Revue d'Atoptima, fournisseur de logiciels d'optimisation DeepTech

Par Léon Levinas-Ménard

Dernière mise à jour : novembre, 2025

Atoptima est un éditeur de logiciels basé à Bordeaux, créé en 2019 en tant que spin-off deeptech de l’équipe de recherche RealOpt d’Inria, du CNRS et de l’Université de Bordeaux, spécialisée dans l’optimisation mathématique avancée pour des problèmes de planification complexes en logistique, en entreposage, en production et en conception de réseaux.¹² L’entreprise développe une suite de solveurs d’optimisation hébergés dans le cloud — RouteSolver pour l’acheminement des véhicules, PackSolver pour la palettisation 3D et le chargement, PickSolver pour l’attribution des emplacements en entrepôt et la préparation des commandes, PlanSolver pour la programmation de la production et de la main-d’œuvre, et FlowSolver pour la gestion des flux et la consolidation — déployés en tant qu’applications SaaS et en tant qu’API asynchrones via une couche d’orchestration appelée Galia.²³⁴⁵⁶ Techniquement, l’architecture d’Atoptima est centrée sur Julia : ses frameworks open-source Coluna.jl et BlockDecomposition.jl mettent en œuvre des algorithmes branch-and-price / branch-cut-and-price pour des programmes mixtes entiers à structure par blocs, intégrés avec JuMP et des solveurs MIP externes tels que HiGHS, GLPK, Gurobi et CPLEX ; les solveurs commerciaux s’appuient sur ces composants pour calculer des décisions opérationnelles telles que les tournées optimisées, les modèles de chargement et les calendriers.⁷⁸⁹¹⁰¹¹¹² D’un point de vue commercial, Atoptima reste un petit fournisseur actif — environ quinze employés, une levée de fonds de démarrage de 1,2 M€ annoncée en 2021 ainsi qu’une subvention d’innovation i-Nov en 2024 — avec quelques références clients vérifiables telles que Logtran (approvisionnant les enseignes du groupe Carrefour dans les Antilles françaises), CMA CGM / CEVA Logistics (planification de la décarbonisation de flotte) et AppliColis (logistique urbaine à vélo), ainsi que de nombreuses études de cas anonymisées en logistique et industrie.²¹³¹⁴¹⁵¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁶ La technologie d’Atoptima est clairement à la pointe de l’optimisation mathématique classique, mais elle ne semble pas couvrir la prévision de la demande ou l’optimisation probabiliste de stocks ; elle propose plutôt des modules prescriptifs haut de gamme qui supposent que les données en amont de la demande et des coûts sont fournies et qui retournent des décisions optimisées en matière d’acheminement, de chargement et de planification.

Aperçu d’Atoptima

Atoptima se positionne comme un « éditeur de logiciels d’aide à la décision » industrialisant plus de deux décennies de recherche académique en optimisation combinatoire pour en faire des outils opérationnels destinés à la planification logistique et de production.¹²¹² Née en 2019 du groupe RealOpt à Bordeaux, elle se concentre sur des problèmes de planification discrets tels que l’acheminement des véhicules avec fenêtres temporelles, la localisation d’entrepôts, la palettisation 3D, le prélèvement en entrepôt, ainsi que la programmation des machines ou de la main-d’œuvre, plutôt que sur de vastes suites de supply chain de bout en bout.¹²³⁴²⁷ L’offre se compose d’une famille de modules d’optimisation — RouteSolver, PackSolver, PickSolver, PlanSolver et FlowSolver — accessibles soit via une interface web SaaS où les utilisateurs chargent des données CSV/JSON, réalisent des optimisations et visualisent des cartes ou des diagrammes de Gantt, soit via une couche API asynchrone, Galia, qui accepte des tâches d’optimisation et renvoie les résultats via webhooks et WebSockets.²³⁴⁵⁶²⁷ En coulisses, les algorithmes de la société s’appuient sur des projets open-source basés sur Julia tels que Coluna.jl et BlockDecomposition.jl, qui implémentent des décompositions Dantzig-Wolfe et Benders ainsi que des stratégies branch-cut-and-price pour des programmes mixtes entiers à structure par blocs ; ceux-ci sont combinés avec des solveurs MIP commerciaux ou open-source via JuMP et MathOptInterface.⁷⁸⁹¹⁰¹¹ L’entreprise est petite et orientée deeptech, avec environ quinze employés, une levée de fonds de 1,2 M€ annoncée en 2021 et un financement public supplémentaire via Bpifrance, ADEME et le concours d’innovation i-Nov ; elle dessert un ensemble limité mais non négligeable de clients nommés, principalement en France et dans les marchés francophones, ainsi que de nombreux clients anonymisés en logistique et distribution.²¹³¹⁴¹⁵¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁶²⁷ La technologie est avancée en termes d’optimisation exacte et basée sur la décomposition, tandis que la maturité commerciale reste celle d’un fournisseur en phase de démarrage axé sur des projets.

