Revue d'Asper.ai, fournisseur de logiciels supply chain

Par Léon Levinas-Ménard

Dernière mise à jour: novembre, 2025

Asper.ai est un fournisseur de logiciels axé sur l’IA, spécialisé dans les entreprises de consommation (principalement CPG, retail et manufacturier adjacent) qui se positionne comme une plate-forme de « décision interconnectée » à l’intersection de la demande et de l’offre. Commercialement, la marque repose sur Asper.AI Technologies Private Limited, une société privée indienne incorporée en 2019 et désormais filiale du groupe analytique Fractal, avec des entités supplémentaires aux États-Unis et au Royaume-Uni. Opérationnellement, Asper.ai propose une gamme de produits relativement étroite mais approfondie axée autour de deux modules: Dynamic Demand.ai (prévision probabiliste de la demande et détection de la demande) et Pricing & Promotion (gestion de la croissance des revenus, optimisation de prix et de promotions). Techniquement, les preuves publiques montrent une plate-forme SaaS délivrée par le cloud déployée sur AWS et Microsoft Azure, utilisant une stack web moderne (Go, Python, Kafka, services AWS, Postgres, React) et un mélange de deep learning et d’une approche plus conventionnelle d’apprentissage machine pour la prévision, en plus d’une automatisation pilotée par des règles et des workflows pour la planification. La société rapporte des gains à deux chiffres en précision des prévisions et en ROI des promotions pour des clients anonymisés, mais fournit très peu de détails vérifiables sur sa couche d’optimisation, son architecture décisionnelle ou la nature exacte de ses composants « autonomic decisioning » et Gen-AI. D’après les dépôts financiers et les bases de données tierces, Asper.ai semble être un fournisseur de taille moyenne, à forte croissance, mais encore jeune commercialement (des revenus de quelques dizaines de crores d’INR au cours de l’exercice fiscal 2022-23, soit environ 1–3m USD, avec des marges opérationnelles modestement négatives), fortement dépendant du capital et des canaux de vente de Fractal. Dans l’ensemble, Asper.ai est mieux compris comme une application d’IA spécifique à un domaine pour la planification de type CPG et la croissance des revenus, et non pas comme une plate-forme d’optimization de la supply chain généraliste.

Aperçu d’Asper.ai

Au niveau du produit, Asper.ai se présente comme une plate-forme SaaS qui aide les « entreprises de consommation » à prendre des décisions interconnectées, pilotées par l’IA dans la détection de la demande, la prévision, la tarification et l’investissement promotionnel, avec la promesse d’un délai de mise en valeur plus rapide et une réduction du capital immobilisé en stocks.¹²

Dynamic Demand.ai – un module axé sur la prévision de la demande et la détection de la demande, se positionnant comme un moyen d’anticiper les « risques et opportunités » de la demande et de débloquer la croissance des revenus.
Pricing & Promotion – un module de gestion de la croissance des revenus (RGM) qui vise à optimiser les portefeuilles stratégiques de tarification et de promotion et à quantifier le ROI des investissements commerciaux.¹²

La plate-forme est commercialisée comme native en IA et native en cloud. Asper.ai est proposée à la fois via AWS Marketplace (en tant que « Asper.ai: Demand Forecasting at Scale ») et Microsoft Azure Marketplace / AppSource, indiquant des options de déploiement multi-cloud et des intégrations avec des stacks de données et d’analytique courants.³⁴ Les clients cibles sont des marques CPG, food & beverage, et autres marques de consommation de taille moyenne à grande disposant déjà d’une infrastructure de données significative et cherchant à améliorer leurs capacités de prévision et de RGM sans constituer d’équipes internes de data science.

D’un point de vue juridique et financier, Asper.AI Technologies Private Limited est une filiale privée non cotée d’une société étrangère, incorporée le 18 septembre 2019 à Bangalore, Inde, classée sous les services informatiques et le conseil en IT.⁵⁶⁷ Tofler et des registres similaires rapportent un capital autorisé de INR 10 crore et un capital versé d’environ INR 9,67 crore, avec un chiffre d’affaires pour l’exercice 2022-23 dans la tranche ₹10–25 crore (environ 1–3m USD) et des marges opérationnelles modestement négatives.⁵⁶ Les états financiers de Fractal et les enregistrements LEI confirment que cette entité était anciennement connue sous le nom de Samya.AI Artificial Intelligence Technologies Private Limited avant d’adopter le nom Asper.ai.⁷⁸⁹ Les bases de données d’entreprises publiques et les sites d’emploi montrent également des entités liées aux États-Unis/Royaume-Uni et un effectif de petite à moyenne taille (environ 50–200 personnes dans le monde), avec une équipe de direction incluant le CEO Mohit Agarwal et d’autres cadres précédemment associés à Samya.ai.¹⁰¹¹¹²

Fin février 2025, Fractal a annoncé un investissement stratégique de 20m USD dans Asper.ai, positionnant explicitement Asper comme sa plate-forme d’IA pour la croissance des revenus et la prise de décisions commerciales pour les marques mondiales.¹⁰¹³¹⁴ La couverture médiatique et les déclarations de Fractal décrivent quatre leviers de croissance principaux: la prévision et la planification de la demande, la gestion de la croissance des revenus, la planification des stocks, et l’exécution des ventes — bien que seuls les deux premiers soient clairement commercialisés sur le site public aujourd’hui.¹⁰¹³¹⁴

Du point de vue technologique, la plate-forme est mise en œuvre comme une application SaaS multi-locataire hébergée dans le cloud sur AWS (Redshift, EMR, ElastiCache) et Azure, avec un backend en Go et Python, un streaming d’événements via Kafka, et une couche de persistance relationnelle (PostgreSQL ou similaire), comme le montrent les annonces d’emploi en ingénierie et les listings sur les places de marché.³⁴¹⁵⁹¹⁶¹⁷ La couche d’IA est décrite comme une prévision de la demande basée sur le deep learning, avec des composants Gen-AI supplémentaires (large-language models) pour certaines tâches analytiques et d’UX, mais il n’existe aucune documentation technique publique concernant les architectures de modèles, les régimes d’entraînement ou les algorithmes d’optimisation décisionnelle au-delà des descriptions marketing de haut niveau.³⁴⁹¹⁶

Le reste de ce rapport décortique chacun de ces aspects en détail, avec une position délibérément sceptique : nous n’acceptons aucune revendication en matière d’IA ou d’optimisation qui ne soit étayée par des preuves concrètes, reproductibles en principe, et nous considérons les études de cas anonymisées ou non corroborées comme de faibles preuves seulement.

