Retour aux Études de marché
ClearOps fournit des logiciels aux constructeurs de machines et à leurs réseaux de concessionnaires. Ils connectent les systèmes de gestion des concessionnaires, planifient les stocks et réapprovisionnements de pièces détachées, localisent les pièces dans le réseau et coordonnent ateliers et techniciens. Une application de planification distincte, fondée sur Celonis, utilise les données opérationnelles pour examiner et expliquer les propositions de réapprovisionnement ; les décisions approuvées sont réécrites dans les systèmes d’entreprise. 1 2 4 8
Note globale supply chain : 4,8/10.
| Dimension | Note |
|---|---|
| Profondeur en supply chain | 4,8/10 |
| Substance des décisions et de l’optimisation | 5,4/10 |
| Intégrité du produit et de l’architecture | 4,8/10 |
| Transparence technique | 4,6/10 |
| Sérieux de l’éditeur | 4,4/10 |
ClearOps traite un travail opérationnel difficile : maintenir les connexions aux concessionnaires, rapprocher les identités des pièces et produire des décisions de réapprovisionnement dans des réseaux de service fragmentés. Sa méthode de gestion des stocks a aussi plus de substance qu’une promesse générique d’IA. La faiblesse tient à l’objectif économique : les taux de service configurables et politiques de stock restent centraux, tandis que le coût d’immobilisation des machines, l’incertitude des approvisionnements futurs et les arbitrages sur l’ensemble du système de service sont beaucoup moins explicites. 3 5 14
La présentation agentique soulève une autre question. Expliquer un calcul existant peut réduire le temps d’investigation, sans établir de meilleures décisions numériques ni supprimer la maintenance récurrente des politiques et intégrations. ClearOps a documenté une automatisation classique qui devrait servir de référence pour évaluer ses nouveaux agents. Leurs bénéfices économiques et gains de travail supplémentaires restent publiquement non mesurés. 7 9
ClearOps face à Lokad
ClearOps part d’une frontière organisationnelle : le constructeur, ses concessionnaires indépendants, leurs systèmes et leurs interventions. L’approche d’optimisation des stocks de Lokad part des décisions numériques et de leurs conséquences économiques sous incertitude de demande et d’approvisionnement. ClearOps possède un savoir-faire précis pour faire circuler des données exploitables dans les réseaux de concessionnaires ; la comparaison devient plus exigeante lorsqu’il faut décider quoi faire de ces données. 3
Prenons une pièce bon marché dont l’absence arrête une machine coûteuse. Un objectif de taux de satisfaction en unités pour un groupe peut favoriser les pièces fréquemment demandées tout en sous-évaluant un composant rarement nécessaire dont l’absence provoque un arrêt grave. À l’inverse, relever tous les taux de service peut immobiliser du capital dans des articles peu justifiés économiquement. L’objectif pertinent devrait valoriser les conséquences de chaque pénurie, délai de réparation, substitution, transfert et unité supplémentaire de stock. La formulation publiée par ClearOps expose des coûts d’entrée et des contraintes de service, mais pas ce calcul économique complet. 5
La perspective développée dans Introduction to Supply Chain considère aussi le logiciel comme un processus continu d’amélioration des décisions. Pour un réseau de concessionnaires, cela inclut maintenir les correspondances de pièces, modifier les règles, valider les résultats et récupérer les transactions échouées. Une revue plus rapide des propositions n’est utile que dans ce bilan plus large de productivité. Les cas clients ci-dessous établissent plus clairement le travail d’intégration qu’une réduction mesurée du coût total de cette activité.