Atoptima vs Lokad

Atoptima et Lokad abordent tous deux des problèmes de planification de la supply chain, mais sous des angles sensiblement différents. Atoptima est un spécialiste de l’optimisation prescriptive : elle se concentre sur la résolution de grands problèmes combinatoires NP-difficiles tels que l’acheminement des véhicules, la palettisation et la planification, en utilisant une programmation mathématique exacte ou quasi-exacte, implémentée en Julia sur Coluna et BlockDecomposition, et proposée sous forme de solveurs spécifiques au domaine (RouteSolver, PackSolver, PickSolver, PlanSolver, FlowSolver) qui supposent que la demande et les autres paramètres sont déjà connus.²³⁴⁷⁸⁹¹⁰¹¹²⁷ Lokad, en revanche, est une plateforme de prévision+optimisation dont l’offre principale est une application d’optimisation probabiliste sur mesure qui unifie la prévision de la demande, la planification de stocks, la programmation de la production et parfois la tarification au sein d’une chaîne Envision ; son architecture repose sur .NET (F#/C#), un DSL personnalisé, la prévision probabiliste et des algorithmes d’optimisation stochastique tels que Stochastic Discrete Descent et Latent Optimization plutôt que sur des solveurs MIP génériques.²⁸²⁹ Les modules d’Atoptima prennent généralement comme entrée des tâches et ressources concrètes (demande déjà quantifiée, capacités données, coûts spécifiés) et renvoient des plans optimisés — tournées, schémas de chargement, plannings — pouvant être intégrés dans des systèmes TMS/WMS/ERP existants ; ils n’estiment pas, d’après les preuves publiques, les distributions de la demande ni ne dérivent automatiquement des politiques de stocks, et leur communication « IA » renvoie principalement à l’optimisation mathématique.²³⁴³⁰²³²⁷ Lokad, en revanche, part de données transactionnelles et de données de référence brutes pour construire des modèles probabilistes de demande, puis calcule des décisions financièrement optimisées (quantités de réapprovisionnement, allocations de stocks, plannings de réparation, parfois tarifications) qui prennent explicitement en compte l’incertitude et des facteurs économiques tels que les coûts de détention, les pénalités de rupture de stock et les effets de panier.²⁸²⁹ D’un point de vue architectural, Atoptima expose un ensemble de microservices autour de Galia, conçus pour la soumission asynchrone de tâches d’optimisation et l’intégration dans d’autres systèmes, tandis que Lokad propose un espace de travail SaaS multi-tenant où les clients exécutent des scripts Envision sur un cluster de calcul partagé et transfèrent des données via SFTP et API.³¹³⁴¹¹⁵⁶²⁹ En termes de portée, Atoptima est plus restreinte et approfondie sur des problèmes opérationnels spécifiques comme l’acheminement et le chargement 3D, ancrée dans des décennies de recherche sur la génération de colonnes ; Lokad est plus étendue sur la supply chain, sacrifiant une partie de la précision algorithmique sur des problèmes combinatoires individuels au profit de l’échelle, de la modélisation probabiliste et des chaînes de décision de bout en bout. Enfin, la maturité commerciale diffère : Atoptima est un petit fournisseur en phase de démarrage avec quelques références nommées (Logtran, CMA CGM / CEVA, AppliColis) et des déploiements projets, tandis que Lokad est une entreprise plus mûre et autofinancée, fondée en 2008, avec une palette plus large de grands clients dans la distribution, la fabrication et l’aérospatial, et une évolution de plateforme de longue date axée sur la prévision probabiliste et la Supply Chain Quantitative.¹²¹³¹⁵¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁸²⁹