Asper.ai vs Lokad

Lokad (l’hôte de cette série d’études de marché) et Asper.ai opèrent tous deux dans le vaste domaine de “AI for planning”, mais ils incarnent des philosophies, des architectures et des orientations commerciales assez différentes.

Portée et focus vertical

Asper.ai se concentre étroitement sur les marques de consommation — en particulier CPG et food & beverage — et sur les décisions relatives à la prévision et à la gestion de la croissance des revenus : la détection de la demande, les prévisions de promotions de base et incrémentales, la conception des portefeuilles de tarification et de promotion, et, par extension, certaines décisions en matière de stocks et d’exécution des ventes.¹²¹⁰¹³³⁴ Ses modules de produit et ses études de cas se situent presque entièrement dans ce périmètre CPG/RGM.¹⁸¹⁹
Lokad, par contre, est une plateforme supply chain quantitative horizontale utilisée dans le retail, la manufacture, l’aérospatial/MRO et d’autres secteurs. Sa principale offre est un DSL interne (Envision) et une pile d’optimisation qui peut être programmée dans des applications sur mesure pour la prévision de la demande, l’optimisation de stocks, la planification de la production, la gestion des flux de réseau, et la tarification dans des industries très variées (du retail de mode à la maintenance aéronautique), comme résumé dans le brief de Lokad.

En termes pratiques : Asper.ai propose des applications pré-packagées pour une famille de problèmes assez spécifique (prévision CPG & RGM), tandis que Lokad offre une plateforme programmable pour une catégorie plus large de problèmes de supply chain.

Architecture et approche de modélisation

Asper.ai semble se reposer sur une architecture SaaS moderne conventionnelle : microservices, APIs REST, un stockage de données relationnel, et des services ML séparés exécutant des modèles de deep learning sur une infrastructure cloud.³⁴¹⁵⁹¹⁶ La logique métier paraît intégrée dans le code applicatif et la configuration des modules Dynamic Demand.ai et Pricing & Promotion. Il n’y a aucun signe d’un langage de modélisation exposé ou d’une couche programmable par l’utilisateur final ; à la place, les clients configurent des workflows préemballés et des tableaux de bord.
Lokad se construit autour d’un language spécifique au domaine (Envision) et d’une VM distribuée personnalisée. Toute la logique de prévision et d’optimisation est exprimée dans des scripts Envision qui sont compilés et exécutés sur le moteur d’exécution de Lokad, avec une algèbre de variables aléatoires et des primitives d’optimisation probabiliste. Le « produit » est en fait un environnement programmable associé à des scripts élaborés par des experts, et non une application fixe.

En d’autres termes, Asper.ai se rapproche davantage d’une application IA à focus vertical, tandis que Lokad s’apparente davantage à un environnement de programmation supply chain.

Traitement de l’incertitude et optimisation

Les sources publiques indiquent qu’Asper.ai utilise le deep learning pour la prévision de la demande et évoque le « autonomic decisioning » ainsi que des décisions « automatisées, interconnectées » sur les leviers de la demande et des revenus.¹²³⁴¹² Des études de cas mentionnent des améliorations significatives de la précision des prévisions (par exemple, des augmentations à deux chiffres de la qualité des prévisions) et un ROI des promotions plus élevé.¹⁸ Cependant, il n’existe aucune description détaillée de la manière dont les prévisions se transforment en décisions optimisées : que ce soit via l’utilisation de distributions complètes de la demande, quelles fonctions objectives sont optimisées, ou l’emploi de méthodes explicites de programmation stochastique ou mathématique. L’optimisation semble être présentée comme une capacité boîte noire attachée au moteur de prévision.
Lokad, en revanche, s’appuie explicitement sur la prévision probabiliste (distributions complètes de la demande) alimentant des algorithmes d’optimisation stochastique (par exemple, le Stochastic Discrete Descent), articulés autour de leviers économiques (pénalités de rupture de stock, coûts de détention, etc.). Cela est décrit au niveau des algorithmes et des primitives de langage dans ses documents techniques publics (voir le brief de Lokad). Les décisions (« commander telle quantité de SKU X, transférer Y unités du DC A vers B ») ressortent explicitement de l’optimisation dérivée de ces modèles probabilistes.

Ainsi, la couche décisionnelle d’Asper.ai est opaque et insuffisamment spécifiée dans les sources publiques; celle de Lokad est explicitement modélisée et vérifiable via du code.

Revendications en matière d’IA et transparence

Asper.ai avance de fortes revendications quant au fait d’être une plate-forme de décision native en IA, autonome et, plus récemment, un système activé par Gen-AI.¹²¹⁰¹³⁹¹⁶¹² Les offres d’emploi confirment l’utilisation de frameworks de deep learning et de LLMs, mais il n’existe aucune explication algorithmique, aucun blog technique, benchmark ou artefact open-source permettant d’évaluer ces revendications de manière indépendante.⁹¹⁶ Les études de cas sont anonymisées et largement qualitatives.¹⁸¹⁹
Lokad utilise également des techniques avancées de ML (y compris le deep learning) mais met l’accent sur la modélisation en boîte blanche : les clients peuvent inspecter les scripts Envision, et Lokad a participé à des compétitions publiques de prévision ainsi qu’à des collaborations académiques, fournissant ainsi une validation externe de sa stack technique (encore une fois, selon le brief).

