Revue de GEP, Supply Chain et fournisseur de logiciels de procurement

Par Léon Levinas-Ménard

Dernière mise à jour: novembre, 2025

GEP est un fournisseur de logiciels de procurement et supply chain, basé aux États-Unis, qui a émergé d’une activité de conseil et d’externalisation et qui vend aujourd’hui une vaste suite cloud couvrant le process source-to-pay (GEP SMART), l’exécution et la planification de la supply chain (GEP NEXXE), ainsi que des couches d’IA transversales (plateforme low-code QUANTUM et moteur MINERVA AI/ML) fonctionnant sur Microsoft Azure. Sur environ 25 ans, GEP a accumulé une importante clientèle d’entreprise, notamment dans le domaine du procurement, et s’est plus récemment positionné comme une plateforme « propulsée par l’IA » utilisant Azure SQL Database, le déploiement via Azure Marketplace et des intégrations Azure OpenAI pour des fonctionnalités génératives. La suite a une large portée fonctionnelle – workflows de procurement, collaboration avec les fournisseurs, visibilité logistique, surveillance de type tour de contrôle et une partie de la planification – mais les documents techniques publics décrivent principalement l’automatisation des workflows, l’analytique et l’assistance générative, avec peu de détails sur les algorithmes sous-jacents de prévision des séries temporelles et d’optimisation qui pilotent les décisions effectives de supply chain. Pris au pied de la lettre, la technologie de GEP semble mature sur le plan commercial et cloud-native, mais techniquement plus proche d’une couche d’entreprise pour les processus et la visibilité renforcée par l’IA que d’un véritable moteur d’optimisation quantitative pour les stocks, la capacité et la tarification.

Aperçu de GEP

GEP trouve ses origines en 1999 sous le nom de Global eProcure, fondé par un groupe d’entrepreneurs nés en Inde et basé à Clark, dans le New Jersey, combinant conseils en sourcing stratégique avec des opérations de procurement externalisées et de premiers outils d’e-sourcing.¹ Au cours des années 2000, l’entreprise s’est développée grâce à des centres de livraison mondiaux en Inde et ailleurs, croissant principalement en tant qu’entreprise de services qui concédait également sous licence une technologie propriétaire pour soutenir le sourcing et la gestion des dépenses.¹² Vers le début des années 2010, Global eProcure a rebaptisé GEP et s’est progressivement repositionnée en tant que fournisseur unifié de logiciels et de services, culminant avec le lancement de SMART by GEP, ultérieurement abrégé en GEP SMART, en tant que plateforme unique cloud basée source-to-pay (S2P).¹³

Pour s’étendre au-delà du procurement vers une exécution et une planification plus larges de la supply chain, GEP a réalisé plusieurs acquisitions. En 2012, elle a acquis Enporion, une place de marché B2B et une plateforme de gestion de supply chain basée aux États-Unis, au service du secteur de l’énergie et des services publics, dans une opération rapportée par FreightWaves et confirmée par le communiqué de presse de GEP.⁴⁵ En 2024, GEP a acquis l’activité de procurement, e-invoicing et d’automatisation des comptes fournisseurs d’OpusCapita, ajoutant des clients nordiques/européens et une technologie axée sur le purchase-to-pay et le traitement des factures.⁶⁷ Des sources secondaires telles qu’Owler listent d’autres acquisitions (par exemple COSTDRIVERS et DATAMARK) qui élargissent les capacités en analytique et services managés, bien que celles-ci soient peu documentées dans les documents techniques publics.⁸

Aujourd’hui, GEP se présente comme un fournisseur intégré de conseils, de services managés (BPO) et de GEP SOFTWARE, la marque parapluie couvrant GEP SMART (S2P), GEP NEXXE (supply chain) et les couches d’IA/low-code GEP MINERVA et GEP QUANTUM.¹⁹ La couverture analyste (par exemple, Spend Matters) décrit GEP comme un fournisseur « hybride » : en partie cabinet de conseil en stratégie, en partie opérateur de procurement externalisé, en partie entreprise de logiciels.³ Commercialement, GEP revendique des centaines de grands clients d’entreprise dans les secteurs des biens de grande consommation (CPG), de la pharmacie, de la fabrication, des services financiers et de l’énergie, gérant des dizaines ou des centaines de milliards de dépenses – des chiffres répétés dans les profils d’entreprise sur Everipedia et Umbrex, mais non audités de façon indépendante.¹²