Historique de l’entreprise et financement

Fondation et origines académiques

Atoptima est née en 2019 en tant que spin-off de l’équipe de recherche RealOpt, un groupe conjoint CNRS/Inria/Université de Bordeaux/Bordeaux INP spécialisé dans l’optimisation combinatoire et la programmation mathématique.¹²¹² Inria décrit Atoptima comme un éditeur de logiciels d’aide à la décision né de collaborations de longue date avec des partenaires industriels sur l’acheminement des véhicules et des problèmes connexes, visant à industrialiser les avancées académiques en optimisation.¹ CNRS Innovation présente de même Atoptima comme l’aboutissement de plus de 25 ans d’expertise en optimisation combinatoire accumulée au sein de RealOpt, avec pour mission de transformer des modèles mathématiques de pointe en outils logiciels utilisables.²¹² L’équipe fondatrice comprend François Vanderbeck (directeur scientifique et professeur d’OR de longue date), Vitor Nesello et Adrien Duruisseau, alliant des compétences en mathématiques, en ingénierie et en affaires.²¹² Basée à Bordeaux, l’entreprise se positionne délibérément comme un acteur deeptech faisant le lien entre la recherche académique et le déploiement industriel plutôt que comme un éditeur de logiciels d’entreprise générique.¹²

Financement et soutien public

Les sources publiques rapportent de manière constante une unique levée de fonds en capital pour Atoptima : une levée de fonds de démarrage de 1,2 M€ en 2021, menée par Epopée Gestion, Bpifrance, ADEME et la Région Nouvelle-Aquitaine.¹³¹⁴ Tracxn répertorie cela comme le financement total divulgué de l’entreprise, équivalant à environ 1,4 M$ US, avec la dernière levée datant de septembre 2021.¹³ Societe.Tech et plusieurs articles de la presse économique française (notamment la couverture de cette levée de fonds) corroborent le montant et la composition des investisseurs, présentant ce financement comme un moyen d’accélérer l’industrialisation des produits et leur déploiement international.¹⁴ En plus des fonds propres, Atoptima a obtenu un soutien public à la R&D via le concours d’innovation i-Nov : CNRS Innovation rapporte qu’en 2024, Atoptima a remporté i-Nov avec un budget de projet de 1 113 177 €, dont 500 929 € ont été subventionnés, visant à améliorer ses solutions d’optimisation et son rayonnement commercial.² L’entreprise a également bénéficié de sélections par French Tech (par exemple French Tech NA20) et d’un accompagnement en incubation par Unitec à Bordeaux.¹² Les estimations de revenus de Compworth (environ 870 k$ US) doivent être considérées comme indicatives plutôt que précises, mais elles sont cohérentes avec une petite entreprise deeptech commercialement active.¹²

Activités d’acquisition

Les recherches sur CB Insights, Tracxn et d’autres bases de données de startups ne montrent aucune acquisition impliquant Atoptima — ni en tant qu’acquéreur ni en tant que cible.¹³³⁰¹⁵ La couverture médiatique, les profils CNRS/Inria et les documents de l’entreprise ne font pas non plus référence à des fusions ou acquisitions, se concentrant plutôt sur le développement organique et le financement public.¹² D’après les éléments disponibles, Atoptima demeure une startup indépendante sans historique de fusions-acquisitions à la fin de 2025.

Portefeuille de produits et périmètre de la supply chain

La gamme de produits d’Atoptima se décrit le mieux comme une suite de solveurs d’optimisation spécifiques au domaine pour les problèmes de planification discrets dans les opérations et la supply chain.²³⁴²⁷ Sur CNRS Innovation, FAQ Logistique et le site d’Atoptima lui-même, les mêmes modules principaux réapparaissent :