D’un point de vue sceptique, Asper.ai ressemble à une application IA moderne en boîte noire adaptée à la planification CPG; Lokad est une plate-forme d’optimisation probabiliste en boîte blanche dotée d’un langage de modélisation exposé et d’une lignée technique plus documentée, mais avec une courbe de modélisation et d’intégration plus raide. Ils ne sont pas des substituts directs : Asper.ai est mieux évaluée comme une application RGM/prévision, tandis que Lokad est un moteur de décision supply chain général.

Flux décisionnels et rôle humain

Le récit UX d’Asper.ai se concentre sur des workflows collaboratifs pour les équipes commerciales et de planification : marketing, ventes, finance, supply chain. La promesse est d’automatiser une grande partie de la prévision de base et de l’analyse de scénarios afin que les équipes puissent consacrer plus de temps à la stratégie et à la négociation.¹²³⁴¹² L’accent est davantage mis sur des recommandations « autonomes » intégrées dans les workflows métier que sur l’exposition de distributions de probabilité brutes.
Lokad se positionne comme un copilote pour les équipes supply chain : il produit des listes classées d’actions (commandes, transferts, modifications d’horaires) et des indicateurs économiques associés, tout en laissant aux planificateurs et aux cadres le soin de valider et d’exécuter. Le point de configuration réside dans le code Envision; l’UX se compose de tableaux de bord ainsi que de listes d’actions classées plutôt que d’un cockpit de planification commerciale.

Pour un directeur de gestion des revenus CPG, Asper.ai peut donner l’impression d’être un cockpit spécifique au domaine; Lokad ressemble davantage à un moteur quantitatif se logeant derrière une interface analytique plus générique.

Maturité commerciale et stratégie de commercialisation

Asper.ai est jeune en tant que marque (lancement fin 2022; infusion de 20m USD en 2025) et compte peu de clients nommés publiquement. Les études de cas font référence à « un fabricant multinational de produits nutritionnels pour animaux » et à « une entreprise de produits alimentaires emballés » sans nommer les marques.¹⁸¹⁹ Le fournisseur semble être en phase de scale-up, soutenu par le capital et les relations de Fractal plutôt que par une longue expérience indépendante.
Lokad opère depuis 2008 avec un modèle de croissance plus lent et en grande partie organique, et dispose d’une liste documentée de clients nommés (détaillants, distributeurs, acteurs de l’aérospatial). Sa stratégie de commercialisation se concentre sur un petit nombre de comptes à forte valeur par industrie, soutenue par des « supply chain scientists » internes.

En résumé : Asper.ai est une application IA axée sur le CPG pour la planification de la demande et des revenus, soutenue par Fractal, avec une couche d’optimisation en grande partie en boîte noire et un détail technique public limité. Lokad est une plate-forme d’optimisation probabiliste intersectorielle avec un langage de modélisation exposé et une lignée technique plus documentée, mais avec une courbe de modélisation et d’intégration plus raide. Ils ne sont pas des substituts directs : Asper.ai est mieux évaluée comme une application RGM/prévision, tandis que Lokad est un moteur de décision supply chain général.

Historique, structure et financement de l’entreprise

Entités juridiques et origines

Plusieurs registres indépendants confirment que Asper.AI Technologies Private Limited:

a été incorporée le 18 septembre 2019 sous le CIN U72900KA2019FTC128045,
est classifiée comme une société privée à responsabilité limitée par actions, non cotée, et une filiale d’une société incorporée à l’extérieur de l’Inde,
opère principalement dans les services informatiques / conseil et support IT.⁵⁶⁷⁸³

Tofler, Instafinancials, QuickCompany et TheCompanyCheck corroborent tous ce profil de base, avec de petites différences de formulation mais des dates, CIN et structure du capital cohérents.⁵⁶⁹ Les enregistrements LEI et les états financiers audités de Fractal pour l’exercice FY2022-23 précisent en outre que l’entité était précédemment nommée Samya.AI Technologies Private Limited / Samya.AI Artificial Intelligence Technologies Private Limited, avant d’adopter le nom Asper.ai.⁷⁸⁹ Des sources externes telles que SignalHire et LeadIQ décrivent également Samya.ai comme « maintenant Asper.ai, une société Fractal », renforçant la continuité.⁹

Une entité distincte ASPER.AI LIMITED existe au Royaume-Uni, et diverses sources répertorient une adresse de siège aux États-Unis à Chicago, IL, avec Londres comme site secondaire.⁹¹² Craft.co, par exemple, répertorie Asper.ai comme une filiale, fondée (en tant que marque) en 2022 avec un siège à Chicago et une présence au Royaume-Uni, ce qui est cohérent avec le récit du lancement du produit en 2022.¹²

Relation avec Fractal et financement

Fractal est une entreprise d’analytique et d’IA plus grande et établie de longue date. Les informations publiques indiquent que Samya.ai a initialement été incubé au sein ou autour de Fractal et a ensuite été entièrement intégré. Le communiqué de presse Fractal 2022 “Fractal announces launch of Asper.ai” décrit explicitement Asper.ai comme “a Fractal company” et le positionne comme une plateforme de croissance et d’intelligence décisionnelle pour les entreprises de consommation.²⁰

