Contactez-nous

Analyse d’Asper.ai, éditeur de logiciels de planification pour les produits de grande consommation

Par Léon Levinas-Ménard
Dernière mise à jour : 4 novembre 2026

Retour aux études de marché

Asper.ai est une entreprise de logiciels détenue par Fractal, au service des fabricants de produits de grande consommation. Sa plateforme actuelle associe planification de la demande et gestion de la croissance du chiffre d’affaires : prix, promotions, assortiment, mix produits et investissements commerciaux. Une plateforme de données sous-jacente rassemble les informations commerciales, tandis que l’interface conversationnelle AskAsper permet d’explorer scénarios et recommandations. Les systèmes existants de gestion des ressources de l’entreprise et des promotions commerciales conservent les enregistrements de transactions et reçoivent les plans et décisions approuvés. 1

Note globale en supply chain : 4,4/10.

Dimension Note
Profondeur en supply chain 4,6/10
Substance des décisions et de l’optimisation 4,6/10
Intégrité du produit et de l’architecture 4,4/10
Transparence technique 4,0/10
Sérieux de l’éditeur 4,2/10

Asper traite des problèmes commercialement pertinents. Prix, dépenses promotionnelles et substitution entre produits font partie de l’évaluation économique de la demande. Ses anciennes études de cas font aussi état d’automatisation des prévisions et de gains de productivité des planificateurs. La faiblesse réside dans le passage de ces capacités à la promesse actuelle d’une croissance coordonnée et agentique : les preuves publiques établissent beaucoup plus clairement l’assistance à la prévision et les recommandations commerciales qu’un système reproductible améliorant le profit après coûts d’implémentation et d’exploitation. 1 6 7

Des brevets décrivent des recommandations probabilistes d’actions et l’évaluation des ajustements des planificateurs, sans établir leur implémentation dans la plateforme commerciale actuelle. Les descriptions de déploiement couvrent plusieurs services cloud, et l’offre actuelle inclut conseil, accompagnement de l’adoption et développement des compétences. Le coût de maintenance de cette combinaison pèse directement sur les rendements promis. 10 11 12 13 15

Asper.ai face à Lokad

Asper part de l’organisation de planification commerciale : réunir ses prévisions, analyser les opportunités de chiffre d’affaires, simuler prix et promotions, puis acheminer les décisions dans les circuits d’approbation existants. Lokad part des décisions elles-mêmes : quelles unités acheter, produire, allouer ou solder, compte tenu de la demande et de l’approvisionnement incertains, des contraintes opérationnelles et des conséquences financières de chaque alternative. La promesse actuelle d’Asper de préserver les processus existants facilite l’adoption ; elle conserve aussi une grande part de la mécanique organisationnelle dont la productivité mérite d’être interrogée. 1 Voir l’approche d’optimisation des stocks de Lokad.

La distinction compte lorsqu’une promotion paraît attrayante. Davantage de ventes prévues peut coïncider avec des ventes à plein tarif perdues, des transferts de stock coûteux, un réapprovisionnement insuffisant ou des invendus après l’opération. Asper couvre explicitement les effets des prix et promotions. Ses documents publics ne montrent pas comment les réceptions fournisseurs incertaines, les utilisations concurrentes des stocks et leurs conséquences financières entrent dans un calcul commun de décision. Son brevet de gestion des écarts constitue un point de départ utile — probabilités, actions possibles, contraintes, gains ou pertes —, mais n’établit pas le traitement déployé de ce problème précis de supply chain. 1 10

Introduction to Supply Chain de Lokad expose la perspective de conception plus large : automatiser les décisions numériques, exprimer leur économie et améliorer la logique à mesure que les connaissances s’accumulent. La comparaison pertinente de productivité inclut les personnes qui maintiennent correspondances de données, modèles, exceptions et règles commerciales. Une réunion de revue des prévisions plus courte ne représente qu’une partie de ce travail.