RouteSolver – optimisation du transport et de l’acheminement des véhicules (VRP à plusieurs dépôts, collecte et livraison, fenêtres temporelles, routage sur plusieurs périodes, itinéraires multimodaux, dimensionnement de flotte et planification de tournées).²³⁴²⁷
FlowSolver – optimisation des flux à travers un réseau logistique, incluant la consolidation dans les hubs, le cross-docking, et le routage multi-niveaux.²³⁴
PackSolver – palettisation et chargement 3D (chargement de camions, conteneurs ou ULD, construction de palettes, emballage d’articles surdimensionnés) avec contraintes volumétriques et de stabilité.²³⁴²⁷
PickSolver – allocation d’emplacements en entrepôt et préparation des commandes, incluant l’affectation des SKU aux emplacements, le groupement et l’organisation des itinéraires de préparation.²³⁴²⁷
PlanSolver – planification de la production et des effectifs, incluant le séquençage sur les machines, la détermination des lots, la planification des équipes et l’établissement des horaires.²³⁴

Ces modules sont généralement intégrés ou complètent des systèmes existants plutôt que de les remplacer. FAQ Logistique présente explicitement l’offre d’Atoptima comme un moyen d’enrichir les TMS, DMS, WMS, OMS ou APS avec une aide à la décision avancée, plutôt que comme une suite de planification complète.²⁷ CNRS Innovation souligne que ces outils sont utilisés à plusieurs niveaux de planification — stratégique, tactique et opérationnel — pour des problèmes tels que la localisation d’entrepôts, la planification des transports, la programmation de la production et la planification des effectifs.² Il est à noter qu’il n’existe aucune preuve d’une prévision de la demande intégrée ou d’une optimisation des politiques de stocks ; les modules d’Atoptima supposent que les paramètres de demande, de coût et de contrainte sont fournis et se concentrent sur le calcul de décisions prescriptives (tournées, schémas de chargement, plannings, allocations de ressources) à partir de ces éléments.²³⁴²⁷

Pile technologique et architecture

Moteur d’optimisation : Coluna et BlockDecomposition

L’atout technique le plus distinctif d’Atoptima est sa pile d’optimisation open-source centrée sur Coluna.jl et BlockDecomposition.jl, développée en collaboration avec des partenaires académiques.⁷⁸⁹¹⁰¹¹¹² Coluna est un cadre branch-and-price-and-cut implémenté en Julia : les utilisateurs modèlent des problèmes mixtes entiers dans JuMP, annotent leur structure par blocs à l’aide de BlockDecomposition, et laissent Coluna les reformuler via une décomposition Dantzig-Wolfe ou Benders avant d’appliquer des algorithmes branch-cut-and-price.⁷⁸⁹¹⁰ BlockDecomposition étend JuMP avec des macros qui déclarent le problème maître et les sous-problèmes, définissent des ensembles d’axes et spécifient comment les variables et contraintes sont groupées, permettant une implémentation générique des schémas de décomposition.⁸⁹

Coluna s’intègre avec de nombreux solveurs LP/MIP via MathOptInterface (HiGHS, GLPK, Gurobi, CPLEX, entre autres), permettant à Atoptima de combiner la décomposition avec les atouts des solveurs existants.⁷⁸⁵ Les présentations lors d’événements tels que la conférence sur la Génération de Colonnes et les ateliers MINOA mettent en avant son accent sur les MILPs à structure par blocs typiques des applications logistiques et industrielles — acheminement des véhicules, découpe en stock, localisation-routing, planification — où les formulations plates standard sont soit trop lentes, soit trop volumineuses.⁹¹⁰¹² Le palmarès publications de RealOpt renforce cette approche : des décennies de travaux sur la génération de colonnes, les heuristiques primales, les stratégies de plongée et les techniques de stabilisation pour des problèmes pratiques d’acheminement et de découpe alimentent directement la conception de Coluna.¹²

Bien qu’Atoptima n’indique pas explicitement que les solveurs commerciaux RouteSolver, PackSolver, PickSolver, PlanSolver et FlowSolver sont construits sur Coluna, le chevauchement de l’équipe, de la technologie et des classes de problèmes rend hautement plausible que ces solveurs soient en réalité des couches packagées par domaine reposant sur Coluna/BlockDecomposition, adaptées à des industries spécifiques et intégrées dans la plateforme SaaS.²³⁴⁷⁸⁹¹⁰¹¹¹²