Historique : connectivité, optimisation et repositionnement vers l’IA
Genpact fait remonter l’idée du produit à une mission de conseil pour AGCO en 2014 et décrit l’émergence d’une activité ClearOps indépendante en 2020. Le portefeuille de Barkawi date l’offre SaaS de 2016. Ces récits décrivent différentes étapes d’une même filiation commerciale : conseil, application déployée puis entreprise indépendante. 17 22
| Période | Orientation publique | Preuve et implication |
|---|---|---|
| 2022 | Connectivité et exécution du service avec l’IoT. | Un communiqué annonçait cinq millions de pièces planifiées chaque jour et 30 000 commandes traitées chaque semaine. Ces volumes mesuraient l’activité, pas la qualité des décisions. |
| Septembre 2022 | Partenariat entre ClearOps et PTC Servigistics. | L’annonce attribuait la connectivité aval à ClearOps et l’optimisation multi-échelon à Servigistics. |
| 2025 | Partenariats avec Genpact et Celonis. | Genpact présentait une transition vers un « Big Data Hyperscaler » ; Celonis ajoutait l’intelligence des processus et un discours de jumeau numérique. |
| Novembre 2025 | Inventory Planning 2.0 avec TUM. | Une modification décrite de l’algorithme de réapprovisionnement, avec un objectif défini sous contraintes de service. |
| Mai 2026 | Série A de 8,6 millions d’euros. | La première levée institutionnelle, menée par Hitachi Ventures avec Schoeller Group et Barkawi Group, finançait l’expansion et de nouveaux développements IA. |
| 2026 | Planification agentique et ClearWhy AI. | Le mécanisme nouveau visible explique et examine les résultats de planification ; l’exécution dans l’ERP reste soumise à approbation. |
Le positionnement après-vente est constant, et le travail algorithmique représente une évolution substantielle du produit. Le vocabulaire environnant s’étend néanmoins plus vite que les preuves. Hyperscaler, jumeau numérique et plateforme agentique désignent des propositions techniques très différentes. Un réseau d’interfaces ne devient pas un hyperscaler parce qu’il traite beaucoup d’enregistrements. Une représentation des processus passés ne démontre pas des prévisions exactes des futures pannes, réparations ou fournitures. 17 16
L’annonce PTC de 2022 employait déjà le vocabulaire de l’IA et du machine learning, surtout pour Servigistics. Ces capacités appartiennent au partenaire et à la génération de produit nommés. La planification native actuelle et l’application Celonis de ClearOps doivent être évaluées séparément ; l’ancien partenariat n’établit pas le fonctionnement de leurs algorithmes présents. Les documents étudiés montrent une forte continuité de l’intégration, mais aucune explication technique publique reliant les différents moteurs de planification en une architecture maintenue en commun. 15 5 8
Le processus de décision numérique
Prévisions et politiques de réapprovisionnement
Retail Inventory Management ingère référentiels de pièces, remplacements de références, stocks et commandes. Il classe les articles, évalue plus de 20 modèles de prévision par SKU et site et fixe stocks de sécurité, points de commande et quantités. Les commandes d’achat approuvées peuvent être transmises aux systèmes du concessionnaire ou du constructeur par fichiers ou API. Un localisateur de pièces et une gestion des promotions complètent ce processus. 2
Le nombre de modèles renseigne peu sur la qualité des prévisions. Les tests utiles portent sur la demande intermittente à l’horizon réel de décision, la calibration de l’incertitude, la demande non observée pendant les ruptures et la façon dont les erreurs modifient l’économie du réapprovisionnement. Choisir le modèle qui minimise l’erreur historique peut encore produire de mauvaises décisions de stock lorsque coûts de pénurie et d’excédent sont asymétriques.
Inventory Planning 2.0, annoncé en novembre 2025, a été développé avec Stefan Minner et Patrick Helm de TUM. Sa description est précise : une politique à revue périodique choisit conjointement points de commande et quantités dans les segments de produits, minimise les coûts sous exigences de taux de satisfaction en unités par article et groupe et accepte des contraintes de stockage et de budget. Son modèle de demande intermittente fait dépendre la probabilité de demande du temps écoulé depuis la commande précédente. 5
Il s’agit d’une véritable optimisation des stocks. Des décisions conjointes par segment peuvent allouer le stock plus efficacement que des tampons fixes indépendants. La formulation conserve toutefois l’objectif de service comme entrée directrice. Un taux de satisfaction pondéré valorise les unités servies selon ses poids ; il ne valorise pas automatiquement les arrêts de machines, pénalités contractuelles, fidélisation ou solutions de réparation concurrentes. Les frontières des segments peuvent aussi empêcher d’allouer une ressource rare à son meilleur usage ailleurs dans le réseau.