De l’anticipation de la demande au RGM agentique

L’entité britannique a été constituée en novembre 2019 sous le nom Samya.ai Limited et a pris celui d’Asper.ai en novembre 2022. Fractal a acquis Samya en juin 2021. 2 4

Période Affirmation publique ou orientation du produit Ce qu’établit le dossier
2020 Dynamic Demand AI utilisait 200 facteurs externes et l’apprentissage automatique automatisé pour anticiper la demande. Le lancement décrivait la consultation de plus de 100 planificateurs et des essais de démonstration de valeur auprès de cinq entreprises de grande consommation. Il ne publiait pas d’évaluation contrôlée des promesses de prévision ou de revenus.
2021 Fractal a acquis Samya en mettant en avant deep learning, apprentissage par renforcement, méthodes probabilistes et avantage d’un facteur dix. L’annonce d’acquisition ne définissait ni grandeur, ni référence, ni expérience derrière cet avantage.
2022 Asper a été lancé avec un moteur de décision autonome couvrant demande, stocks, prix et promotions. La même annonce décrivait les modules de planification de la demande et de prix/promotions comme des versions d’essai limitées.
2023 Les études de cas décrivaient une planification de la demande peu interventionniste et des gains de productivité des planificateurs. Les processus documentés conservaient les ajustements des planificateurs et réservaient les cas à risque élevé à l’intervention humaine.
2025 Fractal a annoncé un investissement échelonné de $20 millions. Le périmètre annoncé couvrait toujours demande, gestion de la croissance du chiffre d’affaires, planification des stocks et exécution commerciale.
Actuel Agentic RGM réunit agents commerciaux, AskAsper et plateforme de données. La description actuelle se concentre sur des décisions commerciales encadrées et la préservation des processus d’entreprise existants.

Sources : 3 4 5 6 7 9 1.

Le vocabulaire initial de l’IA était déjà ambitieux. En 2022, « autonome » qualifiait une suite dont les modules annoncés étaient encore en version d’essai limitée. Les documents clients ultérieurs proposent un récit plus restreint et plus crédible : automatiser une partie de la production des prévisions et aider les planificateurs à traiter le reste. La présentation agentique actuelle doit prouver ce qui a changé dans le système numérique de décision, au-delà de l’ajout d’une interface conversationnelle. 5 6 7

Il existe une continuité dans le problème commercial traité. Anticipation de la demande, facteurs externes, intervention des planificateurs et effets sur les revenus reviennent dans tout l’historique. La continuité est beaucoup plus faible dans la documentation technique publique : les liens actuels vers les produits, les ressources et la philosophie de l’IA mènent largement à une page annonçant un contenu à venir, tandis que des cas utiles subsistent dans des PDF archivés. La maturité du produit devrait rendre les mécanismes et résultats plus faciles à examiner. 1 6 7

Ce que révèlent les méthodes numériques

Les recommandations probabilistes dans les brevets

Une demande de brevet Samya publiée en 2021 décrit un système de gestion des écarts. Un utilisateur définit un cas d’usage et des métriques ; des modèles interconnectés prédisent des écarts, leur attribuent des probabilités, retracent leurs effets et recommandent des actions. Les revendications incluent explicitement des distributions des résultats des actions, des contraintes opérationnelles définies par l’utilisateur et des gains quantifiés en cas d’action ou des pertes en cas de refus. Un mécanisme de retour d’expérience enregistre les actions pour améliorer les prédictions suivantes. 10

C’est une preuve substantielle d’une tentative de dépasser une prévision unique suivie d’une alerte. La conception publiée relie incertitude, actions possibles et métriques interdépendantes. Toutefois, une métrique configurable peut représenter le chiffre d’affaires, l’erreur de prévision ou une autre cible. Le brevet ne tranche pas si le produit déployé valorise toutes les conséquences pertinentes de manière cohérente, apprend fiablement les effets causaux ou coordonne des stocks rares entre décisions concurrentes. Ce sont des questions d’implémentation aux conséquences économiques directes. 10