Architecture système et d’intégration

Les offres d’emploi et les dépôts GitHub révèlent la structure générale du système : les applications d’Atoptima sont développées en Julia et déployées sur le cloud en tant que micro-services, avec du développement logiciel en interne et une collaboration open-source avec des laboratoires universitaires.³¹³² L’organisation GitHub de l’entreprise répertorie plusieurs bibliothèques Julia (Coluna.jl, BlockDecomposition.jl, DynamicSparseArrays.jl, des forks de Redis.jl et JSON3.jl) aux côtés d’un minimal Galia JavaScript client, indiquant un back-end orienté services et une couche d’intégration basée sur JavaScript.⁷⁸¹¹⁵

La plateforme Galia est centrale pour l’intégration. Le dépôt minimal-galia-js-client montre comment soumettre des tâches d’optimisation à Galia et recevoir des résultats de manière asynchrone via des webhooks et WebSockets, en utilisant des variables d’environnement telles que GALIA_HOST, APPLICATION_ID et ACCESS_TOKEN.⁵ Le domaine galia.atoptima.com expose une interface de connexion “GaliaFrontEnd”, suggérant une interface web pour surveiller ou gérer les tâches.⁶ À partir de ces éléments, on peut déduire une architecture où :

Les microservices Julia implémentent chaque solveur, en interagissant avec Coluna et des solveurs MIP externes.
Redis et des composants associés assurent le caching, les files d’attente des tâches ou la gestion d’état (comme le suggère le fork de Redis.jl).¹¹
Galia orchestre la soumission des tâches, la mise en file d’attente et la livraison des résultats, découplant de ce fait les exécutions d’optimisation intensives en calcul des applications clientes.⁵⁶
Les applications web (probablement des applications monopage) offrent le téléchargement de CSV/JSON, la visualisation (cartes, diagrammes de Gantt, listes) et la gestion de scénarios pour les planificateurs humains, tandis que des systèmes externes peuvent s’intégrer via l’API Galia.²³¹³⁴⁵⁶

Les pages “Solutions / How it works” d’Atoptima décrivent le flux de travail au niveau utilisateur : télécharger des tâches et des ressources en tant que données, les inspecter et les ajuster, lancer l’optimisation, explorer les résultats sur des cartes ou des chronologies, ajuster les scénarios (par exemple, des ajustements manuels) et exporter les solutions.³⁴ L’architecture va clairement au-delà du simple CRUD ; la complexité réside dans le back-end d’optimisation, tandis que les couches UI et API sont des technologies web relativement conventionnelles.

Déploiement et déploiement progressif

Les documents de cas du CNRS Innovation et d’Atoptima décrivent un modèle de déploiement basé sur des projets avec des cycles de mise en œuvre relativement courts.²⁶ Les solutions sont fournies en mode SaaS, avec deux modes d’accès principaux :

Une application web simplifiée pour une intégration plus rapide et des classes de problèmes standard.
Un module plus paramétrable (via Galia et une configuration plus approfondie) pour des cas d’utilisation complexes et sur mesure.²³⁴⁵

Le CNRS indique des temps de déploiement typiques de deux à six semaines, incluant la définition du problème, l’intégration des données, la configuration et la validation du solveur.² Dans une étude de cas multi-solveurs pour une multinationale spécialisée dans l’équipement de transport, Atoptima rapporte un temps de configuration du solveur de trois semaines pour une solution combinant RouteSolver, PlanSolver, PackSolver et FlowSolver afin d’optimiser les flux entrants/sortants, le routage multimodal et le chargement en 3D.⁶

Inria et FAQ Logistique soulignent que les modules d’Atoptima sont destinés à s’intégrer aux systèmes TMS/WMS/ERP existants plutôt qu’à les remplacer, et que l’empreinte d’intégration est relativement légère grâce au modèle SaaS et API.¹²⁷ Cependant, les informations détaillées sur les prestataires d’hébergement, les SLA, la multi-location, la résidence des données et les certifications de sécurité (ISO 27001, SOC2, etc.) ne sont pas publiquement disponibles, laissant largement les caractéristiques non fonctionnelles non documentées.

