6

La distinction la plus délicate apparaît lorsqu’une hypothèse commerciale est fausse. Un minimum de présentation peut exiger davantage de stock qu’il ne pourra s’en vendre avant péremption. Un entrepôt peut améliorer ses propres chiffres d’écoulement en envoyant des marchandises vieillissantes aux magasins. Le système de décision concerné doit révéler et corriger ces incitations, et pas simplement calculer des commandes qui les respectent. La propre description de ces problèmes par Afresh fournit un test concret de la portée de son optimisation. 10

Pour une enseigne alimentaire, Afresh offre un savoir-faire largement prêt à l’emploi sur les comptoirs, les recettes, les rendements, les comptages et les préparations au fil de la journée. La proposition de Lokad met davantage l’accent sur l’adaptation et la maintenance du modèle économique entre décisions interdépendantes. La comparaison pratique consiste à déterminer quelle organisation produit les meilleures décisions exécutables, en comptant le travail continu des employés, acheteurs, responsables de présentation commerciale, ingénieurs et managers.

Historique : une continuité technique, puis une promesse d’IA élargie

Afresh a été fondé en 2017. Son annonce de financement de juillet 2020 décrivait déjà une plateforme de produits frais fondée sur l’IA et mettait en avant des améliorations des ventes, du gaspillage et des marges. Ces premières affirmations concernaient une application délimitée pour la distribution alimentaire ; les publications techniques ultérieures leur donnent plus de substance qu’un changement rétrospectif de vocabulaire. 12

En 2021, un article technique expliquait pourquoi une prévision ponctuelle précise ne suffit pas pour commander des produits périssables. Il développait un petit exemple de programmation dynamique, puis montrait comment le suivi de l’âge des produits fait exploser l’espace des états. L’article distinguait expressément ce tutoriel de la méthode utilisée en production. Les réductions simulées de coûts et de gaspillage étaient des résultats illustratifs, et non des résultats clients. 7

La séquence s’est poursuivie avec les commandes probabilistes d’ingrédients en 2022, la politique ShrinkAware en 2023, puis l’inférence des stocks et les prévisions de promotions en 2024. Chaque contribution abordait un problème identifiable de la distribution alimentaire et dévoilait une partie du mécanisme. Cette progression étaye une feuille de route technique cohérente : l’incertitude, la périssabilité et les observations imparfaites restent centrales d’un article à l’autre. 8 5 6 9

Les publications des clients confirment également la poursuite du déploiement. Le rapport de développement durable 2025 d’Albertsons indique qu’Afresh a été utilisé dans les rayons fruits et légumes, viande et produits de la mer en 2024. Cela confirme l’usage opérationnel indépendamment des supports commerciaux d’Afresh, même si le passage n’isole pas de retour financier attribuable au logiciel. 13

La nature des preuves change avec le lancement de Fresh Buying en novembre 2025. L’annonce décrivait des agents d’IA coordonnant les prévisions, le choix des fournisseurs, la constitution des chargements de camions et la résolution des incidents ; Wakefern était présenté comme un premier client dont le déploiement était prévu. L’extension de mars 2026 a ensuite élargi la proposition à tout le magasin. L’annonce de Grocery Outlet de juin portait sur le choix de la solution pour les commandes de l’ensemble du magasin. Ces annonces établissent l’orientation du produit et les engagements commerciaux ; les articles techniques publiés décrivent surtout des composants antérieurs des rayons frais. 14 4 20

La préoccupation historique est donc l’écart croissant entre les mécanismes démontrés et la couverture annoncée. Afresh mérite qu’on lui reconnaisse plusieurs années de travail d’ingénierie précis. Ses affirmations récentes sur les agents et la couverture de toute l’entreprise demandent une transparence équivalente sur le périmètre décisionnel déployé, les échecs et les résultats opérationnels nets.

Mécanismes de décision : des probabilités utiles, un périmètre économique incomplet

Une véritable fonction de coûts pour les périssables

ShrinkAware combine les coûts de détérioration, de ventes perdues et de détention des stocks. Il distingue le stock en rayon du stock en réserve et déclenche la pénalité de manque avant que les rayons soient entièrement vides. Ses auteurs expliquent également que l’effort d’estimation doit suivre la sensibilité de la décision : une petite erreur de durée de conservation importe bien davantage pour certains produits que pour d’autres. Afresh a annoncé une baisse supplémentaire de la démarque de 5–10 % par rapport à sa politique précédente après le lancement en 2023. L’article ne publie ni l’échantillon de déploiements ni une évaluation reproductible. 5

C’est un point de départ plus solide que d’optimiser la précision des prévisions en espérant que le stock résultant soit rentable. Toutefois, attribuer un coût à une présentation peu garnie ne suffit pas à établir le bon montant de ce coût. La pénalité peut traduire une perte de demande économiquement justifiée, ou une préférence de présentation commerciale qui surcharge systématiquement les rayons. La qualité de la décision dépend de la façon dont cette distinction est mesurée et maintenue.