En février 2025, Fractal a annoncé un investissement stratégique de USD 20m dans Asper.ai, dans le but d’accélérer le développement du produit et l’expansion sur le marché. Le communiqué de presse et la couverture médiatique ultérieure (sites d’actualités SaaS et médias technologiques régionaux) mettent en avant :

l’orientation CPG / consommateur,
les quatre « leviers de croissance des revenus » (prévision et planification de la demande, RGM, planification de stocks, exécution des ventes),
et l’utilisation de l’IA pour automatiser et interconnecter ces décisions.¹⁰¹³¹⁴

Les données financières de Tofler et les déclarations de la filiale de Fractal montrent qu’Asper.AI Technologies réalise des revenus dans la tranche de ₹10–25 crore pour FY 2022-23, avec une croissance annuelle des revenus et de l’EBITDA mais encore des marges d’exploitation négatives modestes.⁵⁸ Cela est cohérent avec une phase de scale-up : des revenus significatifs mais pas encore la rentabilité et la taille d’un fournisseur d’entreprise mature.

Leadership et effectif

Les sites d’entreprise et de recrutement répertorient :

Mohit Agarwal en tant que CEO / cofondateur d’Asper.ai, précédemment CEO de Samya.ai,¹⁹
d’autres cadres tels que Chief Commercial Officer et Chief Product Officer avec des parcours en analytique et CPG.¹²

Glassdoor et divers portails d’emploi classent Asper.ai dans la tranche 51–200 employés, avec un siège à Chicago et une importante équipe d’ingénierie à Bangalore.¹¹¹² Bien que les chiffres exacts ne soient pas vérifiables, le portrait est celui d’une équipe de taille modérée—assez grande pour soutenir un produit, mais loin de l’échelle des acteurs de la planification comptant des milliers d’employés.

Gamme de produits et périmètre fonctionnel

Positionnement public

Sur son site web et dans des annuaires tiers, Asper.ai décrit sa mission comme permettant « des décisions interconnectées à l’intersection de la demande & supply, propulsées par l’IA » pour les entreprises de consommation.¹² EliteAI.tools résume l’offre comme une plateforme qui :

améliore la détection de la demande,
stimule la croissance des revenus,
optimise les investissements en tarification et promotion,
et réduit les coûts en capital et opérationnels en automatisant les flux de travail décisionnels.²

Les deux modules produits clairement identifiables sont :¹²

Dynamic Demand.ai
- Prévision de la demande et détection de la demande.
- Détection des « risques et opportunités » de la demande.
- Cas d’utilisation tels que l’amélioration de la précision des prévisions, la réduction des ruptures de stock, et la facilitation d’une planification plus agile.
Pricing & Promotion
- Gestion de la croissance des revenus, en se concentrant sur les décisions de tarification et de promotion commerciale.
- Support analytique pour allouer les budgets de promotion, évaluer le ROI des promos, et optimiser les offres tarifaires et les calendriers promotionnels.

Les informations externes sur les levées de fonds élargissent le périmètre à quatre leviers (prévision et planification de la demande, RGM, planification de stocks, exécution des ventes), mais l’interface utilisateur publique du produit ne présente encore que les deux premiers en tant que modules distincts.¹⁰¹³¹⁴

Offres sur le Marketplace (AWS & Azure)

La fiche sur le AWS Marketplace “Asper.ai: Demand Forecasting at Scale” décrit Dynamic Demand.ai comme une application SaaS axée sur la prévision de la demande à grande échelle pour les biens de consommation, construite sur AWS Redshift, Amazon EMR and Amazon ElastiCache, et intégrée aux entrepôts de données clients existants.³ Cela confirme qu’au moins un des modes de déploiement est étroitement couplé à l’infrastructure analytique d’AWS.

La fiche sur le Microsoft Azure Marketplace / AppSource pour Asper met en avant que la plateforme :⁴

unifie la prévision de la demande et la gestion de la croissance des revenus autour d’un modèle de prévision unique,
utilise le deep learning pour intégrer plusieurs moteurs de demande (promotions, tarification, saisonnalité, etc.),
revendique des améliorations de précision de prévision de 10–20 points de pourcentage et une automatisation allant jusqu’à 80% du portefeuille (présumément, des SKUs ou des décisions de planification),
offre des flux de travail collaboratifs pour des équipes interfonctionnelles (ventes, marketing, finance, supply chain).

Ces descriptions sur le Marketplace sont orientées marketing mais spécifient au moins certains résultats et un contexte architectural (AWS/Azure, deep learning, niveaux d’automatisation).

Études de cas et livres blancs

Asper.ai propose un petit nombre d’études de cas anonymisées :

“Digitizing and automating demand planning for a pet nutrition company” – décrit le travail réalisé avec un fabricant multinational de nutrition pour animaux, rapportant de grandes améliorations en termes de précision des prévisions et une automatisation substantielle des flux de travail de planification de la demande, y compris la consolidation de plusieurs outils de prévision hérités dans Dynamic Demand.ai.¹⁸
“Future-proofing the demand planning process for a packaged foods company” – présente un engagement similaire dans le secteur des aliments emballés, avec l’identité du client anonymisée, en se concentrant sur la standardisation de la planification de la demande, les gains de précision et l’automatisation des processus.¹⁹

Un livre blanc / blog associé (“From forecasting to fulfilment: using AI to optimize demand”, linked from the case study pages) développe conceptuellement la planification de la demande pilotée par l’IA mais n’expose pas de précisions techniques supplémentaires au-delà de celles déjà présentes dans les fiches du Marketplace.¹⁸¹⁹

De manière cruciale, aucune étude de cas publique ne nomme le client final. Toutes les références se limitent à « un fabricant multinational… » plutôt qu’à des logos vérifiables. Ces documents constituent donc une preuve faible du point de vue de la due diligence : ils montrent qu’Asper.ai a mené des projets avec au moins une poignée d’entreprises de grande taille, mais ils ne permettent pas de corroboration indépendante ni de recoupement client.