Un second brevet, accordé en 2025 avec une priorité de 2020, concerne les ajustements de prévisions. Il compare les prévisions ajustées aux résultats réels, identifie les biais systématiques et attribue des notes de compétence aux entités effectuant les ajustements. Il recommande ensuite des améliorations des prévisions suivantes. Cela peut révéler des interventions nuisibles des planificateurs, mais la sortie principale reste une prévision ajustée. Améliorer la qualité prédictive ne détermine pas, en soi, la meilleure quantité à commander ou le meilleur prix. 11

Incertitude de la demande et de l’approvisionnement

Le produit commercial insiste sur les facteurs de demande, l’élasticité des prix et les scénarios. Ni sa description actuelle ni les fiches des places de marché n’expliquent une distribution conjointe de la demande, des délais fournisseurs, des quantités disponibles et des autres incertitudes d’approvisionnement. Le brevet sur les écarts est assez général pour discuter de plusieurs métriques ; il manque une implémentation concrète de supply chain combinant ces incertitudes avant de choisir une action. 1 10 12 13

Cette lacune devient importante lorsque les décisions commerciales et physiques interagissent. Une promotion modifie la demande précisément lorsque le réapprovisionnement peut être peu fiable. Une recommandation de prix traitant la disponibilité future comme une entrée fixe peut sembler rentable tout en reportant des coûts sur des expéditions urgentes, des ventes perdues ailleurs ou des stocks résiduels. Davantage de signaux de demande ne résout pas l’incertitude sur ce qui peut réellement être fourni.

Asper doit aussi distinguer les ventes prévues de l’effet d’une modification de prix ou de promotion. Les promotions historiques sont choisies par des personnes réagissant à la demande attendue, au comportement des concurrents et aux positions de stock. Un modèle ajusté à ces observations peut reproduire cette sélection sans estimer l’effet supplémentaire d’une autre action. Les descriptions publiques identifient élasticité et rendements promotionnels, mais n’exposent ni la méthode d’évaluation contrefactuelle ni son erreur. 1 13

Ce que mesurent les preuves clients

Le cas archivé de nutrition animale donne des détails opérationnels utiles : 87 clients, 23 entrepôts, plusieurs canaux commerciaux et une prévision glissante sur quatre mois. Les cas demandant peu d’intervention ont été automatisés ; les planificateurs ajustaient la référence pour les cas plus exigeants. Les résultats distinguent environ 60 % du portefeuille automatisé de 42 % du volume produit piloté par des décisions automatisées. Le document n’établit pas que les commandes d’achat, lancements de production ou prix étaient exécutés automatiquement. 6

Ses chiffres de précision exigent aussi leurs dénominateurs d’origine. Soixante-dix pour cent du portefeuille s’est amélioré ; ce n’est pas une affirmation de précision à 70 %. Un tiers du portefeuille se serait amélioré de plus de 20 points de pourcentage, et le cas annonce une amélioration de 6 % sur trois canaux. La discussion initiale mentionne une erreur absolue moyenne en pourcentage supérieure à 25 %, mais les résultats ne fournissent pas de formule cohérente, de pondération, d’erreur finale et de protocole hors échantillon. L’acheteur ne peut reconstituer l’amélioration à partir des chiffres publiés. 6

Le cas des aliments emballés est plus précis sur le temps écoulé. Il rapporte une amélioration de 6,8 % de la précision pour deux catégories durant les huit premières semaines, plus de 5 % entre catégories la première année, 8,2 % la deuxième et 40 % de productivité supplémentaire des planificateurs. L’implémentation comprenait un atelier de découverte, une cartographie des processus, une démonstration de valeur et la configuration du futur processus de planification. Les situations à haut risque continuaient de recevoir l’attention des planificateurs. 7

