Revue de DeepVu, éditeur de planification supply chain fortement marqué par l'IA

Dernière mise à jour : avril 2026

Go back to Market Research

DeepVu (supply chain score 3.5/10) est une vraie startup de planification supply chain avec un goût évident pour les problèmes difficiles, mais les preuves publiques restent bien plus faibles que le vocabulaire public. L’entreprise décrit de manière cohérente une pile bâtie sur des agents IA de planification, des digital twins, des knowledge graphs et des modèles de décision pilotés par reinforcement learning pour la demande, les stocks, les achats, la production et la logistique. Les preuves publiques soutiennent une vraie surface produit, un véritable effort de recrutement en data science et cloud engineering, ainsi qu’un modèle SaaS soutenu par les services et visant fabricants et retailers. Les preuves publiques ne soutiennent pas une affirmation forte, du point de vue d’un tiers, selon laquelle DeepVu aurait démontré une optimisation de pointe, une planification probabiliste transparente ou une architecture de digital twin profondément vérifiable. Le résultat ressemble à un éditeur de planification plausible mais encore très opaque, dont les revendications techniques les plus fortes restent surtout affirmées plutôt que montrées.

Vue d’ensemble de DeepVu

Supply chain score

• Profondeur supply chain : 4.6/10
• Substance décisionnelle et d’optimisation : 3.4/10
• Intégrité produit et architecture : 3.8/10
• Transparence technique : 2.8/10
• Sérieux de l’éditeur : 3.0/10
• Score global : 3.5/10 (provisoire, moyenne simple)

DeepVu se comprend mieux comme un éditeur étroit mais ambitieux de planification IA que comme une large suite APS ou une simple boutique d’analytics génériques. Ses matériaux publics sont focalisés sur la planification résiliente, les chocs externes et les décisions conscientes des KPI à travers la demande, les stocks, les achats, la production et la logistique. L’intérêt vient du fait que l’entreprise essaie au moins de posséder la logique de planification plutôt que de simplement vendre des dashboards. La faiblesse est que le dossier public reste saturé de rhétorique RL, d’IA agentique et de knowledge graph, tout en exposant très peu de substance technique permettant à un tiers de valider la part réellement différenciante de cette pile.

DeepVu vs Lokad

DeepVu et Lokad se présentent tous deux comme des alternatives aux logiciels legacy de planification, mais ils diffèrent fortement par la quantité de mécanique décisionnelle qu’ils exposent et par ce qu’ils considèrent comme abstraction centrale.

DeepVu cadre la planification autour d’agents IA de décision, de digital twins multi-scénarios et d’un knowledge graph supply chain enrichi par des signaux macroéconomiques et matières premières. Le récit public est que les planificateurs humains choisissent parmi des actions recommandées par l’IA, générées par des agents entraînés sur des scénarios normaux et de choc, avec des KPI business comme le coût de stock, les pénalités OTIF, le coût de main-d’œuvre, le fret en expedite et la durabilité tous intégrés à la surface de recommandation. C’est un récit de planification cohérent, mais aussi un récit à fort niveau d’abstraction. On demande au client de faire confiance à l’existence et à la qualité de la mécanique sous-jacente d’apprentissage et de simulation sans jamais lui montrer les mathématiques avec une profondeur réellement significative. (1, 2, 3, 4, 5, 6)

Lokad est beaucoup plus explicite sur la couche computationnelle. Lokad ne cadre pas sa plateforme autour d’une UX agentique ou de digital twins. Il la cadre autour de la prévision probabiliste, de l’optimisation économique et d’un langage dédié programmable appelé Envision. Le contraste pertinent n’est donc pas seulement « qui mentionne plus souvent l’IA ? » mais « qui externalise réellement la logique de planification ? ». Sur le dossier public, Lokad externalise bien davantage. Il documente son langage, son workflow et une large part de ses hypothèses de modélisation. DeepVu, à l’inverse, expose le récit produit et quelques revendications spécifiques à la catégorie, mais garde la mécanique dure presque entièrement opaque.