Pile technologique et architecture

Infrastructure cloud et modèle de livraison

À partir des fiches du Marketplace et des offres d’emploi, nous pouvons déduire ce qui suit concernant l’architecture technique d’Asper.ai :

Le produit est livré en tant qu’application SaaS multi-tenant, les clients y accédant généralement via le web et s’intégrant via des API ou des flux de données batch.³⁴
Sur AWS, la plateforme exploite Amazon Redshift pour l’entreposage de données, Amazon EMR pour le traitement à grande échelle, et Amazon ElastiCache pour la mise en cache.³
Sur Azure, la fiche AppSource suggère une intégration avec les services de données et d’analytique courants de Microsoft, bien que les détails de l’implémentation ne soient pas divulgués.⁴

Il n’y a aucune indication d’une option de déploiement sur site; la pile semble hébergée entièrement dans le cloud.

Couche applicative et de données

Les descriptions de poste pour Senior Backend Engineer et des rôles similaires mentionnent :

Golang (Go) comme langage principal côté serveur,
PostgreSQL ou d’autres bases de données relationnelles,
Kafka pour le streaming / la gestion des événements,
une architecture en microservices et des API REST,
la containerisation (Docker, Kubernetes) et l’infrastructure as code.¹⁵¹⁶¹⁷

Tout cela est cohérent avec une pile SaaS moderne, mais assez standard.

Il n’y a aucun signe d’un langage spécifique au domaine ou d’un environnement de modélisation similaire à Lokad’s Envision; à la place, le modèle de données et les règles de décision sont vraisemblablement intégrés dans le code du service et les configurations.

Interface utilisateur et UX

Les documents publics sont rares sur la technologie front-end, mais l’UX semble être :

des tableaux de bord et rapports basés sur le web,
des espaces de travail collaboratifs pour les cycles de planification,
des interfaces de scénarios et de simulations pour les portefeuilles de tarification et de promotion.¹²⁴¹²

Le répertoire EliteAI.tools et la fiche AppSource mettent tous deux en avant des flux de travail collaboratifs et une « prise de décision rationalisée », mais ils ne mentionnent pas de frameworks spécifiques.²⁴ Il est raisonnable de supposer une interface front-end en SPA (React / Angular / Vue), mais cela reste une inférence fondée sur les normes de l’industrie et doit être traité comme telle.

Ingestion et intégration des données

Bien que des documents techniques détaillés ne soient pas publics, les descriptions du Marketplace et les études de cas impliquent qu’Asper.ai :

ingère les ventes historiques, promotions, prix, distribution et facteurs externes (par exemple, des indicateurs macro),
se connecte aux entrepôts de données / data lakes existants (AWS Redshift, équivalents sur Azure) plutôt que d’agir en tant que système principal d’enregistrement,³⁴
génère des prévisions et recommandations qui peuvent être exportées ou intégrées dans des systèmes ERP / de planification.

Nous ne constatons aucun prétendu remplacement d’un ERP; comme Lokad, Asper.ai semble être une couche analytique reposant sur des systèmes transactionnels.

Revendications en matière d’IA, d’apprentissage automatique et d’optimisation

Modèles de prévision

La communication publique d’Asper.ai et les fiches du Marketplace font à plusieurs reprises référence au deep learning pour la prévision de la demande et la détection de la demande.³⁴ La fiche Azure indique que la plateforme “leverages deep learning” pour construire un modèle de prévision unique intégrant plusieurs moteurs de demande (prix, promo, distribution, etc.), avec des améliorations revendiquées de 10–20 points de pourcentage en précision des prévisions par rapport aux référentiels hérités.⁴

Les offres d’emploi pour Data Scientist – Gen AI et des rôles similaires listent une expérience avec :

Python et frameworks ML (TensorFlow, PyTorch, scikit-learn),
prévision des séries temporelles et modélisation causale,
large-language models et generative AI,
pipelines ML cloud et MLOps.⁹¹⁶

Pris dans leur ensemble, cela constitue une preuve crédible que des pipelines ML non triviaux existent au sein du produit, et qu’Asper.ai utilise des chaînes d’outils de deep learning grand public. Cependant :

Il n’y a aucune publication sur les architectures de modèles (par exemple, s’ils utilisent des réseaux de neurones convolutifs temporels, des transformers, des modèles de type DeepAR, etc.).
Il n’y a pas de benchmarking par rapport à des ensembles de données publics ou à des compétitions.
Les gains de précision revendiqués ne sont pas étayés par une analyse statistique détaillée (par exemple, les distributions d’erreur, les tests statistiques).

Nous devons donc considérer l’« amélioration de la précision de 10–20 points » comme un argument marketing plausible mais non vérifié, et non comme une preuve reproductible de manière indépendante.

Gen-AI et “autonomic decisioning”

Les récentes annonces d’emploi et le langage marketing mettent en avant Gen-AI et autonomic decisioning :

Les rôles incluent « Data Scientist – Gen AI » pour construire des fonctionnalités améliorées par LLM pour la planification et la prise de décision commerciale.⁹¹⁶
EliteAI.tools et d’autres annuaires soulignent les « workflows automatisés » et la « rationalisation de la prise de décision » grâce à l’IA.²¹²

En pratique, Gen-AI pourrait être utilisé pour :

l’exploration en langage naturel des prévisions et scénarios,
la génération de rapports narratifs semi-automatiques (par exemple, expliquer pourquoi une prévision a changé),
des tâches de classification et d’enrichissement.

Cependant, il n’existe aucune explication publique sur la manière dont Gen-AI est concrètement intégré dans le processus décisionnel. Il n’est pas clair si les LLMs sont utilisés dans les boucles d’optimisation centrales ou uniquement pour des fonctionnalités UX périphériques. Compte tenu de la tendance actuelle de l’industrie, une hypothèse prudente est que Gen-AI est adjacent (explications, UX) plutôt que central dans l’optimisation numérique.