La méthode publiée ne précise pas la distribution de probabilité des futurs délais de réapprovisionnement et quantités livrées. Un délai fixe est particulièrement lourd de conséquences pour les pièces à faible rotation : le risque est souvent qu’une demande rare survienne pendant un réapprovisionnement exceptionnellement long. Mieux prévoir la demande ne compense pas le fait de traiter ce retard comme connu. L’essai de ClearOps de septembre 2026 sur les planificateurs critique les hypothèses statiques de délais fournisseurs, sans révéler la distribution d’approvisionnement utilisée dans ses produits. 5 10
Le mécanisme du temps écoulé depuis la dernière commande exige aussi une validation empirique. Une probabilité croissante de demande est une hypothèse de modélisation, pas une propriété universelle des pièces de service à demande intermittente. Les changements du parc installé, calendriers de maintenance et mises au rebut peuvent modifier cette relation. La description publique n’expose ni la procédure de calibration ni sa sensibilité à ces changements. 5
La publication automatique existait déjà
Un article de support de juillet 2025 documente Auto Publish : une tâche planifiée de réapprovisionnement envoie les commandes créées dans la section Dealer Management sans revue manuelle. Son activation nécessite une instance de tâche propre au site, remplaçant la tâche standard. L’article identifie la fonction Python interne replenishment_planning.PublishCreatedOrders. Le périmètre documenté est la publication dans Dealer Management ; il ne prouve pas que chaque transaction d’achat en aval s’achève sans intervention. 7
C’est une automatisation utile dotée d’un mécanisme concret de configuration. Elle fixe aussi une référence : un nouvel agent devrait démontrer du travail supplémentaire éliminé, de meilleures décisions ou une gestion plus sûre des exceptions. Renommer un planificateur en orchestrateur ne mesure aucune de ces améliorations.
La promesse agentique : expliquer un algorithme existant
L’application Celonis actuelle connecte un agent de planification au Celonis Context Model par MCP. Il examine les exceptions, fournit des explications et écrit les décisions approuvées dans l’ERP sous des limites annoncées, avec une piste d’audit. L’application s’appuie sur l’environnement Celonis du client ; elle ne le remplace pas par une plateforme indépendante. 8
MCP est ici un signal d’alerte, car l’avancée annoncée consiste à donner à l’agent accès au même contexte et aux mêmes actions que les planificateurs. Connecter des outils est un travail d’ingénierie modeste face à la conception d’une politique de décision économiquement solide. Les documents publics n’établissent pas que cette connexion modifie l’objectif d’optimisation, modélise l’incertitude d’approvisionnement ou supprime le besoin de jugements individuels à grande échelle.
Le récit de ClearOps de septembre 2026 décrit ClearWhy AI comme un prototype fonctionnel construit pour un hackathon Celonis/AWS. La répartition est claire : l’algorithme calcule la décision et l’IA l’explique. Les exemples portent sur les déterminants d’un point de commande et d’une quantité économique de commande. Le bénéfice envisagé est moins d’investigation manuelle et moins de corrections défensives ; ce n’est pas une amélioration démontrée de l’algorithme sous-jacent. 9
L’organisateur du hackathon identifie AWS Bedrock Agents et annonce des réductions potentielles de 25 % du fonds de roulement et de 20 % des coûts opérationnels. Ce sont des promesses prospectives pour un prototype explicatif, sans déploiement nommé, groupe comparatif ni compte de coûts. Gagner un concours de développement n’établit aucun de ces résultats économiques. 24
L’explicabilité a une autre limite. Expliquer avec aisance pourquoi un objectif de service a produit une quantité peut faciliter son approbation tout en laissant l’objectif économiquement faux. ClearOps soutient que la confiance était devenue le goulot d’étranglement dès lors que les prévisions étaient assez bonnes. Ce diagnostic exige des preuves : les recommandations rejetées étaient-elles vraiment meilleures, selon quelle fonction de perte et après quels coûts opérationnels ? Le récit publié ne donne pas cette évaluation. 9
L’essai ultérieur sur les planificateurs reconnaît explicitement que l’accès aux données ne suffit pas et aborde objectifs, permissions, contraintes, retours d’expérience et changements d’approvisionnement. Ce sont des préoccupations pertinentes. Son exemple de transfert de stock après un retard de livraison est un processus d’agent proposé, pas un résultat client mesuré. L’écart sépare cette ambition de conception d’un système décisionnel répétable dont la qualité et le besoin de travail sont testables. 10
Résultats clients et signification économique
Les cas clients décrivent les liens concrets entre données des concessionnaires, planification des pièces et exécution du service.