Le Magic Quadrant for Source-to-Pay Suites de Gartner 2025 a placé GEP dans le quadrant des Leaders, en citant sa vision unifiée S2P et sa forte traction client dans des organisations mondiales complexes.⁹ Cependant, cette reconnaissance se limite au domaine S2P ; il n’existe pas d’entrée équivalente dans le Magic Quadrant pour GEP dans la planification fondamentale de supply chain. Globalement, les preuves publiques indiquent que GEP est un fournisseur commercialement établi dans la technologie de procurement avec des ambitions croissantes en supply chain, mais beaucoup moins validé de l’extérieur dans ce dernier domaine.

GEP vs Lokad

GEP et Lokad abordent tous deux les problèmes de supply chain mais sous des angles fondamentalement différents. Les comparer directement n’a de sens que si ces différences structurelles sont explicitées.

Portée et forme du produit. GEP vend une suite d’entreprise étendue : GEP SMART pour le source-to-pay, GEP NEXXE en tant que plateforme de supply chain, ainsi que des couches d’IA/low-code transversales (MINERVA, QUANTUM), en plus de conseils substantiels et de services managés. Son point fort est constitué des workflows de procurement de bout en bout (sourcing, contrats, gestion des fournisseurs, facturation) avec en complément une visibilité et une collaboration dans la supply chain. Lokad, en revanche, est une plateforme étroite mais approfondie axée presque exclusivement sur la planification et l’optimisation quantitatives de la supply chain – prévision de la demande, décisions de stocks et de capacité, ainsi qu’une part de tarification – et n’essaie pas de remplacer les systèmes S2P, ERP ou WMS. Lokad doit s’intégrer à l’architecture procurement/ERP existante d’un client (qui peut inclure GEP) ; GEP vise à être lui-même l’épine dorsale transactionnelle.
Architecture et programmabilité. La suite de GEP est une pile d’applications cloud-native hébergée sur Azure. SMART et NEXXE sont proposés via Azure Marketplace, construits sur Azure SQL Database et d’autres services Azure.¹⁰¹¹¹² Les documents publics et les profils d’ingénieurs indiquent une architecture microservices avec une couche low-code et une interface frontale de type plugin, utilisant des technologies web courantes ; le back-end de NEXXE est décrit comme une architecture microservices avec orchestration de type saga, et la plateforme est explicitement positionnée comme low-code/no-code pour la personnalisation des workflows.¹³¹⁴ Lokad, quant à lui, utilise une pile technologique interne centrée sur son langage spécifique au domaine Envision, soutenue par un store orienté événements et une machine virtuelle distribuée. La plateforme est programmable d’abord : chaque prévision et optimisation est du code, plutôt que configuré via une interface low-code. Cela rend Lokad plus proche d’un moteur d’analytique spécifique à la supply chain ; GEP se rapproche davantage d’une suite d’applications d’entreprise généralisée étendue par le low-code.
Modèle de décision et “IA”. Le discours sur l’IA de GEP met en avant MINERVA – un moteur IA/ML qui intègre désormais l’IA générative de Microsoft via Azure OpenAI – et QUANTUM, une plateforme low-code commercialisée comme « AI-first ».¹⁵⁹ Dans la supply chain, NEXXE promet « une IA et un ML avancés pour résoudre les problèmes réels de supply chain », des insights prédictifs et une planification en boucle fermée.¹¹¹³ Cependant, les sources publiques décrivent principalement des cas d’utilisation tels que les requêtes conversationnelles, le résumé de documents, la classification, la détection d’anomalies et la prédiction générique ; il y a peu de détails techniques sur la modélisation probabiliste de la demande, l’optimisation multi-échelon des stocks ou les algorithmes combinatoires d’ordonnancement. Lokad, en revanche, est explicitement construit autour de la prévision probabiliste et de l’optimisation stochastique (méthodes Monte Carlo, basées sur le gradient et heuristiques) avec des preuves publiées telles que la performance dans la compétition M5 et des présentations techniques détaillées. En d’autres termes, l’IA de GEP apparaît principalement comme de l’analytique et de l’automatisation assistives superposées aux workflows, tandis que l’« IA » de Lokad est pour la plupart une machinerie mathématique en coulisses qui génère directement des décisions optimisées.
Résultats : workflows vs. décisions priorisées. GEP SMART et NEXXE sont fortement axés sur les workflows : les parcours utilisateur tournent autour d’événements de sourcing, de l’approbation des contrats, de l’intégration des fournisseurs, de la gestion des exceptions de la supply chain, de vues de type tour de contrôle et de simulations de scénarios.¹⁰¹¹ Le système peut générer des recommandations (par exemple, quels fournisseurs approcher, des politiques relatives aux stocks, des plans logistiques), mais celles-ci s’inscrivent dans des flux de processus plus larges et des structures de gouvernance. Le principal livrable de Lokad est une liste classée de décisions – bons de commande, transferts de stocks, lots de production, ajustements de tarification – chacun annoté de l’impact financier attendu dans l’incertitude. Lokad laisse les workflows de procurement et les approbations à d’autres systèmes ; GEP intègre les décisions dans ses propres processus.
Modèle de livraison. GEP vend souvent de grands programmes de transformation mêlant logiciels, conseils et BPO ; Umbrex note le positionnement de GEP en tant que « partenaire de transformation procurement tout-en-un » avec des opérations externalisées à long terme pour certains clients.¹ Lokad opère généralement avec de petites équipes de “Supply Chain Scientist” construisant et maintenant des scripts Envision sur les données d’un client, sans prendre en charge le procurement opérationnel. Pour une entreprise souhaitant externaliser des parties du procurement et standardiser les processus à l’échelle mondiale, GEP est structurellement aligné ; pour une entreprise recherchant un cerveau spécialisé en optimisation qui s’intègre dans un paysage ERP/S2P existant, Lokad s’en rapproche davantage.