Cela compte parce que DeepVu formule des revendications plus difficiles que celles d’un simple éditeur de prévision standard. Dès qu’une entreprise affirme utiliser du multi-agent reinforcement learning, des digital twins et des knowledge graphs pour générer des décisions supply chain résilientes, le niveau d’exigence probatoire devrait monter. Les matériaux publics de Lokad ne sont pas parfaits, mais ils exposent assez de structure technique pour rendre possible la critique externe. Ceux de DeepVu ne le font pas. Comparé à Lokad, DeepVu est plus ambitieux narrativement, plus lourd en services et beaucoup moins transparent sur la substance computationnelle derrière la sortie de planification.

Historique corporate, actionnariat, financement et M&A

DeepVu semble être la continuation focalisée sur la supply chain de Vufind, une identité de startup plus ancienne qui avait des racines en dehors du pur logiciel supply chain.

Les pages DeepVu actuelles identifient encore l’entité juridique comme Vufind Inc. et utilisent de manière répétée le branding combiné « DeepVu|Vufind Inc. » dans les footers du site et les pages légales. La privacy policy fait aussi référence à d’anciens services DeepVu comme VuGraph, VuPredict et VuForecast, ce qui suggère une véritable continuité produit plutôt qu’une simple nouvelle coquille de marque. Les annuaires publics d’entreprise et profils de fondateurs ont historiquement décrit Vufind comme une startup de computer vision et d’IA avant que le positionnement supply chain ne devienne dominant. Cet arrière-plan correspond au site actuel : le produit conserve une forte saveur de plateforme IA généralisée même si le focus marché porte désormais sur fabricants et retailers. (1, 7, 8, 9)

Les preuves publiques de financement sont minces. L’ancienne page s’appuyait sur des annuaires de startups comme Golden, Tracxn et Gust, mais les preuves live actuelles sont plus faibles et plus fragmentées. Ce que l’on peut encore affirmer avec confiance, c’est que DeepVu ressemble à une petite société privée avec des racines dans la Bay Area, et non à un grand roll-up ou à un éditeur logiciel public mature. Les adresses physiques du site oscillent entre Berkeley et San Ramon, tandis que la page professional-services indique que l’équipe s’étend entre la Californie, la France et le Canada. Cela est cohérent avec l’empreinte d’une petite startup distribuée. (1, 4, 7)

Il n’existe aucun signe d’activité M&A significative. L’histoire est celle d’un repositionnement produit et d’un relabeling de catégorie plutôt que d’une expansion pilotée par acquisitions. La question corporate pertinente n’est donc pas le risque d’intégration lié à de vieux deals, mais de savoir si l’entreprise actuelle a assez de profondeur commerciale derrière un récit techniquement ambitieux.

Périmètre produit : ce que l’éditeur vend réellement

Le périmètre actuel de DeepVu est plus étroit qu’une suite legacy et plus large qu’un optimiseur monofonction.

La page d’accueil, la page supply-chain et les pages de support convergent de manière répétée vers la même structure : un abonnement SaaS vendu « a la carte » par cas d’usage, des dashboards optionnels, des APIs cloud vers les systèmes ERP, et une surcouche de professional services lorsque le produit standard ne suffit pas. Les cas d’usage pratiques sont le demand planning, les stocks et l’auto-replenishment, les achats et l’allocation de bill-of-materials, la planification de production et l’optimisation logistique ou freight. Il ne s’agit pas seulement d’un produit unique de prévision. C’est un éditeur de planification qui cherche à couvrir plusieurs décisions à horizon d’exécution à partir d’une plateforme IA commune. (1, 3, 4, 5)

Le substrat commun du récit public est VuGraph plus VuDecide. VuGraph est présenté comme la couche de knowledge graph portant des centaines de signaux externes, tandis que VuDecide est la couche d’agents de décision entraînés au-dessus de digital twins et de choix humains historiques. Cela donne au périmètre plus d’unité conceptuelle qu’une salade de modules typique. La faiblesse est que presque chaque cas d’usage est décrit avec le même langage IA général, de sorte qu’il est difficile de dire où la plateforme réutilisable s’arrête réellement et où le conseil sur mesure commence. (2, 3, 4, 6)

Le calculateur de ROI renforce ce point. Il traduit l’offre en coût de possession de stock, économies achats, perturbation de production, productivité de prévision et économie du freight en expedite. C’est utile parce que cela révèle la conversation d’achat visée. En même temps, cela suggère aussi que le modèle commercial reste fortement orienté solution-selling et value-engineering, ce qui va généralement de pair avec une composante services significative. (9)

Transparence technique

DeepVu est beaucoup trop opaque pour un éditeur avançant des revendications aussi ambitieuses sur le reinforcement learning, les digital twins et la planification autonome.

