L'analyse de Flowlity, fournisseur de logiciels de Supply Chain Planning

Par Léon Levinas-Ménard

Dernière mise à jour: novembre, 2025

Flowlity est une entreprise française de logiciels (SAS) créée en octobre 2018 à Paris, spécialisée dans la planification de la supply chain basée sur le cloud, et plus précisément dans la prévision probabiliste de la demande et l’optimisation de stocks à travers les réseaux de distribution.¹ Les registres publics et les bases de données de startups situent l’entreprise dans la tranche de 20 à 50 employés et son siège est en plein centre de Paris.¹² Les indicateurs de financement et les annonces aux investisseurs indiquent qu’environ €6–7m ont été levés à ce jour lors de tours de financement seed et Series A, avec Fortino Capital, 42CAP, OSS Ventures et Entrepreneur First parmi les principaux investisseurs.³⁴⁵⁶ Fonctionnellement, Flowlity positionne son SaaS comme une couche de planification “pilotée par l’IA” au-dessus des systèmes ERP/transactionnels, prétendant fournir des prévisions probabilistes pour la demande et les délais de livraison des fournisseurs, des stocks de sécurité dynamiques, des ajustements automatisés de stocks, la simulation de politiques de stocks, et un support pour des environnements hybrides MTS/MTO.⁷⁸ Le fournisseur commercialise également un portefeuille plus large (supply planning, S&OP, collaborative planning, optimisation des prix et des promotions), bien que la profondeur clairement documentée se trouve dans la planification de la demande et des stocks. La pile technologique décrite dans les offres d’emploi et les pages techniques est une architecture SaaS moderne basée sur des microservices (backend en Node.js/TypeScript, PostgreSQL, files de messages, analyses basées sur dbt, containerisation et Kubernetes), livrée sous forme de plateforme cloud multi-locataire certifiée ISO 27001 avec des connecteurs préconstruits pour SAP, Oracle, Microsoft Dynamics et d’autres.⁹¹⁰ Le marketing de Flowlity met fortement l’accent sur la planification “native en IA”, les moteurs probabilistes et l’automatisation “autopilote” avec des affirmations allant jusqu’à 95% d’automatisation des tâches de planification routinières,⁷¹¹ mais la documentation publique fournit des détails concrets limités sur les algorithmes d’optimisation sous-jacents ou sur la manière dont les décisions sont évaluées économiquement. Parmi les clients nommés figurent Danone, La Redoute, Magotteaux et plusieurs fabricants et distributeurs de taille moyenne, avec des études de cas publiées rapportant des réductions substantielles des stocks et des améliorations du taux de service, bien que ces résultats soient principalement basés sur des simulations ou sur des narratifs rédigés par le fournisseur plutôt que sur des audits indépendants.¹¹¹²¹³¹⁴¹⁵ Globalement, Flowlity apparaît comme un petit fournisseur spécialisé mais raisonnablement mature dans l’optimisation de stocks basée sur l’IA, avec une histoire marketing assertive autour de l’IA et de l’automatisation et une pile technologique cohérente avec les pratiques SaaS contemporaines, mais avec une vérification externe partielle de ses affirmations plus ambitieuses concernant le niveau d’automatisation et la qualité des décisions.

Aperçu de Flowlity

Du point de vue de l’acheteur, Flowlity peut être considéré comme une couche spécialisée d’optimisation de stocks basée sur l’IA qui se positionne au-dessus des systèmes ERP, WMS et de gestion des commandes existants. Les dépôts légaux français décrivent Flowlity SAS (SIREN 847801701) comme un éditeur de logiciels créé en octobre 2018, avec son siège à Paris et un code d’activité associé à l’édition de logiciels.¹ Le matériel de recrutement sur Welcome to the Jungle indique une taille d’équipe “de 15 à 50 employés”, précisant explicitement que l’entreprise est une équipe d’environ 25 personnes construisant “une solution ambitieuse de supply chain planning” pour résoudre les problèmes de surstock et de rupture.²

Les bases de données de financement telles que CB Insights et Tracxn répertorient Flowlity en tant que startup en phase de démarrage fondée vers 2018–2019, avec un financement total de l’ordre de $6.5–7m (≈€6–6.5m), s’appuyant sur des investisseurs tels que Fortino Capital, 42CAP, OSS Ventures et Entrepreneur First.³⁴ La propre note d’investissement de Fortino Capital confirme qu’il a mené un tour Series A de €4m en 2022 “en partenariat avec 42CAP et OSS Ventures”, positionnant Flowlity comme une solution pour “une optimisation de stocks meilleure et plus rapide” utilisant l’IA.⁵ Un article de IT Supply Chain couvrant le même tour réitère le montant de €4m, décrit des financements antérieurs de la part de 42CAP et Entrepreneur First, et met en avant des plans d’expansion en Europe et d’investissement en R&D.⁶