| Client | Travail documenté | Limite des preuves |
|---|---|---|
| AGCO | Plus de 2 000 points de concessionnaires et 50 intégrations DMS ; processus de réapprovisionnement et de service personnalisés ; exploitation et maintenance des données continues. Les résultats annoncés comprennent un taux de satisfaction en unités amélioré de 20 %, des ventes de pièces en hausse de 15 % et 9 % de stock dormant en moins. | Le cas omet définitions des indicateurs, périodes comparatives et coûts totaux de réalisation et d’exploitation. |
| Terex | La télématique renseigne dates de service et propositions d’ordres de travail ; les interventions prévues alimentent la planification des pièces ; des interfaces EDI et services web transportent les commandes. | Les améliorations opérationnelles annoncées n’ont pas de résultat économique net chiffré. |
| Jungheinrich | Mises à jour automatiques des référentiels et réapprovisionnement multifournisseur par flux maritimes et aériens simultanés. | Le cas explique l’intégration, mais pas le modèle d’incertitude ni un rendement financier mesuré. |
| Lippert | Rapprochement de références fournisseurs d’un même composant physique, synchronisation des référentiels et déduction des nomenclatures de service à partir de l’historique des interventions. | Les mécanismes de rapprochement et de configuration sont décrits sans mesure de précision ou d’économies nettes. |
Ces cas étayent une réelle proposition d’ingénierie : résoudre l’identité des pièces, le contexte de service et les défauts d’intégration peut améliorer les opérations avant toute optimisation sophistiquée. Ils compliquent aussi l’attribution. Les ventes de pièces du constructeur peuvent augmenter grâce à une meilleure disponibilité, un déploiement élargi ou des concessionnaires reportant leurs achats vers le constructeur. Cela n’équivaut pas automatiquement à un moindre coût total du service ou à davantage de profit pour chaque participant.
De même, un meilleur taux de satisfaction peut provenir d’un investissement accru en stock. L’évaluation algorithmique de ClearOps de septembre 2026 annonce des taux par groupe supérieurs de plus de 10 %, une atteinte des objectifs de groupe améliorée de 27 % et plus de 15 % de modifications de commandes en moins. Ce sont des comparaisons utiles, mais l’échantillon, les pondérations, l’évolution du coût des stocks et le protocole nécessaires pour établir un progrès économique manquent. Réduire les corrections exige aussi un test de qualité : moins de corrections ne sont souhaitables que si les décisions non modifiées sont meilleures. 6
Composants logiciels et frontières opérationnelles
Les preuves publiques identifient plusieurs couches aux responsabilités distinctes.