Les pages publiques exposent au moins une véritable architecture conceptuelle. Il existe des noms de produits stables, un récit stable autour du knowledge graph, des références stables aux APIs cloud et à l’intégration ERP, ainsi que des descriptions stables de la manière dont des scénarios normaux et de choc sont censés se transformer en recommandations pour les planificateurs. La page carrières confirme aussi un recrutement autour de PyTorch ou TensorFlow, de la modélisation time-series, de Kubernetes, Kafka, Spark et de l’infrastructure cloud, ce qui suggère fortement qu’il existe une véritable pile d’ingénierie ML derrière le site web. (1, 3, 4, 7)

Ce qui manque, c’est presque tout ce qui permettrait à un tiers technique d’interroger les revendications. Le site ne donne aucune explication significative des state spaces, action spaces, reward functions, procédures de calibration, classes de modèles, training loops, représentation de l’incertitude ou manière de valider le digital twin. Le langage RL et generative-AI reste presque entièrement au niveau du slogan. Cela ne prouve pas que l’implémentation soit faible, mais cela impose un score bas de transparence. (1, 3, 5, 6)

Même les pages les plus concrètes révèlent à quel point la surface est incohérente. Plusieurs pages produit portent encore des meta descriptions manifestement obsolètes et orientées ecommerce, tandis que le corps principal parle de supply chains autonomes. Cela n’invalide pas en soi le logiciel sous-jacent, mais c’est un signe supplémentaire que le récit technique public n’est pas géré avec assez de rigueur pour que des tiers fassent confiance aux revendications les plus fortes sans diligence directe. (5, 10, 11, 12)

Intégrité produit et architecture

Le récit d’architecture de DeepVu est conceptuellement cohérent, même s’il est mal étayé.

Le principal point positif est que les pièces publiques s’emboîtent. Les signaux externes alimentent VuGraph, les scénarios alimentent les digital twins, les modèles de décision alimentent les planificateurs humains, et tous les cas d’usage tournent autour de la planification opérationnelle sous volatilité. C’est un meilleur récit d’architecture qu’une collection générique de modules de dashboard et d’intégrations partenaires. Cela reflète au moins une idée opinionated de la manière dont le logiciel est censé fonctionner. (1, 2, 3, 4)

La frontière système est aussi raisonnablement lisible. DeepVu ne prétend pas remplacer l’ERP. Il dit s’intégrer avec SAP, Microsoft, Oracle et Infor, utiliser des APIs cloud et pouvoir être consommé via des dashboards ou des abonnements par cas d’usage. C’est un positionnement public assez propre pour une couche de planification. (1, 3, 13)

La principale faiblesse est la dépendance aux services. La page professional-services dit explicitement que DeepVu construira des solutions sur mesure s’il n’existe pas de produit pertinent, et elle affiche une large couverture de conseil à des taux horaires élevés. Ce n’est pas automatiquement mauvais. Mais cela suggère que l’architecture n’est peut-être pas encore entièrement productisée sur beaucoup des cas d’usage qu’elle revendique adresser. Cela soulève aussi la question habituelle de savoir quelle part du résultat dépend des experts de l’éditeur plutôt que du produit lui-même. (4, 14)

Profondeur supply chain

DeepVu est clairement dans la catégorie de la planification supply chain et n’y est pas seulement adjacent.

Les preuves positives sont substantielles. L’entreprise parle de manière répétée des coûts de possession de stock, des ruptures, des pénalités OTIF, du coût des bill-of-materials, de l’allocation fournisseurs, de la capacité de production, du freight en expedite, et des horizons de prévision au niveau magasin, DC et SKU. Elle est aussi inhabituellement explicite sur les chocs externes, les marchés de matières premières, les métriques de commerce mondial et l’effet de ces signaux sur les décisions de planification. Cela la place nettement dans le vrai territoire de la planification. (1, 2, 3, 4, 9)

La limite est que la doctrine reste large et quelque peu façonnée par les buzzwords. DeepVu dit beaucoup de choses sensées sur la résilience et sur les faiblesses d’une prévision superficielle, mais le dossier public n’articule pas une théorie très nette de l’économie supply chain ni une doctrine de planification particulièrement explicite au-delà de « plus de contexte, plus de scénarios, des agents plus intelligents ». C’est assez pour justifier un bon score de catégorie, pas assez pour justifier un score excellent.