Du côté produit, les pages de solution de Flowlity et les avis de tiers sont relativement cohérents. Le fournisseur décrit un module “Optimisation de stocks” dont les éléments constitutifs sont la prévision probabiliste (pour la demande et les délais de livraison), les stocks de sécurité dynamiques, les ajustements automatisés de stocks, les simulations de stocks, et le contrôle des politiques (point de commande, jours de stock, règles basées sur la demande, etc.).⁷ La même page revendique une “optimisation de stocks dynamique primée par l’IA” et “cinq années de recherche dédiée”, le système effectuant de nombreuses simulations pour évaluer différentes stratégies de stocks et leur impact sur la valeur des stocks et leur disponibilité.⁷ Une page technique distincte sur “l’Intelligence Artificielle” indique que les “algorithmes intelligents” de Flowlity combinent machine learning, ensemble learning et deep learning, et met l’accent sur les prévisions probabilistes, des recommandations tenant compte des contraintes (respectant les MOQ, tailles de lots, chargements de camions, Incoterms et contraintes similaires), la détection d’anomalies avec resampling synthétique, la prévision de nouveaux produits basée sur la similarité, et la prédiction des retards fournisseurs.¹¹

Une description externe de F6S présente Flowlity comme un SaaS de supply chain planning “piloté par l’IA” qui “rationalise la prévision, l’optimisation de stocks, la planification de la production, le S&OP/IBP et la collaboration avec les fournisseurs,” mentionnant la prévision probabiliste, le réapprovisionnement dynamique, l’optimisation de réseau multi-étage, et affirmant que le produit “automatise les tâches de planification routinières (prétend jusqu’à 95 % d’automatisation).”⁷ La “IT Subway Map Europe 2023” par Supply Chain Movement catégorise Flowlity dans le segment “Intelligent Material Management System” (IMMS), aux côtés d’autres outils de planification spécialisés plutôt que des ERP complets ou des plateformes analytiques génériques.¹⁶

Techniquement, Flowlity décrit sa plateforme comme une solution cloud certifiée ISO 27001 avec des connecteurs préconstruits vers SAP, Oracle, Microsoft Dynamics et d’autres systèmes ERP, un streaming en temps réel de données cryptées, et une architecture basée sur des microservices conçue pour “scaler à l’infini.”⁹ L’intégration est documentée comme un projet en quatre phases : (1) recueil des exigences métier et évaluation des risques (3–4 semaines), (2) intégration système et cartographie des données (4–6 semaines), (3) validation des données et entraînement de “l’algo” (3–5 semaines) et (4) accompagnement des utilisateurs et tests (3–4 semaines), impliquant un horizon de mise en œuvre typique d’environ 3–4 mois.⁹ Les offres d’emploi pour ingénieurs backend corroborent l’usage d’une pile de microservices moderne, mentionnant Node.js et TypeScript, PostgreSQL, RabbitMQ, dbt, containerisation (Docker) et Kubernetes, avec des outils d’infrastructure-as-code tels que Terraform, en accord avec une architecture SaaS contemporaine plutôt qu’un produit monolithique sur site.¹⁰

Les pages clients de Flowlity mettent en avant un mélange de clients des secteurs CPG, de la vente au détail et de l’industrie — Danone (produits laitiers frais), La Redoute (le e-commerce et l’emballage), Magotteaux (traitement des minéraux), ainsi que plusieurs distributeurs et fabricants de taille moyenne.¹¹¹²¹³ Les études de cas revendiquent généralement des réductions des stocks à deux chiffres (par exemple, une valeur des stocks inférieure de 13 % et une couverture de stocks inférieure de 22 % chez Magotteaux, ainsi qu’une réduction de 8 % des ruptures de stock)¹¹ et des réductions substantielles des stocks d’emballage chez La Redoute (soutenues par des médias logistiques indépendants citant une réduction de 40 % des stocks d’emballage et jusqu’à 98 % pour certaines références).¹³¹⁴¹⁵ Cependant, le matériel publiquement disponible est principalement rédigé par le fournisseur et occasionnellement basé sur des simulations, si bien que, bien que les résultats soient plausibles, ils doivent être considérés comme indicatifs plutôt que comme des preuves vérifiées de manière indépendante.

Flowlity vs Lokad

Flowlity et Lokad abordent tous deux des problèmes de supply chain planning et utilisent à la fois la prévision probabiliste et l’optimisation algorithmique, mais ils diffèrent matériellement en termes de périmètre, d’architecture, et de la part du “modèle” exposée au client.

Premièrement, philosophie produit. L’offre de Flowlity est présentée comme une “application” SaaS plus conventionnelle : les clients achètent des modules étiquetés (Demand Planning, Inventory Optimization, Supply Planning, S&OP, Collaborative Planning, Price & Promotion Optimization) avec un périmètre fonctionnel relativement fixe et un fort accent sur l’exécution en “autopilote” et de hauts degrés d’automatisation.⁷⁸¹¹ En revanche, le principal livrable de Lokad est une plateforme programmable — via son Envision DSL — sur laquelle des applications d’optimisation sur mesure sont implémentées pour chaque client. Lokad expose délibérément toute la logique de modélisation (via le code), s’attend à ce que chaque déploiement implique un scripting non trivial, et se positionne explicitement comme un environnement de “Quantitative Supply Chain” plutôt que comme une application préemballée.