Ce sont des bénéfices clients déclarés, avec des précisions utiles sur leur périmètre. Ils restent des cas anonymes sans métrique de prévision, population témoin, dénominateur de productivité ou coûts complets de personnel et de services permettant de reproduire l’évaluation. Le cas des aliments emballés ne dit pas si 40 % de productivité signifie moins d’heures, plus d’articles par planificateur ou une autre répartition des activités. Aucun ne donne le profit net réalisé après l’implémentation et le travail récurrent. 6 7

Les affirmations des places de marché élargissent les promesses. AWS décrit un engagement de gain de précision de 5–15 % ; Microsoft décrit un gain de 10–20 points et jusqu’à 80 % d’automatisation du portefeuille. Pourcentages et points de pourcentage sont des mesures distinctes, et les fiches n’établissent pas de références communes ni de périmètre produit identique. La précision par catégorie ne démontre pas non plus la qualité du réapprovisionnement par SKU : l’agrégation supprime une grande partie de la variation qui rend les décisions individuelles de stock difficiles. 12 13

Composants logiciels et frontières opérationnelles

Les descriptions publiques les plus concrètes des composants viennent des fiches de places de marché rédigées par l’éditeur.

Description du produit Composants nommés Conséquence pour l’exploitation
Fiche AWS de prévision de la demande Redshift, Amazon EMR et ElastiCache Entrepôt, traitement distribué et cache exigent chacun synchronisation des données, choix de capacité et maintenance opérationnelle.
Fiche d’application Microsoft Cosmos DB, Azure Database for PostgreSQL, Kubernetes Service, Azure OpenAI et machines virtuelles Deux services de base de données, orchestration de conteneurs, service de modèles et service d’IA externe créent plusieurs interfaces à exploiter et sécuriser.
Présentation actuelle de la plateforme Intégration aux plateformes cloud et de données existantes des clients L’infrastructure de données du client demeure une composante de l’exploitation au lieu de disparaître dans l’application.

Sources : 12 13 1.

Les descriptions AWS et Azure sont des offres distinctes ; les documents publics ne les relient pas à des versions de l’actuelle plateforme Agentic RGM. Même la fiche AWS associe l’affirmation que le produit est construit avec des services AWS à des métadonnées le classant comme services professionnels et indiquant « No » pour « Deployed on AWS ». Cela réduit son utilité comme spécification de déploiement. Les acheteurs ont besoin de la topologie réelle, des responsabilités de service et du parcours de mise à niveau de leur installation. 12 13

Une offre de Lead Data Scientist chez Asper décrit la construction et la maintenance des pipelines de modèles, leur déploiement, la surveillance de leur comportement et leur mise à jour avec les équipes techniques et métier. Python et SQL figurent parmi les compétences recherchées. Le point concret est le travail d’ingénierie permanent : nouveaux signaux externes, produits changeants et modèles se dégradant demandent des pipelines entretenus et des révisions délibérées. 14

Asper se décrit clairement comme une couche de décision au-dessus de l’ERP et de la gestion des promotions commerciales. Approbation et synchronisation des résultats exigent toujours de gérer les pannes : quel système possède une décision, que se passe-t-il lorsqu’une écriture échoue, et comment une requête répétée évite-t-elle une double exécution ? Les documents publics ne donnent ni contrat d’API, ni sémantique de nouvelle tentative, ni schéma de versionnement des modèles, ni procédure de reprise opérationnelle. 1

Frontières de sécurité

La fiche Azure cite Kubernetes et qualifie l’application de sûre. La politique de confidentialité du site décrit une protection générale des données personnelles. Ni l’une ni l’autre n’explique l’isolation des traitements clients, les privilèges des agents commerciaux, l’accès aux identifiants de production, les restrictions réseau sortantes ou la récupération après compromission d’un modèle ou d’une intégration. Ces mécanismes comptent lorsque les recommandations peuvent devenir des actions commerciales approuvées. 13 16