En bref, DeepVu a le bon domaine de problème et paraît travailler sur de véritables préoccupations opérationnelles. Le sujet n’est pas la pertinence. Le sujet est de savoir si la théorie de planification sous le capot est aussi nette que le vocabulaire le laisse entendre.

Substance décisionnelle et d’optimisation

DeepVu semble faire quelque chose de plus ambitieux qu’une prévision standard, mais les preuves publiques restent trop faibles pour noter fortement la couche d’optimisation.

Le point positif le plus fort est que DeepVu ne se contente pas de s’arrêter à la prévision. Les pages produit visent de manière cohérente des décisions : allocation de commandes, allocation fournisseurs, cibles de stock, actions de production, décisions de fret et recommandations conscientes des scénarios avec impact KPI montré aux planificateurs. C’est matériellement meilleur qu’un produit qui se contente de prédire et laisse entièrement la partie difficile à l’extérieur du système. (1, 3, 5, 6)

Le problème est que les preuves publiques sur le mécanisme sont minces. DeepVu revendique du deep reinforcement learning, des agents de décision en generative AI de style RLHF, des digital twins et une optimisation enrichie par knowledge graph. Mais il n’expose ni logique de solveur, ni méthodologie probabiliste, ni évaluation contrefactuelle de policies, ni benchmark empirique permettant à un tiers de distinguer un optimiseur sophistiqué d’un système de recommandation plus heuristique enveloppé d’un langage plus fort. Cela impose la prudence. (1, 3, 4, 7)

La page carrières aide un peu ici parce qu’elle demande explicitement des compétences en deep reinforcement learning, en time-series et en déploiement ML de grade production. Cela soutient l’idée que l’entreprise essaie au moins de construire le type de mécanique qu’elle décrit. Malgré cela, des exigences de recrutement ne sont pas une validation. Elles montrent une intention et probablement une activité réelle d’ingénierie, pas une profondeur prouvée d’optimisation. (7)

Sérieux de l’éditeur

DeepVu paraît assez sérieux pour mériter une investigation, mais pas assez sérieux publiquement pour inspirer une confiance rapide.

Le cas positif est que l’entreprise a un focus de catégorie cohérent, recrute les profils techniques qu’on attendrait d’un vrai produit de planification ML, et accepte de s’attaquer à des cas d’usage opérationnellement spécifiques au lieu de se cacher derrière un langage analytique générique. La page professional-services est directe sur le travail sur mesure et sur l’étendue technique, ce qui est plus concret que la posture habituelle de faux self-serve de logiciel d’entreprise. (4, 7)

Le cas négatif est que le récit public est surchargé. Agentic AI, generative AI, RLHF, digital twins, knowledge graphs, résilience, durabilité et planification autonome sont tous poussés fortement en même temps. Cela peut encore correspondre à un produit réel, mais c’est aussi exactement le type d’empilement lexical qui mérite une décote tant que les preuves ne deviennent pas beaucoup plus nettes. Les meta tags obsolètes et le polish inégal du site renforcent cette impression de sur-extension conceptuelle par rapport à la preuve publique. (1, 3, 5, 10)

Le résultat est un éditeur qui semble réellement engagé sur des problèmes de planification difficiles, mais encore trop prompt à laisser un grand cadrage IA faire un travail qui devrait être assuré par une explication technique dure.

Supply chain score

Le score ci-dessous est provisoire et utilise une moyenne simple sur les cinq dimensions.