Clients, secteurs et géographies

Références nommées et vérifiables

Le déploiement de Logtran est le cas de production le plus documenté d’Atoptima. Le blog d’Atoptima décrit comment Logtran, prestataire de logistique et de transport dans les Antilles françaises & Guyane (faisant partie du groupe Safo), a adopté le logiciel d’Atoptima pour optimiser la palettisation, le chargement des camions et les itinéraires de distribution, visant et obtenant une réduction des coûts de transport d’environ 20%.¹⁶¹⁷ Supply Chain Magazine confirme que Logtran a choisi la solution SaaS d’Atoptima pour optimiser les tournées et le chargement des camions pour les livraisons dans les territoires français d’outre-mer.¹⁸ Voxlog rapporte de même une réduction de coûts de 20% et met en avant l’utilisation de l’optimisation d’Atoptima pour les tournées et le chargement.¹⁹ Stratégies Logistique ajoute que Logtran dessert les enseignes Carrefour, Proxi, 8 à Huit et Promocash dans les Antilles françaises, faisant du moteur d’Atoptima un élément clé de la chaîne logistique fournissant ces enseignes de distribution.²⁰

Dans le cadre du Smart Port Challenge, Atoptima a été sélectionné par CMA CGM pour co-développer un outil d’aide à la décision visant à décarboner le transport routier en planifiant le déploiement et l’allocation de camions lourds à zéro émission.²¹ SITL Daily et la CCI Marseille-Provence rapportent tous deux qu’Atoptima a été choisi en tant que lauréat pour collaborer avec CMA CGM sur des outils destinés à accélérer la transition vers des camions électriques et à hydrogène.²¹²² Le blog d’Atoptima sur “decision-making AI” explique en outre qu’il a collaboré avec CMA CGM et CEVA Logistics sur le positionnement stratégique de nouvelles stations de recharge et l’allocation tactique de véhicules zéro émission dans les entrepôts et les flux.²³

Atoptima a également co-développé CycloCo, une plateforme de logistique du dernier kilomètre urbain, avec AppliColis. Un communiqué de presse conjoint (AppliColis–Atoptima) décrit un projet soutenu par l’ADEME visant à créer un système centralisé pour une logistique du dernier kilomètre multimodale et durable, avec Atoptima apportant le logiciel d’optimisation.²⁴ Un blog d’Atoptima sur “AI and green supply chain” discute de CycloCo en tant que système centralisé pour la livraison urbaine écologique, tandis qu’une publication de l’ADEME documente un projet intitulé “Plateforme de planification dynamique pour la cyclologistique urbaine”, co-écrit par AppliColis et Atoptima.²⁵²⁶

Durant la crise du COVID-19, FAQ Logistique rapporte qu’Atoptima a mis son expertise à la disposition des acteurs du secteur de la santé en déployant gratuitement des applications d’optimisation d’itinéraires de véhicules pour le transport des ambulances et des patients entre les hôpitaux, afin d’améliorer l’efficacité de la logistique d’urgence.³³

Cas anonymisés et couverture sectorielle

Le site web d’Atoptima et FAQ Logistique répertorient plusieurs clients anonymisés ou vaguement décrits, tels qu’une “multinationale in transport equipment”, un “world leader in logistics”, un “European leader in mass retail”, et des acteurs de la livraison express et du routage de maintenance.²⁶²⁷ Ces cas clients détaillent les types de problèmes (flux entrants/sortants complexes, besoins élevés en taux de service, objectifs de réduction de CO₂) et les performances revendiquées (par exemple, 30% d’économies de coûts, 20% de réduction de CO₂, 30% de gains de productivité) mais ne nomment pas les entreprises concernées, rendant toute vérification indépendante impossible.²²⁷

Les clients et projets nommés et vérifiables situent Atoptima principalement en France et sur les marchés francophones (France métropolitaine, Antilles françaises & Guyane) avec une activité dans :

Transport et logistique (Logtran, CMA CGM/CEVA, LSP non nommés).¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³
Distribution de produits alimentaires au détail (via le service de Logtran pour les enseignes du groupe Carrefour).²⁰
Logistique du dernier kilomètre urbain et cyclo-logistique (AppliColis / CycloCo).²⁴²⁵²⁶
Logistique de santé (projets de routage des ambulances durant le COVID-19).³³

Compte tenu du nombre limité de références nommées, Atoptima semble avoir une traction précoce mais concrète dans ces segments, avec des projets anonymisés supplémentaires indiquant une base de clients un peu plus large mais moins vérifiable.