En résumé, GEP est un fournisseur de suite avec des workflows d’entreprise améliorés par l’IA, tandis que Lokad est une plateforme d’optimisation qui suppose que quelqu’un d’autre gère les processus transactionnels. Pour évaluer la technologie de décision en supply chain, la comparaison pertinente ne porte pas sur la sophistication de l’interface utilisateur ou l’étendue S2P, mais sur la profondeur et la transparence de la modélisation décisionnelle ; sur cet axe, les documents publics de GEP restent encore maigres comparés aux divulgations techniques de Lokad.

Histoire de l’entreprise et acquisitions

L’histoire précoce de GEP est relativement bien documentée par des profils tiers. Umbrex rapporte que Global eProcure a été fondé en 1999, offrant initialement des services de conseil en procurement et d’externalisation, avant de développer progressivement sa propre technologie pour soutenir le sourcing stratégique et l’analytique des dépenses.¹ Everipedia décrit de la même manière GEP comme étant passée d’un cabinet de conseil boutique à un fournisseur mondial de solutions de procurement avec des bureaux en Amérique du Nord, en Europe et en Asie, et met en lumière sa croissance dans les services managés parallèlement aux logiciels.²

Les acquisitions semblent avoir été principalement utilisées pour étendre la couverture du domaine et la portée géographique :