Deuxièmement, transparence technique et configurabilité. Les documents publics de Flowlity décrivent des mécanismes internes sophistiqués (moteurs probabilistes, embeddings, correction d’anomalies, optimisation tenant compte des contraintes), mais ceux-ci sont proposés comme des capacités en boîte noire derrière une interface utilisateur et une API fixes. Flowlity ne publie pas de langage de modélisation, de grammaire de configuration ni de formulation d’optimisation ; les clients interagissent au niveau des règles métier (par exemple, des modèles de politiques, des classes ABC/XYZ, des modes tels que MTS vs MTO) et des réglages de paramètres.⁷⁸¹¹ En revanche, Lokad rend sa logique d’optimisation entièrement visible dans le code : le modèle de chaque client est un script Envision qui calcule explicitement les distributions de la demande, les coûts et les décisions, et peut être audité ligne par ligne, contrôlé en version et refactorisé. Cela se traduit généralement par une plus grande flexibilité et une meilleure explicabilité, au prix d’un effort de modélisation initial plus important.

Troisièmement, degré et nature de l’utilisation de l’“IA”. La page IA de Flowlity affirme utiliser des techniques de ML modernes (« les derniers algorithmes de machine learning, ensemble learning et deep learning »), avec des fonctionnalités telles que les embeddings pour la détection de produits similaires et des modèles supervisés pour la prévision des retards fournisseurs.¹¹ Cependant, le fournisseur ne publie pas de livres blancs techniques, de résultats de benchmarks ou d’artefacts open-source qui permettraient une évaluation indépendante des classes de modèles, des régimes d’entraînement, ou des performances par rapport à des références de base. Lokad, bien que propriétaire également, a documenté son utilisation des prévisions probabilistes, du deep learning et de la programmation différentiable, et a participé à des compétitions publiques de prévision ; il tend à encadrer l’“IA” comme faisant partie d’un pipeline plus large d’optimisation différentiable plutôt que comme un module séparé. L’affirmation de Flowlity d’être la “première solution de prévision et de planification supply chain native en IA” est un langage marketing difficile à étayer à la lumière des travaux antérieurs de fournisseurs tels que Lokad et d’autres ; aucune preuve indépendante n’est fournie pour étayer cette affirmation spécifique de “premier”.¹¹

Quatrièmement, focalisation sur la décision et aspects économiques. Les deux fournisseurs prétendent générer des recommandations exécutables plutôt que de simples prévisions. Flowlity met en avant des “recommandations générées par l’IA et tenant compte des contraintes” qui respectent les contraintes opérationnelles telles que MOQ, chargements de camions, et tailles de lots, ainsi que des simulations de politiques de stocks, mais en dit relativement moins sur des fonctions objectives économiques explicites (par exemple, profit attendu, pondération du coût du capital, ou effets de panier).⁷⁸¹¹ Lokad, tel que décrit dans le résumé ci-dessus, tourne autour de moteurs économiques explicites et de l’optimisation des résultats financiers attendus (par exemple, réduction des erreurs en dollars). Concrètement, cela signifie que Lokad encourage la construction de modèles où chaque décision est évaluée en termes monétaires, tandis que le matériel public de Flowlity se concentre davantage sur les indicateurs de taux de service, de couverture et de ruptures de stock, laissant la priorisation économique exacte moins clairement spécifiée.

Cinquièmement, personnalisation vs time-to-value. Le plan d’intégration en quatre phases de Flowlity, avec un horizon typique de 3–4 mois et une forte utilisation de connecteurs préconstruits et d’étapes standardisées, vise une mise en service relativement rapide où les clients adoptent la logique préemballée du fournisseur avec une modélisation sur mesure limitée.⁹ Lokad se lance généralement dans des projets de modélisation plus ouverts, souvent en réalisant des pilotes où les scripts Envision sont développés et itérés conjointement avec le client sur plusieurs mois. Cela permet une grande adaptabilité aux contraintes spécifiques de l’entreprise (comme des règles de maintenance complexes dans l’aviation), mais requiert plus de temps d’expert et un partenariat plus étroit. Flowlity peut être plus attrayant pour des organisations recherchant un déploiement SaaS plus rapide et prescriptif ; Lokad peut être plus adapté lorsqu’une supply chain est suffisamment complexe pour justifier une logique d’optimisation entièrement personnalisée.

Enfin, maturité commerciale et empreinte. Les deux entreprises sont relativement petites comparées aux leaders mondiaux de la planification, mais Lokad opère depuis 2008 avec un palmarès incluant de grands déploiements dans la vente au détail et l’aéronautique, tandis que Flowlity est une startup de l’ère 2018 avec un ensemble de références publiées plus restreint. Flowlity semble avoir une traction raisonnable en France et dans certaines parties de l’Europe, avec des clients nommés tels que Danone, La Redoute et Magotteaux.¹¹¹²¹³ La clientèle de Lokad couvre plusieurs zones géographiques et secteurs verticaux, de la mode à l’entretien aéronautique (MRO), et sa plateforme couvre un éventail plus large de types de décisions (y compris la tarification) via son DSL. Pour un acheteur, cela se traduit par des profils de risque différents : Flowlity en tant qu’outil AI d’optimisation de stocks émergent et préemballé ; Lokad en tant qu’environnement d’optimisation programmable et mature.