Profondeur supply chain : 4.6/10

Sous-scores :

• Cadrage économique : DeepVu cadre explicitement la planification autour du coût des bill-of-materials, du coût de possession de stock, des pénalités OTIF, du coût du travail, du fret en expedite, des ruptures et du revenu perdu. C’est plus fort qu’un simple langage de « meilleure visibilité » et cela montre un contact avec l’état final économique de la planification. Le score s’arrête avant un niveau fort parce que la doctrine publique ne rend toujours pas une théorie disciplinée economics-first aussi explicite que la liste de KPI elle-même. 5/10
• État final de la décision : l’entreprise veut clairement produire des décisions plutôt que des rapports. Les allocations fournisseurs, les actions de replenishment, les recommandations d’ordonnancement de production et les choix de fret font tous partie du récit produit visible. Le score reste modéré parce que le mode public reste explicitement celui d’un « AI-assisted decisioning », où le planificateur choisit parmi des scénarios au lieu que le système porte clairement un pipeline décisionnel pleinement opérationnel. 5/10
• Netteté conceptuelle sur la supply chain : DeepVu est plus net que beaucoup de pairs parce qu’il revient sans cesse aux chocs, à la résilience et aux arbitrages opérationnels au lieu de dériver uniquement vers un langage générique d’IA d’entreprise. Malgré cela, l’ossature conceptuelle est diluée par la quantité même de labels IA et par l’absence d’une doctrine de planification plus précise. 4/10
• Distance vis-à-vis des vieux piliers doctrinaux : l’entreprise essaie clairement d’aller au-delà d’une prévision naïve à modèle unique et d’une planification manuelle centrée sur le tableur. Sa critique d’une prévision superficielle et son accent sur un contexte plus riche méritent du crédit. La raison pour laquelle ce score n’est pas plus élevé est que la doctrine de remplacement est encore exprimée comme un nuage de méthodes et de slogans plutôt que comme une alternative formelle clairement défendue. 5/10
• Robustesse face au théâtre des KPI : DeepVu référence en permanence les impacts KPI, ce qui est utile parce que cela relie le produit aux résultats opérationnels. Mais le dossier public s’appuie encore fortement sur la rhétorique KPI sans montrer grand-chose sur la manière dont ces KPI sont équilibrés, audités ou protégés contre une optimisation superficielle. Cela maintient le score à un niveau moyen. 4/10

Score de la dimension : Moyenne arithmétique des cinq sous-scores ci-dessus = 4.6/10.

DeepVu est indiscutablement un éditeur de planification supply chain. La faiblesse n’est pas la pertinence mais la précision doctrinale. Les matériaux publics pointent vers la bonne classe de problèmes, mais pas encore vers une théorie publiquement inspectable de la manière dont ces problèmes sont résolus. (1, 2, 3, 4)

Substance décisionnelle et d’optimisation : 3.4/10

Sous-scores :

• Probabilistic modeling depth: DeepVu talks extensively about forecasting under shocks and about external signals that alter demand, supply, and costs. That implies some attempt to model uncertainty rather than to reduce everything to a single deterministic plan. However, the public record does not explain the probabilistic apparatus in any serious way, so the score must stay low-moderate. 4/10
• Distinctive optimization or ML substance: Reinforcement learning, digital twins, and knowledge graphs could indicate a distinctive stack if they are real and well executed. The problem is that the public evidence does not expose enough of the mathematics or engineering to distinguish a genuinely advanced optimizer from a more conventional ML-and-rules product with stronger branding. 3/10
• Real-world constraint handling: The use cases are operationally plausible and include real constraints such as supplier reliability, production capacity, shipping cost, and stockout exposure. That deserves credit because it shows the product is at least aimed at hard decisions. The score remains moderate because the actual constraint-handling machinery is not made public. 4/10
• Decision production versus decision support: DeepVu is trying to generate recommended actions rather than just forecasts, which is materially positive. But the system is still publicly framed as a planner-facing recommendation engine with human override, not as a clearly industrialized decision-production system. 3/10
• Evidence of measurable superiority: The public website contains isolated claims such as strong MAPE on a commodity use case and an ROI calculator, but there are no serious comparative benchmarks, public competitions, or detailed case studies. That is far too little evidence for a vendor making such ambitious optimization claims. 3/10

Score de la dimension : Moyenne arithmétique des cinq sous-scores ci-dessus = 3.4/10.