Évaluation des revendications techniques

“AI” et apprentissage automatique

Atoptima utilise fréquemment le langage de “AI” et de “decision-making intelligence”, mais les artefacts techniques pointent de manière écrasante vers l’optimisation mathématique déterministe, et non vers l’apprentissage automatique. Son bagage scientifique, tel que présenté par le CNRS, Inria et RealOpt, est centré sur la génération de colonnes, le branch-and-price, le problème du cutting stock, le routage, la planification et d’autres techniques d’OR; il n’existe aucune publication publique ou artefact de code indiquant l’utilisation en production de modèles de régression, de deep learning ou d’apprentissage par renforcement.¹²⁷⁸⁹¹⁰¹¹¹² La pile open-source (Coluna, BlockDecomposition, DynamicSparseArrays) implémente des algorithmes MILP basés sur la décomposition et des structures de données numériques de bas niveau, et non une infrastructure d’apprentissage automatique.⁷⁸¹¹

FAQ Logistique et le CNRS décrivent les outils d’Atoptima comme du “decision AI” ou des “articificial intelligence software”, mais les exemples donnés — optimisation d’itinéraires, chargement en 3D, conception de réseaux, planification — se regroupent autour de tâches d’optimisation.²²⁷ Les billets de blog d’Atoptima sur “decision-making AI” et “AI for a green supply chain” encadrent l’IA en termes d’optimisation automatisée des réseaux de transport et des plans de déploiement, plutôt que de modélisation prédictive.²³²⁵ D’après les preuves disponibles, l’appellation “AI” d’Atoptima désigne essentiellement des moteurs de décision avancés basés sur l’OR plutôt que des systèmes d’apprentissage automatique. Toute interprétation allant au-delà (par exemple, une prévision de la demande basée sur le ML ou des heuristiques basées sur l’apprentissage) serait spéculative.

Performance, scalabilité et robustesse

Le CNRS Innovation et FAQ Logistique rapportent des performances telles qu’une réduction de coûts de 30%, une réduction de CO₂ de 20%, et des solveurs “40 times faster than market tools”, ainsi que des améliorations de productivité d’environ 30% dans certains cas d’utilisation.²²⁷ Les documents de cas sur Logtran et les clients anonymisés font écho à des gains substantiels en distance parcourue, en coûts et en taux d’utilisation.¹⁶¹⁷¹⁸¹⁹²⁰ Cependant, ces chiffres proviennent d’études de cas fournies par le vendeur et d’articles de presse commerciale, plutôt que de comparaisons indépendamment évaluées ou revues par des pairs. Aucune référence publique normalisée n’existe contre des solveurs commerciaux alternatifs ou des bibliothèques open-source (par exemple, les solveurs VRP, heuristiques de packing), et les détails méthodologiques (ensembles de tests, références, matériel) sont généralement absents.

D’un autre côté, la conception de Coluna et le palmarès de recherche de RealOpt suggèrent fortement que les moteurs d’Atoptima sont capables de traiter des instances réelles à grande échelle qui sont inabordables avec des formulations MILP naïves, en particulier dans le domaine du routage et du cutting stock.⁷⁸⁹¹⁰¹² L’utilisation de la décomposition, de la génération dynamique de colonnes et de la stabilisation constitue une pratique de pointe pour ces types de problèmes, et l’intégration de Coluna avec plusieurs solveurs MIP haute performance soutient en outre les affirmations de scalabilité au niveau du moteur.⁷⁸⁹¹⁰ Ce qui reste flou, c’est dans quelle mesure ce potentiel est réalisé dans les déploiements commerciaux quotidiens, où les limites de temps, les contraintes matérielles et les variations de la qualité des données peuvent nécessiter des raccourcis heuristiques.