Enporion (2012). En janvier 2012, GEP (alors encore souvent appelé Global eProcure) a annoncé l’acquisition de Enporion, un fournisseur américain de logiciels de gestion de supply chain et de places de marché électroniques pour le secteur de l’énergie et des services publics.⁴⁵ FreightWaves a rapporté cette opération comme un mouvement stratégique pour approfondir les capacités de GEP dans les services publics et pour acquérir la plateforme de procurement hébergée d’Enporion.⁴ Le communiqué de presse de GEP (PDF) présente Enporion comme apportant des « solutions avancées de gestion de supply chain » et un réseau de place de marché établi.⁵ Il y a peu de détails techniques publics sur la manière dont la technologie d’Enporion a été intégrée ou retirée ; l’image de marque ultérieure de GEP (SMART, puis NEXXE) suggère une consolidation progressive en une seule pile cloud plutôt que le maintien de plusieurs bases de code.
Autres acquisitions (DATAMARK, COSTDRIVERS). Le profil d’entreprise d’Owler répertorie d’autres acquisitions, y compris DATAMARK et COSTDRIVERS, mais sans dates de transaction ni détails techniques ; celles-ci semblent être principalement destinées à étendre les capacités en analytique, données et BPO, et non à créer des gammes de produits distinctes.⁸ En raison du manque de sources corroborantes, celles-ci doivent être considérées comme indicatives plutôt que documentées de manière exhaustive.
Activité procurement d’OpusCapita (2024). En juillet 2024, GEP a annoncé l’acquisition de l’activité logiciels de procurement et d’automatisation des comptes fournisseurs d’OpusCapita, un fournisseur finlandais de solutions de procurement, e-invoicing et de comptes fournisseurs.⁶⁷ Les communiqués de presse indiquent que les produits et les clients d’OpusCapita seront intégrés dans GEP SMART, GEP soulignant l’expansion de son empreinte européenne et le renforcement des capacités en e-invoicing/conformité.⁶⁷ Aucune feuille de route technique de migration n’est disponible publiquement ; sur la base des schémas typiques de consolidation S2P, on peut s’attendre à ce que les fonctionnalités d’OpusCapita soient progressivement intégrées dans SMART tandis que la marque autonome est progressivement abandonnée.

Dans l’ensemble, le schéma d’acquisition est cohérent avec une stratégie de construction de plateforme : acheter des atouts spécifiques au domaine (places de marché pour services publics, e-invoicing nordique), puis les intégrer dans une suite unifiée basée sur Azure.

Portefeuille de produits et positionnement

GEP SMART : suite S2P unifiée

GEP SMART (souvent stylisé « SMART by GEP » dans les documents plus anciens) est la plateforme source-to-pay phare de l’entreprise. Azure Marketplace de Microsoft la décrit comme une « plateforme de procurement unifiée » couvrant l’analyse des dépenses, le sourcing, la gestion des contrats, la gestion des fournisseurs, le suivi des projets d’économies, le procurement, la facturation et les fonctions de workbench pour catégories, proposée en tant que service cloud multi-locataire fonctionnant sur Azure.¹⁰ GEP positionne SMART comme une plateforme unique et intégrée plutôt qu’une collection de modules faiblement couplés ; le bref aperçu du fournisseur par Spend Matters soutient cela, notant que SMART a été architecturé comme une suite unifiée construite nativement pour le cloud, contrairement aux outils legacy sur site qui ont ensuite été refactorisés pour le SaaS.³

Du point de vue des fonctionnalités, les capacités de SMART s’alignent largement sur les attentes modernes des entreprises en matière de S2P : des événements de sourcing avancés, un achat guidé, un dépôt de contrats avec suivi des obligations, l’intégration des fournisseurs et des tableaux de bord de performance, la gestion de catalogues, des workflows P2P et la correspondance des factures. Des études de cas issues du marketing de GEP (par exemple, une implémentation de SMART pour un fabricant mondial) décrivent des déploiements avec des centaines d’utilisateurs, une migration de données historiques sur plusieurs années, et une équipe d’implémentation dédiée associant des experts de GEP et des parties prenantes du client.¹¹¹⁴ Un exemple publié mentionne la migration de trois ans de données historiques et la mise en place d’un accès simultané pour environ 300 utilisateurs sur une plateforme source-to-contract unifiée, ce qui est conforme à un déploiement SaaS d’entreprise typique plutôt qu’à un système expérimental ou immature.¹⁴

D’un point de vue technologique, SMART est étroitement lié à la pile Microsoft. Un blog de Microsoft Azure sur les pools élastiques de SQL Database cite GEP comme client de référence, notant que GEP a migré plus de 800 bases de données vers des pools élastiques Azure SQL Database, fermé ses propres centres de données, et opère désormais en tant qu’entreprise « sans centre de données », avec SMART by GEP décrit comme une solution de procurement et de supply chain cloud basée sur Azure SQL.¹² Cela constitue une forte preuve que SMART fonctionne sur Azure SQL Database dans une configuration multi-base de données et pool élastique, ce qui correspond bien à une plateforme SaaS multi-locataire servant de nombreux clients.