La plateforme actuelle promet garde-fous et auditabilité, mais ne décrit pas comment un corridor de prix ou une règle commerciale est imposé indépendamment de l’agent proposant l’action. La trace d’une action dangereuse ne l’empêche pas. L’évaluation de sécurité reste donc faible tant que droits d’exécution, application des limites et récupération ne sont pas techniquement examinables. 1

Maintenance de la configuration, productivité et responsabilité

La plateforme de données d’Asper intègre attributs produits, mécaniques promotionnelles et taxonomie commerciale. Ses agents utilisent corridors de prix, échelles de conditionnements et règles commerciales. Ces éléments codent de véritables connaissances métier, mais créent aussi de la configuration à entretenir. Nouveaux conditionnements, accords distributeurs, promotions et structures de marché modifient les hypothèses des calculs. Le coût de révision et de mise à jour sûre de cette logique appartient au coût total de possession. 1

L’offre actuelle Value Enablement rend explicite la contribution humaine : interventions d’experts, aide à l’adoption, alignement entre fonctions et maintien des compétences RGM. Les services de PricingOne comprennent stratégie, accompagnement de l’implémentation, analytique et formation. Le livre blanc d’Asper de 2023 demandait lui aussi des changements d’organisation et de processus. Le produit se vend avec une transformation importante du travail des équipes commerciales. 1 15 8

Cela nuance l’affirmation de l’annonce de 2025 selon laquelle la plateforme élimine les obstacles liés aux talents IA internes, à l’infrastructure et à l’entraînement des modèles. Externaliser ces tâches peut être intéressant. Cela ne supprime ni leur coût, ni le travail de données du client, ni l’expertise commerciale requise pour maintenir l’implémentation. La période annoncée de démonstration de valeur s’arrête aussi avant le déploiement complet et ses obligations récurrentes. 9 1

La question de productivité après 2022 dépasse la possibilité pour un planificateur d’interroger un assistant. Combien de personnes maintiennent les décisions en fonctionnement, et à quelle vitesse l’organisation peut-elle améliorer la logique ? Les études de cas d’Asper annoncent moins de travail de prévision. Les documents publics actuels ne montrent pas de processus versionné et testable pour changer les règles commerciales, rejouer les décisions sur l’historique, mesurer les effets économiques et annuler une mauvaise modification. Préserver les approbations et ajouter des conversations peut accélérer des tâches individuelles tout en laissant le processus principal d’amélioration très consommateur de travail. 6 7 1

La fiche AWS d’Asper prend bien un engagement de résultat : une hausse de la précision de prévision. Elle ne publie ni métrique contractuelle, ni test d’acceptation, ni recours, ni partage des responsabilités si l’objectif n’est pas atteint. Le bilan économique pertinent doit couvrir la marge réalisée et les conséquences sur les stocks après coûts de logiciel, de conseil et de travail client. Une amélioration d’un score de prévision n’apporte pas automatiquement cette réponse. 12

Note en supply chain

Chaque sous-note va de 0 à 10. La note globale est la moyenne non pondérée des 25 sous-notes.

Profondeur en supply chain

Critère Note
Cadrage économique 6/10
Aboutissement opérationnel de la décision 4/10
Netteté conceptuelle en supply chain 5/10
Indépendance vis-à-vis de doctrines centrales dépassées 4/10
Résistance à la mise en scène des KPI 4/10

Moyenne : 4,6/10.