L’incertitude du stock et la valeur d’un comptage

L’article InvHMM d’Afresh de 2024 modélise le stock réel comme un état caché et les comptages physiques comme des observations bruitées. Son filtre particulaire fait évoluer plusieurs trajectoires possibles du stock au fil des ventes, livraisons, démarques et péremptions, puis actualise leur plausibilité relative à l’arrivée des comptages. Afresh annonce une erreur quadratique moyenne inférieure de 10–40 % à celle de l’inventaire permanent sur un sous-ensemble de mesures fiables. 6

L’apport utile est le lien avec l’action. Si un comptage peut modifier sensiblement la prochaine commande, il a de la valeur ; si tous les niveaux de stock plausibles conduisent à ne rien commander, recompter apporte peu de bénéfice immédiat. L’échantillonnage seul est une technique numérique élémentaire. Choisir quelle incertitude mérite d’être levée peut supprimer du travail réel en magasin. La présentation publique fournit un mécanisme pour ce choix, tout en laissant largement inexplorée la calibration conjointe de plusieurs articles et événements d’approvisionnement. 6

Valider les prévisions avec un horizon opérationnel

L’article d’Afresh sur les prévisions de promotions décrit un réseau encodeur-décodeur utilisant les ventes, les prix, les identifiants de magasins et d’articles, les tailles de présentation et les types de promotions. Il évalue la demande sur trois jours et relie cet horizon à l’intervalle de commande et au délai de livraison. Un test d’ablation retire les données de promotion ; la dégradation obtenue est comparée au moyen de la perte quantile et de la calibration. La couverture annoncée de 77,5 % pour une prévision au 80e percentile, à un moment proche du début de la promotion, est un résultat de calibration, pas une affirmation de précision prévisionnelle de 77,5 %. 9

C’est nettement plus instructif qu’un titre annonçant une précision presque parfaite. L’agrégation choisie répond à un horizon de réapprovisionnement explicite, et l’incertitude reste visible. La question économique suivante est de savoir si la meilleure prévision modifie les commandes encore exécutables à temps, et quelle marge ces changements préservent. Une amélioration de la prévision après le premier jour de promotion peut être utile au réapprovisionnement ultérieur tout en arrivant trop tard pour l’allocation initiale.

Les recettes relient les articles ; les dépendances restent déterminantes

Le tutoriel de recettes de 2022 transforme la demande de produits préparés en demande d’ingrédients communs. Il échantillonne les distributions des produits des recettes, applique des facteurs de conversion et en déduit un quantile de commande d’ingrédient. L’exemple suppose expressément des demandes indépendantes et une réception et une préparation immédiates avant l’ouverture. Il réserve la substitution, les rendements variables et les pénuries d’ingrédients à des extensions. 8

Une promotion commune peut augmenter simultanément la demande de plusieurs recettes ; un plat concurrent peut la détourner. Des tirages indépendants représenteront mal la queue de distribution du besoin combiné en ingrédients lorsque ces relations comptent. Ajouter des échantillons ne répare pas une dépendance absente. Le tutoriel explicite cette limite.

La documentation des recettes d’Afresh d’octobre 2026 décrit désormais l’attribution d’ingrédients entre rayons ainsi que des identités et rendements d’ingrédients propres à chaque magasin. Elle reconnaît aussi que les corrections manuelles peuvent révéler du contexte manquant dans le modèle. C’est un progrès pratique dans la maintenance de la représentation de l’activité. La documentation ne montre pas comment le système actuel en production modélise conjointement l’incertitude de la demande, des rendements et de l’approvisionnement. 11

Les achats des centres de distribution élargissent le périmètre décisionnel

La documentation des centres de distribution d’octobre 2026 précise une demande probabiliste, la fiabilité des fournisseurs dans les stocks tampons, des arbitrages entre transport et détérioration, des limites de capital pour les achats anticipés et le transfert de demande vers des substituts. Les commandes courantes peuvent être transmises automatiquement ; les achats anticipés demandent l’approbation d’un acheteur. 3