| Couche | Preuve | Conséquence pour la responsabilité et la maintenance |
|---|---|---|
| Développement applicatif | Une offre d’emploi de 2024 décrit des backends Java/Kotlin et des microfrontends React écrits en TypeScript. | Logique serveur et composants client multiples exigent des interfaces, tests et mises à niveau coordonnés. |
| Tâches de réapprovisionnement | L’article de support expose une fonction Python d’ordonnancement. | Tâches et configuration des sites forment une autre frontière d’exécution à maintenir. |
| Exploitation cloud | ClearOps indique un hébergement AWS dans quatre régions. Un ingénieur DevOps actuel décrit son travail avec Kubernetes, Terraform, Ansible et CI/CD. | Configuration cloud, orchestration et automatisation du déploiement demandent une expertise opérationnelle continue. |
| Application Celonis | Planification et agents utilisent le contexte Celonis et, pour ClearWhy, AWS Bedrock. | Le service combiné dépend de l’implémentation de planification comme de la plateforme hôte. |
| Ancien accord PTC | Servigistics fournit l’optimisation dans le partenariat de 2022. | La responsabilité décisionnelle dépend du produit de planification déployé. |
Cette masse technique suffit déjà à faire de la responsabilité des interfaces et de la compatibilité des versions des coûts importants. Les preuves disponibles n’identifient pas de topologie commune de bases de données et n’expliquent pas comment les configurations native, Celonis et Servigistics partagent modèles et paramètres. La question architecturale utile est de savoir quels composants un client doit exploiter et payer, et comment une nouvelle définition de pièce ou politique de planification se propage entre eux.
Le produit de connectivité de ClearOps décrit un concentrateur de données, un portail de chargement pour les concessionnaires non intégrés, des modèles de connecteurs et un routeur de requêtes. Il reconnaît explicitement que connecter les concessionnaires est un travail continu : nouveaux arrivants, systèmes modifiés, gestion des relations et adoption locale. Les chiffres actuels dépassent 100 systèmes ERP/DMS intégrés et 2 500 sites connectés. Le nombre d’interfaces établit une couverture ; il ne supprime pas l’obligation de maintenance. 3
Mécanismes de sécurité
Le Trust Center identifie surveillance automatique, contrôles d’intrusion et d’intégrité des fichiers, ainsi que scans CI/CD censés bloquer les problèmes graves avant publication. Il précise aussi les options de résidence AWS. Ce sont des mécanismes opérationnels, mais ils n’exposent pas les frontières préventives qui comptent pour un agent autorisé à écrire des commandes : isolation des clients, identifiants à périmètre restreint, actions permises, restrictions de sortie et récupération après compromission de l’exécution. 21
La description Celonis promet des limites et des pistes d’audit. Elle n’explique pas où ces limites sont imposées indépendamment de l’agent ni ce qui empêche une réponse d’outil compromise de déclencher une action non autorisée. La certification et l’historique des écritures ne répondent pas à cette question de conception. 8
Maintenance de la configuration, productivité et responsabilité
Les couches d’intégration et de politique de stock créent deux charges permanentes. Schémas des concessionnaires, substitutions de pièces et historiques de service doivent rester cohérents. Segments de planification, objectifs, coûts de commande et règles d’exception doivent rester économiquement pertinents. Automatiser le calcul n’automatise pas les décisions sur ce que ce calcul devrait signifier. 3 5
Le cas AGCO inclut explicitement exploitation logicielle 24/7, maintenance des données et support. Genpact décrit une relation mêlant logiciel et service construite sur de nombreuses années. Ces accords peuvent absorber du travail que les clients feraient autrement, mais il appartient au coût total de possession, aux côtés des licences, de l’intégration des concessionnaires, du personnel client et d’éventuels abonnements à d’autres plateformes. Les cas publics ne fournissent pas ce bilan. 11 17
Workshop and Technician Management illustre un autre gain de productivité : tableau de planification partagé, exécution mobile des interventions avec mode hors ligne et documentation par reconnaissance vocale. L’ERP conserve le dossier central, tandis que ClearOps gère affectations et détails d’exécution. Ces fonctions peuvent réduire les tâches administratives des techniciens. Elles n’établissent pas que le planning minimise le coût des arrêts ou coordonne pièces et main-d’œuvre sous incertitude. 4
Pour la planification, l’exigence pertinente après 2022 dépasse largement une revue plus rapide des mêmes propositions. Le modèle opérationnel devrait traiter les décisions courantes à grande échelle et rendre la logique moins chère à améliorer. Les preuves publiques de ClearOps ne montrent ni changements de politiques versionnés, ni rejeu historique des décisions, ni tests de régression économique, ni retour arrière après une modification nuisible de la planification. Le travail de maintenance des objectifs et d’investigation des exceptions peut donc rester substantiel. 2 7 10
La responsabilité devrait distinguer échec d’intégration, mauvais objectif économique, prévision mal calibrée et écart du client à une politique convenue. Une explication qui convainc un planificateur d’approuver une commande n’établit pas sa solidité économique. ClearOps publie des bénéfices clients et des bénéfices futurs d’agents, mais pas de critères d’acceptation des performances ou de recours contractuel lié à des retours économiques nets. 11 9 24
Note 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 | 5/10 |
| Aboutissement en décisions | 6/10 |
| Précision conceptuelle en supply chain | 6/10 |
| Affranchissement des doctrines obsolètes | 3/10 |
| Résistance à la mise en scène des KPI | 4/10 |
Moyenne : 4,8/10.