En résumé, bien que Flowlity et Lokad parlent tous deux de prévision probabiliste et de planification pilotée par l’IA, la forme du produit est différente : Flowlity se rapproche davantage d’un APS de nouvelle génération pour la planification des stocks et de la supply chain, tandis que Lokad est davantage une plateforme de modélisation et d’optimisation, avec une programmabilité plus poussée et une focalisation plus explicitement économique.

Historique de l’entreprise, financements et structure d’entreprise

Constitution et profil juridique

Le registre corporatif de Pappers indique que Flowlity SAS a été créée le 1 octobre 2018, avec la forme juridique “Société par actions simplifiée” et un siège à Paris.¹ Le code d’activité est associé à l’édition de logiciels, et la clause d’objet social couvre la création, le développement, l’édition, l’exploitation et la commercialisation de logiciels et de services numériques, en accord avec un modèle économique SaaS.¹ Le même registre classe l’entreprise dans la tranche de 20 à 49 employés, ce qui correspond à l’indication “de 15 à 50 employés” sur Welcome to the Jungle.¹²

Tours de financement et investisseurs

Funding trackers donnent des vues légèrement différentes mais globalement cohérentes. CB Insights répertorie Flowlity comme ayant levé plusieurs tours totalisant environ 6,6 M$, en citant Fortino Capital, 42CAP, OSS Ventures et Entrepreneur First parmi les investisseurs.³ Tracxn affiche un total similaire (environ 6,57 M$) et note une phase Seed/Pre-Series A suivie d’un Series A en 2022.⁴

La communication d’investissement de Fortino Capital en 2022 indique qu’il a mené un tour Series A de 4 M€ “en partenariat avec 42CAP et OSS Ventures”, les fonds étant destinés à l’expansion en Europe et à une R&D supplémentaire.⁵ Un article d’IT Supply Chain rapportant le même tour réitère le montant de 4 M€, mentionne un précédent soutien de 42CAP et Entrepreneur First, et positionne Flowlity comme un outil de planification piloté par l’IA et la simulation.⁶ Pris ensemble, ces sources étayent la conclusion que Flowlity est early-stage but post-Series A, avec un capital total levé de plusieurs millions d’euros à un chiffre.

Pas d’acquisitions impliquant Flowlity (ni en tant qu’acquéreur ni en tant que cible) n’ont été détectées dans les bases de données publiques ou les archives de presse ; l’entreprise semble avoir connu une croissance organique soutenue par des fonds de VC.

Size, geography and go-to-market

Le profil d’entreprise de Welcome to the Jungle décrit Flowlity comme une société basée à Paris comptant de 15 à 50 employés, précisant explicitement qu’ils forment désormais “une équipe de 25 talents ambitieux et créatifs” et positionnant l’entreprise comme bâtissant l’une des solutions de planning de supply chain les “plus ambitieuses” sur le marché.² Les tags sectoriels sur la même page — Software, Artificial Intelligence / Machine Learning, Supply Chain — sont cohérents avec l’autodéfinition du fournisseur et les récits de levées de fonds.

F6S et des annuaires similaires décrivent Flowlity comme une solution utilisée par des entreprises de petite, moyenne et grande taille, bien qu’il s’agisse d’un langage générique d’annuaire plutôt que d’une preuve concrète de déploiements à l’échelle des entreprises.⁷ En revanche, les pages clients et études de cas suggèrent une concentration sur des fabricants de taille moyenne à grande, des entreprises de biens de grande consommation (CPG) et des distributeurs plutôt que sur de très petites entreprises. L’empreinte géographique des références (Danone, La Redoute, Magotteaux et autres) indique un focus principal sur la France et les marchés européens voisins.¹²¹³¹⁴¹⁵

Product and technology

Functional scope and use cases

Le catalogue de solutions de Flowlity répertorie six modules principaux : Demand Planning, Inventory Optimization, Supply Planning, Sales & Operations Planning, Collaborative Planning, et Price & Promotion Optimization.⁸¹⁷ Cependant, la profondeur de la documentation disponible publiquement est inégale : Inventory Optimization et la pile technologique IA y sont décrits plus en détail que Supply Planning ou l’optimisation des prix.