Dans des documents plus récents, SMART est souvent décrit comme étant “propulsé par GEP MINERVA™ AI” – impliquant que le moteur AI/ML se trouve en dessous ou aux côtés de SMART pour alimenter la classification, les prédictions et les fonctionnalités génératives – mais les détails techniques sur les algorithmes exacts utilisés (par exemple, pour la classification des dépenses, l’évaluation des risques fournisseurs ou la détection de fraude) ne sont pas divulgués publiquement. Nous considérons donc les affirmations d’optimisation pilotée par AI dans SMART comme partiellement étayées (l’intégration d’Azure OpenAI est réelle; les modèles ML internes demeurent opaques).

GEP NEXXE: supply chain platform

GEP NEXXE est la plateforme supply chain de l’entreprise, commercialisée comme une “plateforme supply chain unifiée, native du cloud” pour une visibilité de bout en bout, la collaboration et la planification.¹¹¹⁶ L’annonce sur Azure Marketplace décrit NEXXE comme supportant la planification de la demande, la planification de l’approvisionnement, l’optimisation de stocks, la logistique, et des capacités de type “control-tower”, et met en avant “advanced AI and ML to solve real-world supply chain problems” comme argument de vente.¹¹¹³

Les sites de comparaison de logiciels indépendants (par exemple, eBool) qualifient NEXXE comme combinant une visibilité en temps réel à travers les niveaux, une analytique prédictive pour le risque et les perturbations, et un design low-code/no-code permettant aux utilisateurs d’adapter les workflows et dashboards, mettant en avant la flexibilité dans la construction d’applications supply chain sans compétences pointues en codage.¹³ Les profils techniques des ingénieurs de GEP mentionnent des microservices et l’orchestration de sagas dans le back-end de NEXXE ainsi qu’un front-end basé sur des plugins, affirmant une architecture moderne et distribuée cohérente avec ce positionnement low-code.¹⁴

Cependant, les détails techniques publics sur la logique d’optimisation centrale de NEXXE sont limités. Les descriptions de type marketing et analyste évoquent :

visibilité et alertes en temps réel (typiques des systèmes control-tower),
analytique prédictive des risques (par exemple, anticiper les perturbations de supply chain),
planification multi-échelons des stocks et analyse de scénarios,
détection de la demande et prédictions basées sur AI/ML.

Ce qui n’est pas décrit de manière concrète, c’est :

comment les prévisions de la demande sont modélisées (séries temporelles classiques vs. ML vs. distributions probabilistes),
quelles fonctions objectives sous-tendent « l’optimisation de stocks » (taux de service, coût, profit),
si l’incertitude est gérée par des distributions de probabilité complètes ou par des heuristiques simplifiées de stock de sécurité,
quels algorithmes sont utilisés pour des décisions combinatoires complexes (par exemple, réseaux de flux, planification).

Les études de cas sur le site de GEP mentionnent des résultats tels que “une réduction de 40% des stocks” ou “une amélioration de 30% de l’exécution des commandes” attribuables à NEXXE, mais ces récits restent focalisés sur la qualité et ne dévoilent pas le mécanisme mathématique ni ne fournissent suffisamment de détails pour une réplication indépendante.³ D’un point de vue technique sceptique, NEXXE apparaît aujourd’hui comme une couche de control-tower et de collaboration moderne, native d’Azure, avec des analyses intégrées, plutôt qu’un moteur d’optimisation spécifié de manière transparente.

GEP QUANTUM et MINERVA

GEP QUANTUM est commercialisé comme une “plateforme axée sur l’AI, low-code, pour les applications d’approvisionnement, de supply chain et de durabilité”. Un article d’AIThority à son lancement décrit QUANTUM comme fournissant des blocs de construction modulables, des moteurs AI intégrés et un environnement visuel low-code pour assembler rapidement de nouvelles applications sur GEP SMART et NEXXE, ciblant à la fois des développeurs professionnels et des “citizen developers”.¹⁵ QUANTUM se comprend donc mieux comme l’adhésif de la plateforme et une extensibilité, et non comme un produit d’optimisation autonome.