La lecture externe la plus raisonnable est que DeepVu fait quelque chose de plus ambitieux qu’une simple prévision vanilla, mais que bien moins de choses sont publiquement prouvées que ne le suggère le langage utilisé. La couche d’optimisation peut être réelle et utile ; elle n’est pas publiquement démontrée avec un haut niveau de rigueur. (1, 3, 5, 7, 9)

Intégrité produit et architecture : 3.8/10

Sous-scores :

• Cohérence architecturale : le récit produit public est cohérent. Les signaux externes alimentent VuGraph, les scénarios alimentent les digital twins, et les planificateurs reçoivent des recommandations conscientes des KPI à travers plusieurs domaines de planification. C’est un véritable récit d’architecture plutôt qu’un bundle aléatoire de modules. 4/10
• Posture d’intégration et frontières système : DeepVu est assez clair sur le fait qu’il se place à côté des systèmes ERP, ingère les données existantes et délivre la sortie via des APIs cloud, des abonnements ou des dashboards. C’est une frontière de couche de planification sensée et cela mérite un crédit modéré. 4/10
• Productisation versus dépendance aux services : l’entreprise dispose clairement de composants réutilisables, mais elle vend aussi ouvertement la construction de solutions sur mesure et une large couverture de conseil. Cela suggère une dépendance significative aux services et un produit qui peut encore nécessiter une forte implication de l’éditeur pour réaliser nombre de ses cas d’usage promis. 4/10
• Sérieux sécurité et discipline opérationnelle : le site public fournit des pages légales et des informations de contact corporate de base, mais il n’offre pas beaucoup de discussion substantielle sur la sécurité ni sur l’architecture opérationnelle. Il y a peu de preuves de contraintes réfléchies, de conception secure-by-default ou de discipline explicite des frontières système dans les matériaux publics. 3/10
• Défendabilité de l’architecture elle-même : si la pile RL-plus-knowledge-graph-plus-digital-twin est réelle, elle pourrait être sensiblement plus difficile à répliquer qu’un simple produit de dashboards. Le problème est que les preuves publiques n’exposent pas suffisamment ce substrat pour justifier un score élevé de défendabilité, surtout compte tenu de la forte surcouche services. 4/10

Score de la dimension : Moyenne arithmétique des cinq sous-scores ci-dessus = 3.8/10.

L’architecture de DeepVu paraît plus intentionnelle que fragile. La principale réserve est qu’il reste difficile de dire quelle part relève d’une architecture produit durable et quelle part relève d’un échafaudage de conseil réutilisable enveloppant quelques composants cœur. (1, 3, 4, 8)

Transparence technique : 2.8/10

Sous-scores :

• Visibilité des mécanismes : DeepVu explique ce que le système est censé accomplir, mais pas comment il calcule ces résultats d’une manière techniquement sérieuse. Les matériaux publics sont presque entièrement dépourvus d’exposition mathématique ou algorithmique une fois passés les labels. 3/10
• Qualité de preuve des revendications techniques : le site contient de nombreuses revendications fortes sur le reinforcement learning, la generative AI pour le decisioning, les digital twins et les knowledge graphs, mais presque aucun artefact public permettant d’inspecter ou de falsifier ces revendications. Ce décalage est le problème central de transparence technique. 2/10
• Profondeur de la documentation publique : il y a assez de documentation pour reconstituer la taxonomie du produit et les cas d’usage visés, et la page carrières révèle quelques choix de stack comme PyTorch, Kubernetes, Kafka et des clusters cloud. Mais il n’existe aucun jeu de documentation publique comparable à un vrai manuel technique, une référence d’API ou un guide de modélisation. 3/10
• Cohérence et soin du récit technique : l’histoire publique est directionnellement cohérente, mais les meta descriptions obsolètes et orientées ecommerce sur plusieurs pages supply-chain, combinées aux couches mixtes de branding, montrent que le récit technique n’est pas maintenu avec la discipline qui inspire confiance. Cette incohérence ne disqualifie pas le produit, mais elle affaiblit la crédibilité de la surface technique publique. 3/10
• Densité de preuve derrière les revendications techniques : le volume de revendications est élevé et la densité de preuves dures est faible. En dehors de la page carrières et de quelques détails produit, l’essentiel de la preuve reste auto-affirmé. Cela maintient le score bas, même si l’ingénierie sous-jacente peut être meilleure que le dossier public. 3/10

Score de la dimension : Moyenne arithmétique des cinq sous-scores ci-dessus = 2.8/10.