Cadrage économique — 6/10. Prix, dépenses promotionnelles, mix et marge sont des variables économiques substantielles. Le produit public n’expose pas de calcul commun intégrant risques de stock et d’approvisionnement aux côtés de ces effets commerciaux. 1 10

Aboutissement opérationnel de la décision — 4/10. La plateforme actuelle promet une exécution commerciale approuvée, mais les cas documentés établissent production de prévisions et assistance aux planificateurs. Leurs pourcentages d’automatisation n’identifient pas de décisions de réapprovisionnement ou de production exécutées. 1 6 7

Netteté conceptuelle en supply chain — 5/10. Le brevet sur les écarts relie incertitude, actions alternatives, contraintes opérationnelles et métriques interdépendantes. L’implémentation commerciale de l’incertitude conjointe demande-approvisionnement reste inexpliquée. 10 12

Indépendance vis-à-vis de doctrines centrales dépassées — 4/10. L’offre conserve une prévision unifiée, les processus S&OP existants, les ajustements des planificateurs et les approbations. L’automatisation économique des décisions est moins développée publiquement que la mécanique soutenant ces pratiques. 11 12 13

Résistance à la mise en scène des KPI — 4/10. Les cas clients conservent des informations utiles de périmètre et de calendrier, mais gains de précision et automatisation du portefeuille n’ont pas les définitions nécessaires pour être reliés au profit ou aux effectifs. 6 7 13

Substance des décisions et de l’optimisation

Critère Note
Profondeur de la modélisation probabiliste 5/10
Substance distinctive de l’optimisation ou de l’apprentissage automatique 5/10
Prise en compte des contraintes réelles 4/10
Automatisation des décisions et productivité du travail 5/10
Résilience face à la complexité opérationnelle réelle 4/10

Moyenne : 4,6/10.

Profondeur de la modélisation probabiliste — 5/10. Le brevet décrit des distributions d’écarts et de résultats d’actions. Les preuves publiques de déploiement n’expliquent ni leur calibration, ni leur structure de dépendance, ni leur application à un approvisionnement incertain. 10

Substance distinctive de l’optimisation ou de l’apprentissage automatique — 5/10. Les brevets sur les métriques interconnectées et les ajustements de prévisions révèlent des mécanismes dépassant les étiquettes génériques d’IA. Leur implémentation, performance comparative et rôle dans le produit actuel ne sont pas examinables. 10 11

Prise en compte des contraintes réelles — 4/10. Le produit actuel identifie des garde-fous commerciaux et le brevet autorise des contraintes par cas d’usage. Le traitement conjoint de la capacité physique, des réceptions incertaines, de la concurrence pour les stocks et des engagements commerciaux n’est pas précisé. 1 10

Automatisation des décisions et productivité du travail — 5/10. Les cas de nutrition animale et d’aliments emballés rapportent un périmètre réel d’automatisation et des gains de productivité des planificateurs. Aucun ne mesure la charge récurrente complète ni la productivité du changement de logique décisionnelle. 6 7

Résilience face à la complexité opérationnelle réelle — 4/10. Les cas multicanaux et multi-entrepôts établissent des conditions opérationnelles pertinentes. Ils ne révèlent pas les performances lors de perturbations d’approvisionnement, d’intégrations défaillantes ou de modifications importantes de l’assortiment et des règles métier. 6 7

Intégrité du produit et de l’architecture

Critère Note
Cohérence architecturale 5/10
Clarté des frontières du système 6/10
Sérieux en matière de sécurité 3/10
Sobriété logicielle et coût de possession 4/10
Compatibilité avec les opérations programmatiques et assistées par agents 4/10

Moyenne : 4,4/10.

Cohérence architecturale — 5/10. Les couches actuelles de données et de décision forment un concept commercial cohérent. La relation entre l’offre AWS, l’application Azure et la plateforme actuelle manque d’une cartographie publique des versions ou déploiements. 1 12 13

Clarté des frontières du système — 6/10. Asper laisse explicitement les transactions à l’ERP ou à la gestion des promotions commerciales et décrit la synchronisation des plans et résultats. La sémantique des pannes et la responsabilité des actions partiellement réalisées restent indéfinies. 1

Sérieux en matière de sécurité — 3/10. Les descriptions publiques identifient infrastructure cloud et protections générales, sans exposer isolation des clients, privilèges des agents, protection des identifiants ou frontières d’exécution imposables. 1 13 16