Cadrage économique — 5/10. Les coûts comptent dans la formulation, mais l’objectif de service ne valorise pas automatiquement les arrêts de machines ni les usages concurrents du capital. L’objectif économique reste incomplet. 5
Aboutissement en décisions — 6/10. Le modèle opérationnel atteint le réapprovisionnement et l’exécution du service. La confiance est limitée par l’absence d’une description de bout en bout des décisions sans intervention, des exceptions et de la récupération. 7 12
Précision conceptuelle en supply chain — 6/10. Identité des pièces, équipements installés et demande irrégulière reçoivent un traitement spécifique. L’incertitude conjointe de la demande future et des réceptions fournisseurs reste insuffisamment expliquée. 5 14
Affranchissement des doctrines obsolètes — 3/10. Segments et objectifs de service déterminent encore la politique de stock. Confier la revue de leurs résultats à un agent conserve leurs limites économiques. 5 8
Résistance à la mise en scène des KPI — 4/10. Les améliorations publiées manquent des définitions et changements de coûts nécessaires pour les relier fiablement au profit. Moins de corrections et une meilleure atteinte des objectifs sont des mesures intermédiaires. 6 11
Substance des décisions et de l’optimisation
| Critère | Note |
|---|---|
| Profondeur de la modélisation probabiliste | 5/10 |
| Substance distinctive en optimisation ou ML | 6/10 |
| Prise en charge des contraintes réelles | 6/10 |
| Automatisation des décisions et productivité du travail | 5/10 |
| Résilience face à la complexité opérationnelle réelle | 5/10 |
Moyenne : 5,4/10.
Profondeur de la modélisation probabiliste — 5/10. Le mécanisme de demande est plus précis qu’une prévision IA générique. Sa calibration, sa structure de dépendances et sa combinaison avec un approvisionnement incertain ne sont pas inspectables. 5
Substance distinctive en optimisation ou ML — 6/10. La méthode de stock divulguée apporte une substance algorithmique. La nouvelle couche explicative doit être évaluée séparément des améliorations de la politique numérique. 5 9
Prise en charge des contraintes réelles — 6/10. Le périmètre dépasse les stocks tampons indépendants et intègre des restrictions opérationnelles. Les frontières de segments et le traitement de la concurrence économique dans tout le réseau restent des limites. 5 13
Automatisation des décisions et productivité du travail — 5/10. L’automatisation est concrète, mais le travail total de configuration, traitement des exceptions et maintenance n’est pas mesuré. Le bénéfice supplémentaire des agents est particulièrement incertain. 7 9 11
Résilience face à la complexité opérationnelle réelle — 5/10. Les déploiements nommés montrent des exigences d’intégration conséquentes. Les cas mesurent peu la qualité décisionnelle pendant une perturbation, la récupération après exécution partielle ou la façon dont une mauvaise commande conduit à une révision testée de la logique. L’explication seule laisse ce travail d’amélioration irrésolu. 11 12 13
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 | 4/10 |
| Sobriété logicielle et coût de possession | 4/10 |
| Compatibilité avec les opérations programmatiques et assistées par agents | 5/10 |
Moyenne : 4,8/10.