La robustesse face à l’incertitude est également une question ouverte. Inria note que la gestion des décisions à plusieurs niveaux et des incertitudes demeure un sujet de recherche en cours pour Atoptima et ses partenaires académiques.¹ Il n’existe aucun cadre documenté publiquement pour l’optimisation stochastique ou robuste au-delà de ce qui peut être encodé dans des modèles déterministes (par exemple, des marges de sécurité intégrées dans les contraintes). Cela contraste avec des fournisseurs qui modélisent explicitement l’incertitude de la demande et des délais; la force d’Atoptima réside dans l’optimisation combinatoire déterministe, l’incertitude étant traitée, le cas échéant, en dehors du solveur.

Maturité commerciale

En combinant les effectifs, les financements, les références et les récits de déploiement, Atoptima peut être caractérisé comme un fournisseur deeptech en phase de démarrage avec une pénétration du marché significative mais encore limitée. Début 2025, le CNRS cite une équipe d’“environ quinze employés”; Seedtable répertorie la taille de l’entreprise entre 11 et 51 employés, et les pages d’emploi d’Atoptima montrent un recrutement en cours.²³⁴³²¹⁵ Le financement se compose d’un seul tour de table initial divulgué ainsi que de subventions publiques, sans levées de fonds VC ultérieures ni sorties reportées.¹³¹⁴³⁰¹⁵² Les références clients incluent quelques noms reconnaissables (via Logtran et CMA CGM/CEVA), mais la majorité des études de cas sont anonymisées, et l’empreinte géographique semble concentrée sur la France et les marchés avoisinants.¹⁶¹⁷¹⁸¹⁹²⁰²¹²²²³²⁴²⁵²⁷³³

Les cycles de vente sont décrits par le CNRS comme longs mais prometteurs, chaque projet étant fortement adapté au contexte et aux contraintes du client — typique de la deeptech B2B qui vend des solutions OR avancées à la gestion opérationnelle.² Dans l’ensemble, Atoptima est techniquement sophistiqué mais commercialement modeste : une solution appropriée pour les organisations confrontées à des problèmes complexes et de grande valeur en routing/packing/scheduling et prêtes à s’engager dans des projets collaboratifs avec des experts en OR, plutôt qu’une solution prête à l’emploi pour une planification globale de la supply chain.

Conclusion

Atoptima est un fournisseur d’optimisation techniquement solide et ancré dans le milieu académique, qui a traduit des décennies de recherches sur la génération de colonnes en une suite de solveurs pratiques pour le routage, le packing, l’entreposage et la scheduling. Sa compétence de base réside dans des cadres de décomposition basés sur Julia (Coluna, BlockDecomposition) et dans la capacité à formuler et résoudre de grands programmes en nombres entiers mixtes à structure en blocs, pertinents pour la logistique et les opérations industrielles. Fournis via des applications SaaS et une couche d’orchestration asynchrone (Galia), ces moteurs produisent des décisions prescriptives — itinéraires, plans de chargement, plannings — qui peuvent être intégrées dans les environnements TMS/WMS/ERP existants. Des références clients publiquement vérifiables telles que Logtran (desservant les enseignes du groupe Carrefour), CMA CGM/CEVA et AppliColis démontrent un déploiement en conditions réelles, bien que principalement sur les marchés français et francophones et avec de nombreux autres cas anonymisés.

Parallèlement, l’offre d’Atoptima est étroite et pointue : elle n’englobe pas la prévision de la demande, l’optimisation probabiliste des stocks ou la planification globale de la supply chain, et ses revendications “AI” sont mieux comprises comme faisant référence à des algorithmes d’optimisation avancés plutôt qu’à l’apprentissage automatique. Commercialement, Atoptima reste une entreprise deeptech en phase de démarrage avec un effectif limité, un seul tour de financement divulgué et une base de clients modeste mais en croissance. Pour les organisations confrontées à des problèmes combinatoires complexes — notamment en routing et en chargement en 3D — la technologie d’Atoptima offre probablement des capacités à la pointe de son domaine. Pour une transformation quantitative plus large de la supply chain, cependant, Atoptima devrait être combiné avec des outils ou plateformes complémentaires (tels que des moteurs de prévision probabilistes) pour couvrir la prévision, la conception de politiques de stocks et la gestion des risques multi-échelons. L’évolution de l’entreprise dépendra de sa capacité à continuer de se concentrer sur la fourniture de solveurs spécialisés ou à s’élargir en une pile d’optimisation de la supply chain plus complète.