DeepVu expose assez d’éléments pour montrer qu’un vrai produit existe probablement, mais bien trop peu pour valider les revendications les plus fortes. Pour un éditeur qui s’appuie aussi fortement sur un langage d’IA avancée, la surface technique publique reste mince. (1, 3, 5, 7)

Sérieux de l’éditeur : 3.0/10

Sous-scores :

• Sérieux technique de la communication publique : DeepVu ne ressemble pas à un faux entrant de catégorie. L’entreprise revient toujours aux mêmes cas d’usage de planification, recrute des profils techniques difficiles et accepte d’énoncer des cibles opérationnelles spécifiques. Cela dit, la communication publique laisse encore trop de place aux slogans et trop peu à l’explication soignée. 3/10
• Résistance à l’opportunisme buzzword : c’est une faiblesse claire. Agentic AI, generative AI, RLHF, digital twins, knowledge graphs, planification autonome, résilience et durabilité sont tous poussés très fortement en même temps. Une partie de cela peut refléter la réalité, mais la concentration rhétorique reste un signal d’alerte. 2/10
• Netteté conceptuelle : il existe ici un point de vue discernable : une prévision superficielle ne suffit pas, les chocs externes comptent et la planification devrait devenir plus autonome et plus consciente du contexte. C’est meilleur qu’une copie générique de suite. Le score reste modeste parce que ce point de vue est encore exprimé de manière trop lâche pour compter comme doctrine fortement articulée. 3/10
• Conscience des incitations et des modes de défaillance : le site montre bien une conscience du fait que la planification traditionnelle échoue sous les chocs et que la productivité des planificateurs peut être submergée par la complexité. La franchise de la page professional-services joue aussi en sa faveur. Le dossier public dit encore peu de choses sur les propres modes de défaillance, limites ou frontières de DeepVu, d’où l’impossibilité de scorer plus haut. 4/10
• Défendabilité dans un monde de logiciels agentiques : DeepVu essaie de se défendre à travers une pile substantielle de planification plutôt que par un simple workflow générique, ce qui est un vrai point positif. Pourtant, le moat visible reste difficile à vérifier parce que la technologie profonde est surtout affirmée et que la couche services paraît importante. 3/10

Score de la dimension : Moyenne arithmétique des cinq sous-scores ci-dessus = 3.0/10.

DeepVu semble se soucier du produit et du domaine du problème, mais les preuves orientées public restent trop chargées de slogans et trop peu expliquées pour justifier un score de sérieux plus fort. (1, 4, 7)

Score global : 3.5/10

En utilisant une moyenne simple sur les cinq scores de dimension, DeepVu aboutit à 3.5/10. Ce score reflète un éditeur avec une vraie pertinence supply chain et probablement une vraie substance d’ingénierie, mais aussi un large écart entre l’ambition des revendications et la quantité de preuve publiquement inspectable.

Conclusion

DeepVu n’est pas un simple wrapper IA posé sur de la BI ordinaire. L’entreprise essaie clairement de construire un produit de planification qui atteint de vraies décisions à travers la demande, les stocks, les achats, la production et la logistique. Le motif architectural récurrent de knowledge graph, digital twin et agents de décision est assez cohérent pour refléter probablement une véritable intention produit plutôt qu’un assemblage marketing aléatoire.

Le problème vient de la charge probatoire créée par cette ambition même. Dès lors qu’un éditeur affirme utiliser du multi-agent reinforcement learning, de la generative AI de type RLHF et des digital twins pour piloter des décisions de planification résilientes, un tiers a besoin de plus qu’une prose de niveau catégorie et des pages carrières. Les matériaux publics de DeepVu restent très loin de cette exigence. Ils montrent une entreprise qui fait probablement un travail sérieux, mais pas une entreprise qui a publiquement exposé assez d’éléments pour justifier une forte confiance dans le caractère distinctif de sa couche d’optimisation.

Pour les acheteurs, l’implication pratique est simple. DeepVu est assez crédible pour mériter une diligence directe si l’on veut un éditeur de planification tourné vers l’IA, avec un fort récit de résilience et une volonté de traiter des cas d’usage sur mesure. Il n’est pas assez crédible, sur la seule base du dossier public, pour justifier une confiance par défaut. Comparé à Lokad, DeepVu est plus ambitieux rhétoriquement, plus orienté services et beaucoup moins transparent sur la logique computationnelle derrière ses décisions.