Cohérence architecturale — 5/10. Les fonctions après-vente répondent à un besoin opérationnel cohérent. La multiplicité des configurations de planification laisse peu clair le partage des données, politiques et composants d’exécution. 2 8 15
Clarté des frontières du système — 6/10. La répartition entre systèmes des concessionnaires, ClearOps et plateformes hôtes est globalement compréhensible. Responsabilité transactionnelle, écritures échouées et synchronisation des politiques nécessitent des contrats plus précis. 3 4 8
Sérieux en matière de sécurité — 4/10. Surveillance et contrôles de publication traitent les problèmes détectés. Les descriptions publiques n’établissent pas les limites d’isolation et d’autorité empêchant un agent ou une dépendance compromise d’atteindre des données et actions étrangères à son périmètre. 21 8
Sobriété logicielle et coût de possession — 4/10. La couverture d’intégration crée une obligation opérationnelle continue. L’ensemble formé par composants applicatifs, services cloud et plateformes partenaires optionnelles manque d’un bilan public de coût sur toute sa durée de vie. 3 19 20
Compatibilité avec les opérations programmatiques et assistées par agents — 5/10. L’exécution programmatique est prise en charge, mais la connectivité seule n’établit ni des décisions autonomes sûres ni un processus efficace pour en revoir la logique. 7 8
Transparence technique
| Critère | Note |
|---|---|
| Documentation technique publique | 5/10 |
| Inspectabilité sans médiation de l’éditeur | 4/10 |
| Visibilité de la portabilité et de la dépendance à l’éditeur | 3/10 |
| Transparence de la méthode d’implémentation | 6/10 |
| Densité des preuves derrière les affirmations techniques | 5/10 |
Moyenne : 4,6/10.
Documentation technique publique — 5/10. Les explications méthodologiques et un article de support opérationnel exposent des mécanismes utiles. Validation des modèles, API et frontières d’exécution sont beaucoup moins détaillées. 5 7
Inspectabilité sans médiation de l’éditeur — 4/10. Les documents publics permettent une évaluation fonctionnelle. Reproduire l’évaluation des stocks ou tester l’agent exige un accès absent du dossier publié. 6 9
Visibilité de la portabilité et de la dépendance à l’éditeur — 3/10. Conserver les systèmes d’entreprise réduit le périmètre de remplacement. La portabilité des configurations de planification, décisions historiques et logiques intégrées aux plateformes partenaires reste non précisée. 3 8
Transparence de la méthode d’implémentation — 6/10. Les cas clients et documents de connectivité rendent visibles le déploiement et le travail continu sur les données. Effectifs, coût récurrent et critères d’acceptation sont bien moins explicites. 3 11 17
Densité des preuves derrière les affirmations techniques — 5/10. Les affirmations sur les stocks et l’intégration sont étayées concrètement. Les promesses plus fortes de productivité autonome et de rendements économiques reposent sur des bénéfices futurs et des évaluations incomplètes. 5 14 24
Sérieux de l’éditeur
| Critère | Note |
|---|---|
| Sérieux technique de la communication publique | 4/10 |
| Intégrité de la feuille de route technologique | 5/10 |
| Précision conceptuelle | 5/10 |
| Responsabilité économique | 4/10 |
| Pérennité des avantages dans un monde logiciel agentique | 4/10 |
Moyenne : 4,4/10.
Sérieux technique de la communication publique — 4/10. Des descriptions techniques concrètes coexistent avec de larges promesses d’IA, d’hyperscaler et d’autonomie. Ces dernières dépassent les mesures divulguées de qualité numérique et d’effort opérationnel. 17 9 24
Intégrité de la feuille de route technologique — 5/10. Le positionnement après-vente et la méthode de stock montrent continuité et développement substantiel. Le lien entre les architectures partenaires successives et la nouvelle promesse agentique est faiblement documenté. 15 5 8
Précision conceptuelle — 5/10. Les problèmes du domaine sont bien identifiés. Faire de l’explication et de la confiance le principal goulot risque de négliger un mauvais objectif ou une incertitude mal modélisée. 14 9
Responsabilité économique — 4/10. Les bénéfices opérationnels déclarés ne suffisent pas à reconstruire les rendements nets réalisés. La répartition des responsabilités pour une politique économiquement mauvaise mais correctement exécutée n’est pas précisée. 11 17 24
Pérennité des avantages dans un monde logiciel agentique — 4/10. Connectivité des concessionnaires et connaissance des pièces peuvent conserver leur valeur. Un agent qui explique des politiques héritées offre un avantage plus faible s’il ne réduit pas aussi, à grande échelle, le travail d’exploitation et d’amélioration. 3 9 14
Sources
Sources vérifiées le 4 novembre 2026.