Sobriété logicielle et coût de possession — 4/10. Services cloud nommés, pipelines de modèles entretenus, configuration commerciale et prestations spécialisées créent une obligation d’exploitation importante. Les prix publics et cas clients ne quantifient pas cette obligation. 12 13 14 15

Compatibilité avec les opérations programmatiques et assistées par agents — 4/10. AskAsper et l’exécution approuvée donnent une orientation produit tournée vers les agents. Contrats d’API publics, changements de règles testables et retour versionné de la logique décisionnelle sont absents des documents produit. 1

Transparence technique

Critère Note
Documentation technique publique 4/10
Examen possible sans médiation de l’éditeur 3/10
Visibilité de la portabilité et de la dépendance 3/10
Transparence de la méthode d’implémentation 5/10
Densité de preuves derrière les affirmations techniques 5/10

Moyenne : 4,0/10.

Documentation technique publique — 4/10. Brevets et fiches de places de marché révèlent algorithmes proposés et composants. Les liens actuels de produit mènent fréquemment à une page provisoire, laissant un large écart entre ces documents et un guide d’implémentation. 1 10 11 13

Examen possible sans médiation de l’éditeur — 3/10. Aucun modèle public exécutable, jeu d’évaluation ou API de décision n’accompagne les affirmations commerciales. Les PDF clients rapportent des résultats sans procédure de mesure reproductible. 6 7 1

Visibilité de la portabilité et de la dépendance — 3/10. La plateforme travaille au-dessus de l’infrastructure client existante, mais ne documente pas l’export des modèles entraînés, de la configuration commerciale, de l’historique d’actions ou de la logique décisionnelle exécutable. 1

Transparence de la méthode d’implémentation — 5/10. Le cas des aliments emballés décrit découverte, cartographie des processus, démonstration de valeur et configuration. Les documents actuels identifient un accompagnement spécialisé de l’adoption, mais pas les effectifs et le calendrier de maintenance d’un déploiement complet. 7 1 15

Densité de preuves derrière les affirmations techniques — 5/10. Deux brevets substantiels, des descriptions de composants cloud et des cas archivés détaillés permettent une évaluation technique significative. Le produit agentique actuel dispose de beaucoup moins de preuves sur ses mécanismes. 10 11 6 13 1

Sérieux de l’éditeur

Critère Note
Sérieux technique de la communication publique 4/10
Intégrité de la feuille de route technologique 4/10
Netteté conceptuelle 5/10
Responsabilité économique 4/10
Défendabilité dans un monde de logiciels agentiques 4/10

Moyenne : 4,2/10.

Sérieux technique de la communication publique — 4/10. Les anciennes promesses d’avantage décuplé et de suite autonome dépassent les mesures divulguées et l’état des versions. Des documents clients plus concrets restent disponibles dans les archives. 4 5 6 7

Intégrité de la feuille de route technologique — 4/10. Demande et planification commerciale fournissent un fil conducteur métier. L’historique public ne retrace pas comment l’ancien moteur autonome est devenu la plateforme agentique actuelle, ni quelles capacités numériques ont changé. 3 5 9 1

Netteté conceptuelle — 5/10. Les décisions commerciales liées et la mesure des biais des planificateurs répondent à des problèmes concrets. Les idées analytiques les plus fortes des brevets restent seulement faiblement reliées aux explications actuelles du produit. 10 11 1

Responsabilité économique — 4/10. L’engagement d’améliorer les prévisions est explicite, mais ses conditions d’acceptation et recours ne sont pas publiés. Les résultats clients omettent le profit net réalisé et les coûts combinés de l’éditeur, des partenaires et du client. 12 6 7

Défendabilité dans un monde de logiciels agentiques — 4/10. La préparation des données commerciales et la connaissance métier peuvent conserver leur valeur. Une couche conversationnelle sur des processus hérités offre un avantage plus faible si elle ne réduit pas aussi le travail nécessaire à l’exploitation et à l’amélioration des décisions numériques. 1 14 15

Sources

Les sources suivantes ont été vérifiées le 4 novembre 2026. Les études de cas et le livre blanc archivés conservent les descriptions historiques des produits et les résultats annoncés.