Optimisation et logique décisionnelle

La question cruciale de cette analyse est : Est-ce qu’Asper.ai va au-delà de la “prévision + dashboarding” pour atteindre une véritable optimisation décisionnelle ?

Les documents publics affirment :

des décisions automatisées et interconnectées concernant la demande, la tarification, la promotion et les stocks,
des niveaux élevés d’automatisation (80% du portefeuille « en pilotage automatique »),⁴
une recommandation des stratégies de promo et de tarification axée sur le ROI.²¹⁰¹³¹⁸

Mais ils ne :

ne décrivent pas les fonctions objectifs (par exemple, le profit attendu versus le taux de service),
n’exposent pas si les décisions se basent sur des distributions complètes de la demande ou sur des prévisions ponctuelles,
ne mentionnent pas l’optimisation stochastique, la programmation mathématique, ou des heuristiques.

L’étude de cas sur la nutrition pour animaux décrit la consolidation de plusieurs outils de planification de la demande en Dynamic Demand.ai, avec des améliorations de la précision des prévisions, une réduction de l’effort manuel et une meilleure planification des promos.¹⁸ Cependant, le récit est qualitatif; il ne révèle pas si les « recommandations » sont principalement :

basées sur des règles (par exemple, des seuils et des heuristiques basés sur les résultats des prévisions),
des optimisations simples (par exemple, un tri glouton du ROI des promos sous contraintes budgétaires),
ou des modèles de décision stochastiques plus avancés.

En l’absence de preuves explicites, l’interprétation la plus raisonnable et conservatrice est qu’Asper.ai offre :

une prévision avancée (deep learning, modèles riches en fonctionnalités),
combinée à des règles de décision intégrées dans les flux de travail et à une certaine optimisation des budgets et des contraintes,

plutôt qu’une pile d’optimisation stochastique explicite telle que celle mise en avant par Lokad ou par des fournisseurs fortement axés sur l’OR. Cela ne fait pas d’Asper.ai une solution « non IA », mais cela suggère que l’innovation technique clé réside dans la prévision et l’analytique RGM, et non dans de nouveaux algorithmes d’optimisation.

Déploiement, déploiement progressif et utilisation

Schéma d’implémentation

Bien qu’Asper.ai ne publie pas de guides d’implémentation détaillés, nous pouvons déduire un schéma type à partir des études de cas, des documents du Marketplace et des descriptions de poste :

Intégration des données – ingérer les données transactionnelles historiques (ventes, prix, promotions, distribution, facteurs externes) depuis l’entrepôt de données ou le data lake du client.³⁴¹⁸¹⁹
Entraînement et configuration des modèles – configurer Dynamic Demand.ai et Pricing & Promotion selon la hiérarchie du client (marques, SKUs, clients, canaux) et calibrer les modèles aux tendances historiques.
Conception des flux de travail – mettre en place des flux de travail de planification pour les cycles de prévision de la demande et les cycles RGM, incluant la collaboration entre les ventes, le marketing, la finance et la supply chain.
Déploiement progressif et automatisation – transférer progressivement une part croissante du portefeuille vers le « pilotage automatique » où le système génère des plans de base et des recommandations, avec une intervention humaine pour la révision des exceptions.

Les études de cas nutrition pour animaux et aliments emballés décrivent toutes deux ce type de déploiement progressif : pilote sur un sous-ensemble de catégories, validation de la précision et de l’impact commercial, puis expansion progressive et automatisation.¹⁸¹⁹

Rôles des utilisateurs

La communication publique et les annuaires soulignent qu’Asper.ai est conçu pour :

Managers de la supply chain,
Managers des ventes et du marketing,
Managers et cadres financiers,

qui doivent collaborer à la planification de la demande et aux décisions relatives aux revenus.²⁴¹² L’UX semble délibérément orientée vers les utilisateurs métiers, et non vers les data scientist.

Les descriptions de poste orientées client (Customer Success, Solution Consultant) soulignent la nécessité de faire le lien entre la configuration technique et la valeur commerciale, suggérant que l’équipe d’Asper.ai joue un rôle important dans la mise en œuvre et le support continu.¹⁷

Intégration dans les systèmes d’exécution

Il n’existe pas d’information publique détaillée sur l’intégration ERP / TPM, mais étant donné que le produit est livré via AWS/Azure et repose sur des data warehouses existants, il est raisonnable d’en déduire :

des flux de données en amont provenant des systèmes ERP, TPM, CRM et POS vers le data warehouse, puis vers Asper.ai;
des flux en aval de prévisions et de recommandations renvoyés vers les systèmes de planification (via des exportations de fichiers, API ou connecteurs).

Cela positionne de nouveau Asper.ai en tant que couche analytique, et non en tant que système transactionnel.

Clients, secteurs et maturité commerciale

Clients nommés vs anonymisés

Un point clé pour un examen sceptique est la preuve client vérifiable.

Le site officiel et les études de cas ne nomment aucun client. À la place, ils font référence à “a multinational manufacturer of pet nutrition products” ou “a leading packaged foods company”.¹⁸¹⁹
Les logos publics ou les témoignages détaillés d’entreprises reconnues sont absents des documents consultés.

Cela ne signifie pas qu’Asper.ai n’a pas de vrais clients, mais cela implique qu’en tant qu’observateurs extérieurs, nous ne pouvons pas vérifier indépendamment les affirmations d’impact ni recouper la satisfaction client.