La page Optimisation de stocks présente les fonctionnalités les plus concrètes :

prévision probabiliste de la demande et des délais de livraison;
calculs dynamiques des stocks de sécurité;
recalibrage automatique des stocks en réponse à la variabilité de la demande et des délais de livraison;
simulation de stratégies alternatives de stocks et de leur impact sur la valeur des stocks et le taux de service;
prise en charge de plusieurs types de politiques (point de commande, jours de stock, axé sur la demande, etc.), assignable au niveau SKU ou groupe;
outils pour les produits périssables (gestion de la durée de vie), visibilité des stocks multi-sites et paramétrisation basée sur ABC/XYZ.⁷

La section FAQ affirme explicitement convenir aussi bien aux environnements Make-to-Stock qu’aux environnements Make-to-Order : en mode MTS, les prévisions déterminent les cibles de stocks et les stocks de sécurité dynamiques ; en mode MTO, les commandes fermes servent d’entrée de demande et l’outil optimise les composants en amont et les matières premières, avec prise en charge de portefeuilles mixtes MTS/MTO via une configuration au niveau des articles.⁷

La page Intelligence Artificielle ajoute plusieurs fonctionnalités de planification :

prévisions probabilistes complètes au lieu de prédictions ponctuelles;
recommandations tenant compte des contraintes qui respectent les MOQ, les tailles de lots, les contraintes de chargement de conteneurs/camions et les Incoterms, combinant “machine learning plus operations research”;
détection continue des anomalies et des événements, avec resampling synthétique pour “nettoyer” l’historique de la demande;
recherche de similarités via embeddings pour proposer des profils de demande pour de nouveaux SKUs;
modèles de performance des fournisseurs qui prédisent les retards de livraison et ajustent les stratégies de stocks en conséquence;
un récit général sur la transition d’une planification statique et basée sur des cycles vers une planification en quasi-temps réel, orientée sur les exceptions.¹¹

Pris ensemble avec la description de F6S, qui mentionne la planification de production, le S&OP/IBP et la collaboration avec les fournisseurs, Flowlity positionne son produit comme un APS de taille moyenne centré sur l’optimisation de stocks probabiliste, avec des capacités adjacentes pour la planification de la production et le S&OP.⁷ Cependant, la documentation publique détaillée concernant la programmation de la production, les contraintes de capacité ou l’optimisation de réseaux multi-échelons complexes est limitée ; les acheteurs doivent supposer que le module le plus mature et différencié est l’optimisation de stocks plutôt qu’une planification avancée complète ou une conception de réseau.

Technical architecture and stack

La page “Integration & Security” de Flowlity offre la vue la plus claire de l’architecture de la platforme. Elle décrit une platforme cloud certifiée ISO 27001 avec :

connecteurs ERP pré-construits pour SAP, Oracle, Microsoft Dynamics, Cegid, Odoo, Sage et d’autres;
APIs ouvertes et ingestion SFTP;
“high-performance micro-services” qui diffusent des données en temps réel tout en les gardant cryptées et protégées;
un projet d’intégration en plusieurs phases avec des délais explicites (environ 3–4 mois allant des besoins à l’intégration des utilisateurs et aux tests).⁹

La même page met en avant un modèle SaaS (“en service en quelques semaines”) et répertorie des segments de clients tels que retail & le e-commerce, wholesale, spare parts management et manufacturing.⁹

Les offres d’emploi pour un ingénieur backend (publiées via le job board de Fortino Capital) et des rôles similaires indiquent une stack SaaS moderne assez standard : services back-end en Node.js et TypeScript, NestJS pour la structure des services, PostgreSQL comme principal data store, RabbitMQ ou équivalent pour la messagerie, dbt pour les transformations analytiques, Docker et Kubernetes pour l’orchestration des conteneurs, et des outils d’infrastructure-as-code (p. ex., Terraform) pour le provisioning.¹⁰ Bien que ce soient des buzzwords marketing, ils sont cohérents à travers plusieurs offres et s’alignent avec le comportement décrit sur les pages techniques de Flowlity, suggérant que l’architecture interne repose bien sur des microservices et est cloud-native plutôt qu’un monolithe hérité.

La description de l’architecture implique un SaaS multi-locataires centralisé plutôt que des installations sur site. La diffusion de données en temps réel ou quasi temps réel, comme mentionné sur les pages Integration & Security et AI, est probablement implémentée via des files de messages et des mises à jour incrémentielles plutôt que par des exécutions par lots nocturnes, bien que les SLA exacts pour les cycles de planification ne soient pas divulgués.¹¹⁹ Aucune information n’est disponible publiquement sur le fournisseur de cloud sous-jacent (AWS, Azure, GCP, etc.), mais la certification ISO 27001 et les pratiques de cryptage standard suggèrent une posture de sécurité cloud conventionnelle.⁹¹⁸

AI, machine learning and optimisation claims

Flowlity avance des affirmations assurées quant à être une solution de planification “AI-native” et utiliser “les derniers algorithmes de machine learning, ensemble learning et deep learning”.¹¹ Cependant, le niveau de détail technique fourni s’apparente davantage à une vue d’ensemble marketing qu’à une documentation scientifique reproductible.