La question non résolue est la combinaison de ces considérations. Des statistiques de fiabilité et des délais configurables peuvent améliorer un tampon sans représenter la distribution des dates et quantités des futures livraisons. Un achat anticipé localement rentable peut consommer une capacité ou une trésorerie mieux employée ailleurs. La description publique n’expose ni le modèle stochastique conjoint ni la méthode de sélection d’actions couplées. Ce modèle doit aussi rester juste lorsque les pratiques fournisseurs, les conditions commerciales et le comportement des magasins évoluent. Cette charge de maintenance est au cœur de l’holimisation ; ce n’est pas un détail d’implémentation qui disparaît dès qu’un solveur fournit une réponse.

Maintenance de la configuration, productivité et responsabilité

Qui répond des hypothèses qui détruisent le retour économique ?

Un article d’octobre 2026 du vice-président chargé de la gestion des comptes d’Afresh décrit une démarque décevante malgré des indicateurs de commandes en magasin apparemment bons. Un exemple attribue la perte à un centre de distribution qui surachète et envoie des produits à date courte en aval. Un autre décrit une présentation exigeant deux caisses d’oranges sanguines alors que les ventes hebdomadaires représentent un dixième de caisse. Il affirme qu’un système de commande remplissant cette présentation fait ce qu’on lui a demandé. 10

Ce dernier argument révèle une faible délimitation de la responsabilité économique. La présentation représente environ vingt semaines de demande, avant même de considérer la fraîcheur. Un système vendu pour réduire le gaspillage devrait rendre cette contradiction exploitable et attribuer la responsabilité de modifier la présentation. Respecter avec succès une consigne génératrice de pertes n’est pas optimiser avec succès.

L’auteur affirme que, dans son expérience de conseil, les défaillances attribuées au système provenaient presque toujours de personnes et de processus mal alignés. L’exemple de la présentation révèle la limite de cette distinction : le logiciel accepte une donnée de présentation commerciale qui engendre prévisiblement du gaspillage. La responsabilité économique doit couvrir la détection et la correction de ces entrées, y compris l’identification de celui qui doit agir lorsque l’application ne peut pas les modifier. 10

L’article d’Afresh sur l’attribution des recettes propose une meilleure posture : des corrections manuelles répétées peuvent signaler du contexte manquant dans le modèle. Son offre d’emploi actuelle pour des ingénieurs intégrés aux projets clients leur confie aussi la responsabilité de découvrir le véritable problème du client, de construire la solution et de mesurer les résultats, notamment les heures économisées et le gaspillage évité. Ce sont des engagements constructifs en faveur de la maintenance du modèle. L’offre décrit une méthode de travail, sans constituer une preuve de partage contractuel du risque ou de retours de projet audités. 11 19

Le travail supprimé et celui qui subsiste

La page d’Afresh consacrée aux commandes en magasin annonce des commandes 40–50 % plus rapides et décrit des comptages guidés et des revues de commandes. Elle propose aussi des recommandations via une API backend pour l’interface existante d’une enseigne. Le gain de productivité pertinent réside dans la réduction des calculs et un meilleur ciblage des observations ; le processus central en magasin comprend toujours le jugement des employés et la vérification physique. 1

Production Planning relie les ingrédients aux produits finis et planifie les préparations au cours de la journée. Les employés vérifient les estimations de stock avant de produire. Les minimums configurables restent contraignants, et le produit enregistre l’exécution, les corrections manuelles et le respect des consignes. 2 Distinguer le travail physique nécessaire du travail de planification évitable est essentiel : découper des fruits exige du travail, tandis que corriger sans cesse des quantités qu’un modèle pourrait calculer constitue un coût logiciel permanent.