Secteurs et géographie

D’après le positionnement produit et les exemples de cas, Asper.ai vise clairement :

Fabricants de CPG et d’aliments & boissons,
éventuellement les branches de vente au détail et de distribution de ces marques,
avec une emphase sur des opérations globales ou multi-régionales.¹²¹⁰¹³¹⁸¹⁹¹²

Les documents d’entreprise situent le socle juridique en Inde (Bangalore) avec une présence en front-office à Chicago et Londres, ce qui suggère une approche commerciale centrée sur l’Amérique du Nord et l’Europe pour les clients générateurs de revenus, l’Inde servant comme principal centre d’ingénierie et de livraison.⁵⁷⁹¹²

Échelle et maturité

Les données financières et d’entreprise indiquent :

une constitution en 2019 et un lancement de marque en 2022,
des revenus dans la tranche ₹10–25 crore (~USD 1–3m) pour l’exercice 2022-23, en croissance mais avec des marges d’exploitation négatives,⁵
un financement de USD 20m de la part de Fractal en 2025 pour étendre l’activité.¹⁰¹³¹⁴

Glassdoor montre une base d’employés petite mais non négligeable, des avis mitigés (y compris des commentaires mentionnant “RGM” et “Gen-AI”) et un environnement de travail typique d’une entreprise SaaS en phase de croissance.¹¹

Sur cette base, Asper.ai devrait être considéré comme un fournisseur en phase d’échelle précoce :

techniquement suffisamment crédible pour disposer d’un produit opérationnel et de clients payants,
mais sans la richesse d’une base de références ni la robustesse financière d’un fournisseur APS/ERP bien établi.

Évaluation de la modernité d’Asper.ai

Là où Asper.ai paraît moderne et crédible

Sur le plan de la prévision et des plateformes de données, Asper.ai semble techniquement à jour :

L’utilisation du deep learning pour la prévision de la demande et la détection de la demande, avec des modèles à multiples variables, est la pratique courante en 2025, notamment dans le CPG.³⁴⁹
L’architecture cloud-native, basée sur des microservices sur AWS/Azure, utilisant Go, Kafka et Postgres, est un schéma standard et robuste pour des analyses SaaS évolutives.³⁴¹⁵¹⁶¹⁷
L’accent mis sur la gestion de la croissance des revenus (tarification & promotion) étroitement lié à la prévision est en phase avec la manière dont les acteurs avancés du CPG envisagent la valeur : non seulement en minimisant l’erreur de prévision, mais en maximisant les revenus et les marges via les leviers de prix et de promo.²¹⁰¹³¹⁸¹²

Dans cette optique, Asper.ai n’est pas à la traîne ; au contraire, il est bien aligné avec les meilleures pratiques actuelles en matière de planification pilotée par le ML pour le CPG, du moins en théorie.

Là où les preuves sont faibles ou absentes

Cependant, plusieurs aspects critiques manquent de preuves solides :

Optimisation décisionnelle Il n’existe aucun compte-rendu détaillé sur la manière dont les prévisions se transforment en décisions en situation d’incertitude (quantités de commande, calendriers promotionnels, échelles tarifaires) et sur les techniques mathématiques ou algorithmiques utilisées. En l’absence de cela, les affirmations concernant une “décision autonome” et des “décisions interconnectées et automatisées” doivent être considérées comme des assertions marketing, et non comme des faits techniques vérifiés.³⁴¹⁸
Gestion de l’incertitude Les documents publics ne précisent pas si Asper.ai fonctionne avec :
- des distributions complètes de la demande,
- des quantiles,
- ou des prévisions ponctuelles accompagnées d’heuristiques.
Ceci est important pour évaluer la capacité du système à gérer l’incertitude. En revanche, les fournisseurs qui abordent explicitement la prévision probabiliste et l’optimisation stochastique fournissent des preuves plus solides et vérifiables.
Profondeur Gen-AI Bien que les annonces d’emploi témoignent d’un véritable investissement dans les compétences Gen-AI, il n’existe aucune preuve visible que les LLMs soient utilisés au-delà de la couche UX et de la narration analytique. À l’heure actuelle, l’angle Gen-AI semble réel mais périphérique, et non central dans la logique d’optimisation.⁹¹⁶
Validation externe Il n’existe ni benchmarks publics, ni articles revus par des pairs, ni artefacts open-source, ni clients de référence nommés qui permettraient à des tiers de tester ou répliquer les affirmations d’Asper.ai. Tous les chiffres d’impact proviennent de documents produits par le fournisseur et anonymisés.¹⁸¹⁹

Verdict technique global

Sous un angle sceptique et fondé sur les preuves :

Asper.ai est presque certainement techniquement compétent sur le plan du ML et de l’ingénierie cloud : la stack, les rôles et les intégrations sur le marketplace sont en phase avec les pratiques actuelles des solutions SaaS pilotées par l’IA pour la planification.
Il n’est pas encore démontré être à la pointe en termes de méthodes d’optimisation décisionnelle publiées et vérifiables pour la supply chain et la planification des revenus. L’aspect prévisionnel est moderne ; celui de l’optimisation reste opaque.
Le positionnement du fournisseur en tant que plateforme de décision autonome, native à l’IA, est directionnellement plausible mais insuffisamment documenté pour être accepté sans accès technique direct ou validation par les clients.

Pour un acheteur averti, Asper.ai devrait être évalué à l’aide de pilotes pratiques avec des tests A/B soigneusement conçus et une vision claire de la manière dont les recommandations sont produites et régulées, plutôt que sur la seule base d’affirmations marketing.

Réponses directes aux questions clés

Qu’apporte exactement la solution d’Asper.ai ?