Les éléments les plus concrets sont :

Prévisions probabilistes : la page AI décrit un moteur qui attribue des probabilités aux scénarios de demande et de délais de livraison, qui est ensuite utilisé pour dimensionner les stocks de sécurité et les réapprovisionnements.¹¹ Cela correspond à la formulation de la page d’optimisation de stocks, qui mentionne explicitement la prévision probabiliste à la fois de la demande et des délais de livraison, et décrit l’exécution de nombreuses simulations en arrière-plan pour évaluer différentes stratégies de stocks.⁷ Il est donc raisonnable de conclure que le moteur de prévision central est probabiliste (probablement via une combinaison de simulation de Monte Carlo et d’ajustement de distribution basé sur le ML), plutôt que la prévision classique de séries temporelles à un seul point.
Recommandations tenant compte des contraintes : la page AI souligne que les recommandations “respectent toutes vos contraintes réelles—MOQ, taille de lot, chargements complets de camion ou de conteneur, Incoterms, et plus—à tout niveau de détail”, suggérant une forme d’optimisation ou des heuristiques qui incorporent ces contraintes directement.¹¹ Il n’y a aucune description de la formulation mathématique (par exemple, programmation mixte en nombres entiers vs recherche heuristique), et aucune mention de solveurs d’optimisation externes comme CPLEX ou Gurobi, de sorte que la nature exacte du moteur d’optimisation reste opaque.
Gestion des anomalies et embeddings : la page AI décrit la détection des valeurs aberrantes et le resampling synthétique pour “nettoyer” le signal de demande, ainsi que des modèles d’embedding qui font apparaître des produits similaires pour la prévision de nouveaux SKUs.¹¹ Ce sont des utilisations plausibles du ML moderne (par exemple, des autoencodeurs ou de l’apprentissage par métrique pour les embeddings, des statistiques robustes pour la détection des anomalies), mais aucune validation technique ni métriques de performance par rapport à des modèles de référence plus simples ne sont fournies.
Prévision des retards des fournisseurs : prévoir les retards de livraison des fournisseurs sur la base des performances historiques est un cas d’utilisation raisonnable en apprentissage supervisé. Encore une fois, l’existence de tels modèles est plausible, mais aucune preuve quantitative (par exemple, la précision des prévisions, l’impact sur le taux de service) n’est fournie dans des sources publiques.¹¹

Des annuaires externes comme F6S répètent ces affirmations sous forme résumée (“AI-powered”, “probabilistic forecasting”, “dynamic replenishment”, “up to 95% automation”), sans ajouter de validation indépendante.⁷ Il n’existe aucun dépôt de code public ni article académique rédigé par le personnel de Flowlity permettant une évaluation plus approfondie de la nouveauté ou de l’état de l’art des algorithmes.

En résumé, les affirmations en matière d’IA de Flowlity sont cohérentes et techniquement plausibles—rien ne semble impossible ou manifestement exagéré—mais elles restent largement non étayées au-delà des déclarations du fournisseur. La présence de prévisions probabilistes et d’une forme d’optimisation est claire ; il est impossible de déterminer, à partir des informations publiques, si les modèles sous-jacents sont à la pointe de la technologie sur le plan académique ou s’il s’agit d’implémentations de ML/OR plus standard.

Deployment model and customer references

Implementation and integration

La page Integration & Security documente une approche de déploiement en quatre phases :

Clarification des exigences métier (3–4 semaines) : cartographie des processus métier, définition des critères de succès et évaluation des risques menée par les parties prenantes métier.⁹
Intégration système (4–6 semaines) : création des connexions de données, cartographie des données et mise en place des flux de données quotidiens, menée par l’équipe IT.⁹
Validation des données & entraînement des algos (3–5 semaines) : validation de la logique d’intégration, entraînement et calibration du modèle par l’équipe data engineering.⁹
Intégration des utilisateurs & tests (3–4 semaines) : formation des utilisateurs, validation des cas d’usage réels et mise en production avec les utilisateurs métier.⁹

La mise en œuvre ainsi annoncée est d’environ 13–19 semaines, ce qui est relativement court par rapport aux déploiements APS en grandes entreprises, mais plausible pour un outil SaaS ciblé qui se connecte via des interfaces standard et adopte principalement des modèles définis par le fournisseur. La description du processus est de haut niveau : il n’est pas question de tests A/B formels, de phases de production parallèle face aux outils de planification existants, ni de procédures détaillées de qualité des données, bien que ces activités puissent être gérées de manière informelle.

La section sur la sécurité réitère la certification ISO 27001 et suggère des pratiques d’entreprise standard (cryptage, contrôle d’accès, surveillance), mais ne fournit pas de livre blanc détaillé sur la sécurité.⁹¹⁸ Pour la plupart des acheteurs, l’ISO 27001 couplé à un hébergement cloud grand public constitue un minimum raisonnable ; les industries à haute sensibilité peuvent demander une documentation supplémentaire lors de l’appel d’offres.

Clients nommés, secteurs et preuves d’impact

La section clients de Flowlity répertorie plusieurs comptes nommés et pages sectorielles (Retail & e-commerce, Wholesale, Spare parts management, Manufacturing).¹²¹³¹⁶ Parmi ceux-ci, les cas Danone et La Redoute fournissent les détails les plus concrets.