Le cas Fresh Thyme décrit le remplacement d’une planification de production sur papier dans une entreprise de 70 magasins. Il annonce un respect des consignes passé d’environ 40 % à 90 %, une croissance annuelle de 70 % des ventes de poulets rôtis et une hausse de 8,8 % des ventes du rayon traiteur. Il décrit aussi l’utilisation de la visibilité acquise par le siège pour accompagner les magasins. Ces chiffres montrent un changement opérationnel ; ils ne donnent ni le travail supplémentaire, ni le gaspillage, ni la marge, ni le coût d’implémentation nécessaires au calcul du retour net. 15

Heinen’s fournit un exemple différent et plus étroit : remplacer les comptages de fin de période fondés sur les prix par un scan à l’article. Son directeur financier indique que le comptage prend désormais quatre heures, mais le récit publié ne donne aucune durée chiffrée pour l’ancien processus. L’amélioration de l’identification des articles est tangible ; aucun pourcentage d’économie de travail ne peut être calculé à partir de ce récit. 16

Ces gains doivent être jugés au regard de toute la charge récurrente : maintenir les recettes et les rendements, revoir les minimums de présentation, corriger les flux de données, examiner les exceptions, compter et superviser le respect des consignes. Une interface de magasin plus rapide est utile. Un avantage durable de productivité exige une diminution du travail décisionnel total par magasin ou poste d’achat, sans apparition d’un travail équivalent dans une équipe centrale de support.

Inventaire des composants logiciels et sécurité

Les offres d’emploi et annonces de partenariat actuelles révèlent une orientation de plateforme raisonnablement cohérente. L’offre backend du périmètre Ordering cite explicitement Python, JavaScript, TypeScript, React Native, Databricks et GraphQL comme la stack d’Afresh ; Azure figure parmi les expériences demandées. L’offre d’ingénieur intégré aux projets clients indique que son équipe exploite Databricks et Azure avec PySpark et dbt. Ce sont des offres actuelles, non datées, consultées pour cette analyse. 18 19

Composant ou frontière	Élément de preuve	Conséquence
Applications et services de commande	Langages cités, React Native et GraphQL dans l’offre Ordering	Le code mobile et celui des services doivent évoluer ensemble lorsque les processus changent.
Ingénierie des données	Databricks, Azure, PySpark et dbt dans l’ingénierie intégrée aux projets clients	Traitement, orchestration, transformations de données et coûts d’exploitation restent partie intégrante de la prestation.
Échanges de données clients	Databricks Open Sharing, anciennement Delta Sharing	Peut réduire le travail d’intégration en double pour les enseignes qui utilisent déjà la plateforme.
Intégration opérationnelle	API de recommandations et connexions aux systèmes d’achat	L’exécution dépend toujours de correspondances maintenues et des systèmes de l’enseigne.

L’annonce Databricks d’octobre 2026 décrit l’accès aux données du client dans un environnement existant soumis à une gouvernance, ainsi que le partage de données standardisées en retour. C’est un dispositif d’intégration utile. Le nom du partenariat n’apporte aucune preuve indépendante d’un modèle de commande meilleur, moins cher à exploiter ou plus facile à maintenir. Ces résultats demandent des mesures du stockage dupliqué, des traitements, de l’effort d’intégration et du temps d’ingénierie récurrent. 17

La documentation d’Afresh pour les centres de distribution mentionne SSO, SCIM, les contrôles d’accès, le chiffrement et la destruction des données en fin de contrat. Sa description publique n’explique pas l’isolation des clients, la portée d’identifiants de service compromis, les restrictions d’accès du support ou la récupération après des modifications destructrices. 3 Ce sont les mécanismes nécessaires pour évaluer la sécurité par conception. Un statut de conformité ne répond pas à ces questions d’ingénierie.

Les postes d’ingénierie laissent aussi indéterminés les droits du code de production et des opérations privilégiées. Leur accès aux environnements hébergés par Afresh et connectés aux clients exige une frontière effectivement imposée, comprenant des limites sur les identifiants, les dépendances et les accès réseau.

Note supply chain

La note globale est la moyenne à pondération égale des 25 sous-notes suivantes. Elles évaluent les éléments publics disponibles le 4 novembre 2026.

Profondeur de l’approche supply chain

Critère	Note
Prise en compte des enjeux économiques	7/10
Aboutissement opérationnel des décisions	8/10
Clarté conceptuelle sur la supply chain	8/10
Affranchissement des doctrines obsolètes	5/10
Résistance aux indicateurs de façade	4/10

Moyenne : 6,4/10.