D’après les preuves publiques, Asper.ai fournit :

Prévisions de demande probabilistes / pilotées par le ML et détection de la demande pour des hiérarchies de produits et de clients à la manière du CPG.
Analyses de gestion de la croissance des revenus pour la tarification et la promotion : lignes de base, hausses, efficacité des promos et mesure du ROI.
Recommandations intégrées aux workflows et automatisation partielle pour :
- les cycles de planification de la demande,
- les calendriers de promo et de tarification,
- potentiellement certaines décisions d’exécution des ventes et d’optimisation de stocks.

Ceux-ci sont fournis sous forme d’applications cloud SaaS (Dynamic Demand.ai et Pricing & Promotion) intégrées au data warehouse et aux processus de planification du client.¹²³⁴¹⁸¹²

Par quels mécanismes et architectures les résultats sont-ils obtenus ?

Mécanismes (autant que l’on peut en déduire) :

L’ingestion de données depuis la pile de données du client (AWS Redshift, Azure, etc.).³⁴
Des modèles de prévision basés sur le deep learning entraînés sur les ventes historiques, les prix, les promos, la distribution et d’autres moteurs.³⁴⁹
Des couches analytiques qui calculent les hausses de promo, le ROI et l’impact des scénarios.
Une application web intégrant ces analyses dans les workflows des équipes de planification.

Architecture :

SaaS multi-locataire sur AWS/Azure.
Services back-end en Go/Python avec Kafka et stockage relationnel.
Des pipelines ML utilisant des frameworks Python ML standards (TensorFlow/PyTorch/scikit-learn).³¹⁵⁹¹⁶
Des interfaces utilisateur orientées business pour la planification et le RGM.²⁴¹²

Dans quelle mesure les affirmations d’IA / d’optimisation d’Asper.ai sont-elles étayées ?

IA / ML – raisonnablement étayé :
- Les annonces sur le marketplace mentionnent explicitement le deep learning.
- Les annonces d’emploi listent les frameworks ML grand public et les exigences Gen-AI.³⁴⁹¹⁶
Optimisation / décision autonome – faiblement étayé :
- Aucune description technique visible des fonctions objectives, des contraintes ou des algorithmes.
- Aucun benchmark externe ou validation par des clients nommés.
- Les études de cas sont anonymisées et qualitatives.¹⁸¹⁹

Un acheteur prudent devrait traiter les affirmations concernant l’optimisation comme des hypothèses à tester lors de pilotes, et non comme des faits établis.

Maturité commerciale

Juridiquement et financièrement, Asper.ai est une entité d’entreprise âgée de 6 ans avec environ 5–6 ans d’activités, mais la marque Asper.ai et la ligne de produits actuelle datent effectivement de 2022.²⁰⁵⁷⁸⁹¹²
Les revenus semblent se situer dans la tranche des millions de dollars à un seul chiffre inférieurs, en croissance mais pas encore au niveau d’un fournisseur d’entreprise à grande échelle.⁵
La société bénéficie d’un soutien significatif de Fractal (investissement de USD 20m, intégration d’entreprise), ce qui soutient sa capacité à poursuivre le développement des produits et sa commercialisation.¹⁰¹³¹⁴
L’absence de références clients nommées et la documentation publique limitée indiquent un fournisseur encore en phase de montée en échelle précoce plutôt qu’un acteur APS pleinement mature.

Conclusion

Asper.ai se caractérise au mieux comme une application IA axée sur le CPG et soutenue par Fractal pour la prévision de la demande et la gestion de la croissance des revenus, proposée sous forme de SaaS cloud sur AWS et Azure. Les informations publiques soutiennent clairement l’existence d’une stack ML moderne (deep learning, fonctionnalités liées à Gen-AI), d’une architecture cloud contemporaine, et d’une gamme de produits en phase avec la manière dont les marques de consommation envisagent la prévision et le RGM.

Cependant, d’un point de vue hautement sceptique et fondé sur les preuves, plusieurs réserves sont importantes :

La couche d’optimisation décisionnelle — la façon dont les prévisions se transforment en décisions concrètes et économiquement rationnelles en situation d’incertitude — est essentiellement non documentée dans les sources publiques. Les affirmations concernant la “décision autonome” et une forte automatisation doivent donc être considérées comme non prouvées jusqu’à ce qu’un acheteur puisse inspecter directement les modèles et les résultats.
Les preuves clients sont faibles : les études de cas sont anonymisées, et aucun logo client vérifiable ni témoignage indépendant n’est disponible. Tous les chiffres d’impact proviennent de documents produits par le fournisseur.
Le fournisseur est commercialement jeune et dépend encore du capital et de l’écosystème de Fractal, avec des données financières correspondant à une entreprise en phase de scale-up plutôt qu’à un fournisseur d’entreprise pleinement mature.

Comparé à Lokad, Asper.ai ressemble à une application IA verticale avec une forte orientation CPG/RGM et du ML en boîte noire, tandis que Lokad est une plateforme d’optimisation probabiliste horizontale avec une couche de modélisation programmable et un traitement de l’incertitude plus explicite et inspectable.

Pour les acheteurs potentiels, l’implication pratique est la suivante :

Asper.ai peut constituer un bon choix si vous êtes une marque de CPG/de grande consommation à la recherche d’un cockpit de demande et RGM prêt à l’emploi, prêt à réaliser des pilotes et à juger l’impact empiriquement, et à l’aise avec une couche d’optimisation en grande partie en boîte noire.
Si vous avez besoin d’une optimisation supply chain transparente, programmable et intersectorielle — avec un contrôle explicite sur les modèles et les décisions —, l’empreinte publique actuelle d’Asper.ai suggère qu’il n’est pas un substitut aux plateformes comme Lokad.

Dans tous les cas, la due diligence devrait inclure : un pilote de preuve de valeur avec des KPI clairs, un accès à des explications détaillées sur la configuration et la modélisation, et une gouvernance robuste quant à la validation et la possibilité de surclasser les décisions “autonomes” par des experts humains.