Danone (fresh dairy / AgriFood) : L’étude de cas Danone indique que la collaboration a commencé en janvier 2020 dans le cadre du programme “AI Factory for AgriFood” dirigé par Microsoft et Danone, en se concentrant sur des défis tels que la réduction des déchets dans la supply chain agri-food. Elle précise que Flowlity aide Danone à optimiser les matières premières et les stocks d’emballages, à améliorer les prévisions de consommation, et que des scénarios simulés sur un an suggèrent une réduction de 28–40% des stocks.¹²
La Redoute (packaging) : Le cas La Redoute de Flowlity décrit un projet autour de l’optimisation des stocks d’emballages, où la solution aide à segmenter les SKUs d’emballages, à ajuster les politiques de réapprovisionnement et à réduire à la fois le surstock et les ruptures.¹³ Des médias logistiques tels que Voxlog rapportent que La Redoute a réalisé environ 40% de réduction des stocks d’emballages, et jusqu’à 98% de réduction pour certaines références, grâce à la solution de Flowlity.¹⁴ Un article d’IT Supply Chain citant Flowlity et Bpifrance met en lumière de manière similaire la réduction des stocks d’emballages et l’amélioration du taux de service, bien qu’il reflète largement le récit du fournisseur.¹⁵
Magotteaux (industrial) : la page AI cite Magotteaux comme ayant obtenu une réduction de 13% de la valeur des stocks, une réduction de 22% de la couverture des stocks, et une réduction de 8% des ruptures de stock grâce à l’IA de Flowlity, en citant le S&OP Manager comme témoignage.¹¹ Encore une fois, ces chiffres sont présentés sans validation externe ni détail méthodologique (par exemple, groupe de contrôle, horizon temporel, traitement des facteurs exogènes).

Les pages sectorielles (Retail & e-commerce, Wholesale, Spare parts management, Manufacturing) offrent des descriptions de type scénaristique—par exemple, la gestion des SKUs à longue traîne, les réseaux multi-entrepôts, l’intermittence des pièces détachées—plutôt que des données de cas détaillées.¹⁶ La présence de plusieurs clients nommés dans différents secteurs et la couverture médiatique indépendante (Voxlog, IT Supply Chain) étayent l’affirmation que Flowlity est commercially active and not purely aspirational, mais la dépendance aux chiffres fournis par le fournisseur et aux scénarios simulés limite la force des preuves concernant les améliorations de performance.

Maturité commerciale et contexte concurrentiel

Compte tenu de sa date de fondation (2018) et de sa levée de fonds post-Series A (2022), Flowlity est mieux caractérisé comme un fournisseur SaaS en phase de démarrage mais opérationnel commercialement. Il a dépassé l’étape du proof-of-concept — il existe des déploiements réels auprès de marques reconnues — mais son portefeuille de clients et d’études de cas reste relativement petit comparé aux fournisseurs APS de longue date.

La classification de Flowlity par l’IT Subway Map en tant que “Intelligent Material Management System” la positionne parmi les outils de planification à la marque IA plus récents qui visent à couvrir une partie de l’univers APS plutôt qu’une étendue complète de type ERP.¹⁶ Les concurrents directs incluraient vraisemblablement d’autres startups d’optimisation de stocks basées sur l’IA et des outils APS pour le marché intermédiaire, plutôt que de grands acteurs établis comme SAP IBP ou Blue Yonder.

En termes de risque commercial, les acheteurs devraient considérer Flowlity comme un spécialiste pointu : il offre des fonctionnalités modernes probabilistes et pilotées par l’IA dans une architecture SaaS bien conçue, mais ne dispose pas encore d’un historique sur plusieurs décennies ni d’une portée globale comparable à celle des grands fournisseurs. Ce compromis est typique pour ce type d’entreprise : une innovation potentiellement plus rapide et une attention accrue, compensées par le risque de pérennité du fournisseur et un écosystème encore en maturation.

Évaluation du mérite technique et de l’état de l’art

D’après des sources publiques, la solution de Flowlity va clairement au-delà des applications CRUD basiques et des simples calculateurs de stocks de sécurité. La présence de prévisions probabilistes tant pour la demande que pour les délais de livraison, la simulation de politiques de stocks ainsi que des recommandations tenant compte des contraintes suggèrent un niveau de sophistication technique au moins moyen en matière de prévision et d’optimisation.⁷⁸¹¹ L’utilisation d’une architecture moderne de microservices, de dbt pour les transformations et d’outils cloud standards est conforme aux meilleures pratiques contemporaines d’ingénierie SaaS plutôt qu’à des architectures héritées.⁹¹⁰

Cependant, plusieurs aspects restent opaques:

La nature exacte des modèles probabilistes n’est pas divulguée. On ignore si Flowlity utilise des modèles probabilistes classiques de séries temporelles, des estimateurs de distribution basés sur le ML, ou des approches de Monte Carlo construites sur des prévisions ponctuelles.
La couche d’optimisation est décrite uniquement en termes qualitatifs (« machine learning plus recherche opérationnelle », respect des MOQ et des tailles de lots, buffers dynamiques), sans information sur le fait que les décisions soient produites par programmation en nombres entiers mixtes, recherche heuristique, programmation dynamique ou logique basée sur des règles complétée par des améliorations locales.¹¹
Il n’existe aucune preuve de benchmark public (p. ex. participation à des compétitions de prévision, comparaisons de précision open-vs-baseline) permettant une évaluation externe de la qualité des prévisions par rapport à des méthodes plus simples.
Les fonctions d’objectif économiques du système ne sont pas précisées. Bien que la réduction de la valeur des stocks et les ruptures soient mentionnées, il y a peu d’explications sur le profit attendu, le coût du capital ou sur des leviers économiques plus nuancés tels que les effets de panier ou les coûts d’opportunité, ce qui limite la capacité à évaluer la priorisation des décisions lorsque des compromis se présentent.⁷¹¹¹²