Prise en compte des enjeux économiques — 7/10. La fonction objectif publiée pour les commandes de périssables relie les quantités aux coûts. La faiblesse réside dans des paramètres imposés commercialement qui peuvent dominer cette économie sans être corrigés par le système de décision. 5 10

Aboutissement opérationnel des décisions — 8/10. Les commandes en magasin, les quantités à préparer et les commandes d’achat sont des sorties concrètes. L’intégration aux systèmes d’achat donne au produit destiné aux centres de distribution un chemin d’exécution allant au-delà du conseil et des rapports. 1 2 3

Clarté conceptuelle sur la supply chain — 8/10. Afresh explique la périssabilité, les stocks imparfaitement connus, les transformations d’ingrédients et l’écart entre une bonne prévision et une bonne commande. Ces mécanismes abordent l’activité physique avec un niveau de détail utile. 6 7 11

Affranchissement des doctrines obsolètes — 5/10. Les distributions de probabilité améliorent les tampons de planification statiques, mais les préférences de service et les minimums de présentation façonnent toujours le résultat. La validité économique de ces paramètres ne peut pas être déléguée indéfiniment à la maintenance des politiques. 2 5

Résistance aux indicateurs de façade — 4/10. Les articles techniques distinguent calibration, erreur et coût de décision. Les cas commerciaux mettent l’accent sur les ventes et le respect des consignes sans publier de calcul complet du retour, ce qui permet à de bons indicateurs intermédiaires de tenir lieu de rentabilité. 9 15

Substance des décisions et de l’optimisation

Critère	Note
Profondeur de la modélisation probabiliste	7/10
Apport spécifique de l’optimisation ou du machine learning	7/10
Prise en compte des contraintes réelles	8/10
Automatisation des décisions et productivité du travail	6/10
Résilience face à la complexité opérationnelle	6/10

Moyenne : 6,8/10.

Profondeur de la modélisation probabiliste — 7/10. Les distributions de demande et l’estimation incertaine des stocks disposent de mécanismes et d’une validation publiés. Les preuves sont moins complètes pour l’incertitude conjointe des livraisons, des rendements, de la substitution et de l’utilisation de ressources partagées. 6 8 9

Apport spécifique de l’optimisation ou du machine learning — 7/10. ShrinkAware et le modèle de stock traitent des lacunes précises du réapprovisionnement générique. Leur apport provient de la formulation et de l’usage opérationnel, plutôt que de la nouveauté de l’échantillonnage ou des réseaux neuronaux. 5 6

Prise en compte des contraintes réelles — 8/10. L’attribution des recettes, la fraîcheur, les étapes de préparation et les contraintes d’achat reçoivent un traitement explicite. La préoccupation restante est l’interaction de ces contraintes à travers le réseau, et non l’absence de détails métier. 2 3 11

Automatisation des décisions et productivité du travail — 6/10. Les quantités recommandées et les achats courants automatisés suppriment du travail. Les revues guidées en magasin, le traitement des exceptions et la supervision du respect des consignes restent substantiels, et les cas clients ne mesurent pas l’intégralité de la charge continue. 1 3 15

Résilience face à la complexité opérationnelle — 6/10. Afresh relie les corrections manuelles récurrentes au contexte manquant des recettes et décrit la correction des correspondances d’ingrédients et des rendements. Ses ingénieurs intégrés aux projets clients transforment les problèmes opérationnels en pilotes et en modifications réutilisables de la plateforme. Ce sont des voies concrètes pour réviser le modèle de décision. Le rejeu historique, les tests d’acceptation économique et la mise en production contrôlée de ces révisions restent insuffisamment documentés. (11, 19)

Intégrité du produit et de l’architecture

Critère	Note
Cohérence architecturale	6/10
Clarté des frontières du système	6/10
Sérieux de la sécurité	3/10
Sobriété logicielle et coût de possession	4/10
Compatibilité avec des opérations programmatiques et assistées par des agents	6/10

Moyenne : 5,0/10.

Cohérence architecturale — 6/10. Commandes et production partagent les informations sur les ingrédients et les prévisions, et la stack technique publiée suit une orientation de plateforme identifiable. Les informations publiques montrent peu comment les nouvelles fonctions d’achat et d’agents partagent cette architecture. 2 18 19

Clarté des frontières du système — 6/10. Les interfaces opérationnelles et les processus des employés sont compréhensibles. La responsabilité économique est moins claire lorsqu’une commande suit une règle configurée qui crée un gaspillage prévisible. 1 3 10

Sérieux de la sécurité — 3/10. Des capacités d’authentification et de contrôle d’accès sont énumérées. Le confinement, les accès privilégiés, la récupération après des défaillances destructrices et les conséquences d’une intégration compromise ne sont pas expliqués à un niveau comparable. 3