[1] Agentic RGM et présentation de la plateforme

Agentic RGM et présentation de la plateforme. Périmètre fonctionnel actuel, garde-fous commerciaux, AskAsper, plateforme de données, frontières d’intégration, Value Enablement et calendrier de démonstration de valeur.

[2] Registre d’Asper.ai Limited

Registre d’Asper.ai Limited. Constitution de l’entité britannique et ancien nom.

[3] Samya.ai présente Dynamic Demand AI

Samya.ai présente Dynamic Demand AI. Lancement de 2020, signaux externes, consultation des planificateurs et essais de démonstration de valeur.

[4] Fractal acquiert Samya.ai

Fractal acquiert Samya.ai. Acquisition et affirmations sur les méthodes numériques et l’avantage décuplé.

[5] Fractal annonce le lancement d’Asper.ai

Fractal annonce le lancement d’Asper.ai. Positionnement de suite autonome en 2022 et statut de version d’essai limitée.

[6] Étude de cas de planification de la demande en nutrition animale

Étude de cas de planification de la demande en nutrition animale. Cas archivé de cinq pages. Périmètre de prévision, interventions manuelles et automatisation du portefeuille comparée au volume ; page de résultats vérifiée visuellement.

[7] Étude de cas de planification de la demande pour des aliments emballés

Étude de cas de planification de la demande pour des aliments emballés. Cas archivé. Approche de découverte et de configuration, précision mesurée par étapes et productivité des planificateurs ; page de résultats vérifiée visuellement.

[8] Livre blanc De la prévision à l’exécution

Livre blanc De la prévision à l’exécution. Livre blanc archivé de 2023 décrivant les travaux d’organisation, de données et de processus nécessaires à l’implémentation.

[9] Fractal investit $20 millions dans Asper.ai

Fractal investit $20 millions dans Asper.ai. Annonce d’investissement de mars 2025, quatre domaines de produit et promesses d’externalisation des charges de développement de l’IA.

[10] Brevet de prédiction des écarts et de métriques interconnectées

Brevet de prédiction des écarts et de métriques interconnectées. Conception brevetée publiée pour écarts interconnectés, résultats probabilistes des actions, contraintes et retour d’expérience. Un brevet ne démontre pas le déploiement dans le produit actuel.

[11] Brevet d’ajustement des prévisions et d’attributs cognitifs

Brevet d’ajustement des prévisions et d’attributs cognitifs. Brevet accordé le 25 mars 2025, avec priorité de 2020, sur les biais d’ajustement des prévisions et les notes de compétence.

[12] Fiche AWS Marketplace de prévision de la demande

Fiche AWS Marketplace de prévision de la demande. Fiche AWS rédigée par l’éditeur : noms des composants, engagement de gain de prévision, parcours tarifaire et métadonnées de livraison.

[13] Application Microsoft Marketplace et composants Azure

Application Microsoft Marketplace et composants Azure. Fiche Microsoft rédigée par l’éditeur : services Azure, prévision unifiée et RGM, affirmations d’automatisation et de précision.

[14] Offre de Lead Data Scientist

Offre de Lead Data Scientist. Offre de l’employeur décrivant développement des modèles, maintenance des pipelines, intégration en production et surveillance.

[15] Services de PricingOne et développement des compétences

Services de PricingOne et développement des compétences. Services du partenaire, expertise commerciale et développement des compétences. Ses résultats clients généraux ne sont pas attribués à Asper.

[16] Politique de confidentialité du site Asper

Politique de confidentialité du site Asper. Pratiques de confidentialité du site ; aucune spécification détaillée des contrôles d’exécution ou d’isolation de la plateforme commerciale.