Compte tenu de ces lacunes, il serait exagéré de qualifier la technologie de Flowlity d’« état de l’art » de manière incontestable dans un sens strictement scientifique. Au contraire, les éléments laissent entendre que Flowlity met en œuvre un moteur moderne d’optimisation de stocks probabiliste assisté par l’IA avec une architecture et un ensemble de fonctionnalités globalement en phase avec les tendances actuelles de l’industrie chez les startups de planification par IA. Ses capacités sont probablement supérieures aux outils traditionnels de stocks de sécurité déterministes et aux simples modules complémentaires de prévision, mais il n’existe pas suffisamment d’informations publiques pour confirmer si ses modèles ou algorithmes d’optimisation sont matériellement en avance sur ceux d’autres fournisseurs avancés.

Du point de vue de la gestion des risques, les principales préoccupations sont :

Opacité de la logique d’optimisation, qui pourrait entraver une analyse technique approfondie par des acheteurs experts.
Dépendance aux chiffres de performance basés sur des simulations dans les études de cas, qui ne remplacent pas des audits indépendants avant et après.
Échelle limitée et historique restreint par rapport aux acteurs établis, ce qui peut être important pour des entreprises très grandes ou fortement régulées.

Parallèlement, l’orientation probabiliste, l’accent explicite sur l’incertitude des délais de livraison et l’attention portée aux pratiques d’ingénierie modernes de Flowlity sont des indicateurs positifs. Pour les organisations cherchant à dépasser la planification statique en faveur d’une optimisation de stocks probabiliste et prêtes à examiner de manière critique les revendications des fournisseurs, Flowlity est un candidat crédible dans le domaine de l’optimisation de stocks par IA.

Conclusion

Flowlity est un fournisseur SaaS basé à Paris et soutenu par des fonds de capital-risque, spécialisé dans la planification de Supply Chain pilotée par l’IA, avec ses capacités les plus développées et documentées dans la prévision probabiliste de la demande et des délais de livraison et l’optimisation de stocks. Légalement et commercialement, il s’agit d’une entreprise en phase de démarrage mais active : fondée en 2018, employant quelques dizaines de collaborateurs, et bénéficiant d’un financement d’environ 6–7 M€ via une levée de fonds Series A menée par Fortino Capital et d’autres.¹³⁴⁵⁶² Sa plateforme est construite sur une architecture moderne de microservices cloud, intégrée aux ERP grand public via des API et connecteurs, et certifiée ISO 27001.⁹¹⁰ Fonctionnellement, Flowlity offre de la prévision probabiliste, des stocks de sécurité dynamiques, une simulation de politiques de stocks ainsi que des recommandations tenant compte des contraintes dans une UI SaaS packagée, commercialisée sous des libellés généraux tels que Demand Planning, Inventory Optimization et Supply Planning.⁷⁸¹¹¹⁷

Techniquement, la solution est clairement plus avancée que de simples modules complémentaires de planification : elle modélise explicitement l’incertitude, utilise des techniques de ML pour la détection de motifs et les embeddings, et intègre des contraintes opérationnelles dans les recommandations. Cependant, le manque de documentation technique détaillée, de benchmarks publics ou d’études de performance indépendantes signifie que bon nombre des affirmations marketing les plus ambitieuses — être “AI-native”, atteindre jusqu’à 95% d’automatisation, ou représenter un changement de paradigme par rapport à d’autres outils probabilistes — restent seulement partiellement étayées.⁷¹¹ Les études de cas avec Danone, La Redoute et Magotteaux apportent des preuves encourageantes mais majoritairement rédigées par le fournisseur quant à la réduction des stocks et des ruptures, parfois basées sur des simulations plutôt que sur des résultats historiques audités.¹¹¹²¹³¹⁴¹⁵

En comparaison à Lokad, Flowlity occupe une position différente dans l’espace de conception : il s’agit d’une application d’optimisation de stocks par IA packagée plutôt que d’une plateforme d’optimisation programmable. Les acheteurs cherchant un outil SaaS déployable rapidement et aux orientations bien définies, avec une forte appropriation du modèle par le fournisseur, pourraient trouver Flowlity attrayant ; ceux nécessitant une modélisation personnalisée poussée, des fonctions d’objectif économiques explicites et une transparence au niveau du code pourraient être mieux servis par des plateformes comme Lokad qui exposent leur DSL de modélisation.

Une vision prudemment optimiste et fondée sur des preuves serait donc la suivante : Flowlity est un SaaS de planification probabiliste techniquement compétent, doté d’une architecture moderne et de références précoces crédibles, mais la qualité des décisions en conditions réelles et le niveau d’automatisation devraient être validés empiriquement lors de pilotes, plutôt que déduits uniquement à partir des affirmations marketing.