Sobriété logicielle et coût de possession — 4/10. La plateforme de données, les services applicatifs et l’ingénierie propre à chaque client créent des coûts d’exploitation récurrents. Ni la consommation d’hébergement ni l’effort continu de configuration ne sont quantifiés. 17 18 19

Compatibilité avec des opérations programmatiques et assistées par des agents — 6/10. Les API et la transmission automatique des commandes permettent une exécution par la machine. La proposition d’agents n’est crédible que dans la mesure où elle élimine du travail décisionnel tout en conservant la maîtrise des hypothèses économiques ; son ampleur annoncée dépasse les détails d’implémentation publiés. 1 3 14

Transparence technique

Critère	Note
Documentation technique publique	7/10
Possibilité d’examen sans intervention de l’éditeur	6/10
Visibilité sur la portabilité et la dépendance à l’éditeur	4/10
Transparence de la méthode de mise en œuvre	6/10
Densité des preuves à l’appui des affirmations techniques	5/10

Moyenne : 5,6/10.

Documentation technique publique — 7/10. Les articles d’ingénierie décrivent les objectifs, hypothèses, modèles et mesures d’évaluation avec un détail inhabituel pour un logiciel de planification d’entreprise. La transparence correspondante sur le périmètre produit récent est davantage fonctionnelle que mathématique. 5 6 9 3

Possibilité d’examen sans intervention de l’éditeur — 6/10. Les lecteurs peuvent examiner des mécanismes significatifs et du code de tutoriel sans démonstration. Ils ne peuvent ni reproduire les améliorations annoncées en production ni inspecter l’intégralité de la logique décisionnelle déployée. 7 5

Visibilité sur la portabilité et la dépendance à l’éditeur — 4/10. Les échanges de données et une API de recommandations réduisent la dépendance à l’interface. Ils n’expliquent pas comment une enseigne exporterait le comportement appris, reconstruirait les choix de politiques ou remplacerait le modèle sans reconstruire son processus de décision. 1 17

Transparence de la méthode de mise en œuvre — 6/10. La documentation produit et le recrutement d’ingénieurs révèlent le travail sur les données, le déploiement et l’accompagnement continu des clients. Cela aide à identifier le travail nécessaire, sans établir un coût prévisible ni qui le supporte lorsque les hypothèses changent. 2 19

Densité des preuves à l’appui des affirmations techniques — 5/10. Les évaluations de composants et les déploiements nommés étayent les affirmations centrales sur les rayons frais. Les résultats économiques plus larges et les dernières extensions de la plateforme reposent davantage sur des synthèses de l’éditeur et des annonces de lancement. 6 9 13 14

Sérieux de l’éditeur

Critère	Note
Rigueur technique de la communication publique	6/10
Intégrité de la feuille de route technologique	7/10
Clarté conceptuelle	7/10
Responsabilité économique	4/10
Capacité à se différencier dans un monde de logiciels agentiques	6/10

Moyenne : 6,0/10.

Rigueur technique de la communication publique — 6/10. Les ingénieurs distinguent les modèles illustratifs de la production et expliquent les limites qui comptent. Les affirmations générales sur l’IA et les marges reçoivent un traitement moins précis dans les supports commerciaux. 7 8 12 14

Intégrité de la feuille de route technologique — 7/10. La séquence datée montre un travail soutenu sur les mêmes problèmes de produits frais, suivi d’extensions connexes. Le récent discours sur les agents accroît l’exigence de démontrer une continuité équivalente dans les nouvelles capacités. 5 6 7 14

Clarté conceptuelle — 7/10. Afresh comprend que les observations de stock, la durée de conservation et les transformations font partie du problème de décision. Son traitement des pertes liées à la présentation est moins convaincant, car il accepte une consigne non rentable comme limite de la responsabilité du logiciel. 6 10 11

Responsabilité économique — 4/10. Les exemples clients rendent les bénéfices plausibles, et l’ingénierie intégrée aux projets clients met l’accent sur des résultats mesurés. Les informations publiques omettent encore l’économie complète des projets et laissent la possibilité d’attribuer les résultats défavorables aux opérations environnantes. 10 15 19

Capacité à se différencier dans un monde de logiciels agentiques — 6/10. Le savoir sur les stocks périssables et la modélisation de données utiles à la décision peuvent conserver leur valeur lorsque les interfaces deviennent plus faciles à construire. L’avantage durable doit résider dans des décisions économiques fiables et maintenues, plutôt que dans un assistant présentant une liste de tâches supplémentaire à l’acheteur. 6 11 14