[1] Présentation de la plateforme ClearOps
Présentation de la plateforme ClearOps. Périmètre actuel du produit.
[2] Retail Inventory Management
Retail Inventory Management. Planification native des stocks des concessionnaires et processus d’exécution.
[3] Connectivité entre constructeurs et concessionnaires
Connectivité entre constructeurs et concessionnaires. Mécanismes d’intégration, échelle et travail continu de connexion.
[4] Gestion des ateliers et techniciens
Gestion des ateliers et techniciens. Planification des ateliers, exécution mobile et frontière avec l’ERP.
[5] Inventory Planning 2.0 développé avec TUM
Inventory Planning 2.0 développé avec TUM. Méthode de stock publiée et collaboration de recherche.
[6] Évaluation de la planification des stocks et nomination CNA
Évaluation de la planification des stocks et nomination CNA. Évaluation algorithmique déclarée et indicateurs associés.
[7] Auto Publish pour le réapprovisionnement
Auto Publish pour le réapprovisionnement. Article public de support opérationnel ; périmètre limité à la publication automatique dans Dealer Management.
[8] Planification des pièces détachées avec Celonis
Planification des pièces détachées avec Celonis. Application Celonis actuelle, connexion MCP et exécution approuvée dans l’ERP.
[9] Prototype d’explicabilité ClearWhy AI
Prototype d’explicabilité ClearWhy AI. Prototype explicatif de septembre 2026 et mécanisme de productivité envisagé.
[10] D’opérateur à orchestrateur
D’opérateur à orchestrateur. Répartition future proposée du travail de planification entre agents et personnes.
Cas client AGCO. Déploiement AGCO, résultats annoncés et support continu.
Cas client Terex. Implémentation du service et du réapprovisionnement Terex.
Cas client Jungheinrich. Intégration des référentiels et de plusieurs fournisseurs chez Jungheinrich.
Cas client Lippert. Identité des pièces et configuration du service chez Lippert.
[15] Partenariat de service entre PTC et ClearOps
Partenariat de service entre PTC et ClearOps. Annonce de 2022 ; rôles historiques de ClearOps et Servigistics.
[16] Annonce du partenariat ClearOps et Celonis
Annonce du partenariat ClearOps et Celonis. Partenariat de 2025 et affirmations d’intelligence des processus.
[17] Partenariat Genpact et historique du produit
Partenariat Genpact et historique du produit. Récit du partenaire sur les origines, le développement et la relation de service.
[18] Financement de série A de ClearOps
Financement de série A de ClearOps. Annonce de financement de mai 2026.
[19] Offre d’emploi de développeur full stack
Offre d’emploi de développeur full stack. Annonce de l’employeur datée du 9 avril 2024, conservée dans l’index public de recherche ; décrit le développement applicatif.
[20] Site professionnel d’un ingénieur DevOps de ClearOps
Site professionnel d’un ingénieur DevOps de ClearOps. Description à la première personne des tâches DevOps actuelles.
[21] Trust Center et mécanismes de sécurité
Trust Center et mécanismes de sécurité. Descriptions actuelles de l’hébergement et des contrôles de sécurité.
[22] Portefeuille d’entreprises de Barkawi
Portefeuille d’entreprises de Barkawi. Présentation dans le portefeuille de la maison mère et historique SaaS.
Communiqué de ClearOps. Communiqué de l’entreprise de mars 2022.
[24] Résultats du hackathon Celonis et AWS
Résultats du hackathon Celonis et AWS. Récit de l’organisateur sur le concours de 2026 et les bénéfices futurs des prototypes.