GEP MINERVA est le moteur AI et machine learning qui sous-tend à la fois SMART et NEXXE. Un communiqué de presse de MarketScreener/Microsoft de 2023 indique que GEP a lancé une suite de solutions au sein de GEP SOFTWARE utilisant ChatGPT d’OpenAI via Microsoft Azure OpenAI Service, offrant une interface intuitive pour interroger les données, automatiser les processus et améliorer la prise de décision; il précise en outre que les capacités génératives d’AI de Microsoft sont intégrées au moteur AI et ML de GEP MINERVA pour fournir des analyses de données transversales à l’organisation et un support décisionnel.⁹

Pris ensemble, cela indique que la pile AI de GEP est construite autour de :

un moteur AI/ML propriétaire (MINERVA) gérant les tâches ML classiques (classification, clustering, modèles prédictifs),
une plateforme low-code (QUANTUM) pour exposer ces capacités dans des applications,
Azure OpenAI pour les fonctions génératives (interfaces conversationnelles, résumé, compréhension de documents).

Ce qui reste flou, c’est jusqu’à quel point cette pile AI est utilisée pour l’optimisation prescriptive dans la supply chain, au-delà de l’analytique descriptive et prédictive. Il n’existe aucune discussion publique sur, par exemple, la fonction objectif d’entraînement autour du coût ou du profit de bout en bout, l’apprentissage conjoint des prévisions et des décisions, ou l’optimisation sous contrainte avancée semblable aux solveurs en recherche opérationnelle.

Architecture et technologie

Les informations publiques indiquent une architecture centrée sur Microsoft, native d’Azure pour la suite de GEP :

Azure SQL et opérations “datacenter-free”. Dans le blog de Microsoft annonçant la disponibilité générale des pools élastiques d’Azure SQL Database, GEP est cité comme un client SaaS ayant migré plus de 800 bases de données vers des pools élastiques et fermé ses propres centres de données, un VP technologique de GEP notant que ce changement a rendu GEP “datacenter-free” et a permis des économies de coûts significatives.¹² SMART by GEP est explicitement mentionné comme une solution d’approvisionnement et supply chain basée sur le cloud, construite sur Azure SQL Database, établissant que les données relationnelles sont stockées dans Azure SQL et que la gestion de bases de données multi-tenant est assurée via des pools élastiques plutôt que par des serveurs autogérés.
Déploiement via Azure Marketplace. GEP SMART et GEP NEXXE sont tous deux répertoriés sur le Microsoft Azure Marketplace sous les noms “Unified Procurement Platform – GEP SMART” et “Unified Supply Chain Platform – GEP NEXXE” respectivement, mettant en avant un déploiement natif du cloud, l’évolutivité et une disponibilité mondiale dans les régions Azure.¹⁰¹¹ Cela suggère qu’au moins certains clients acquièrent le logiciel sous forme d’abonnement SaaS via le marketplace de Microsoft, bien que les contrats directs avec GEP demeurent la norme pour les importantes opérations de transformation.
Microservices et low-code. Les profils d’ingénieurs et les descriptions de tiers donnent des indices concernant l’architecture interne. Un ingénieur logiciel senior décrit avoir travaillé sur GEP NEXXE en utilisant des microservices et des patterns de saga dans le back-end et un front-end de type plugin, contribuant ainsi à faire de NEXXE une plateforme low-code.¹⁴ Les sites de comparaison de logiciels soulignent un design low-code pour NEXXE permettant aux utilisateurs de personnaliser les workflows et les dashboards.¹³ Ensemble, cela indique que GEP a mis en place un niveau applicatif basé sur des microservices avec une couche low-code pour composer les composants UI et les workflows, en accord avec les pratiques actuelles des entreprises SaaS.
Intégration de l’AI via Azure OpenAI. Comme indiqué, le moteur MINERVA de GEP est intégré à Azure OpenAI pour fournir des capacités de AI générative au sein de la suite.⁹ Cela implique une couche AI orientée service : les services applicatifs font appel aux modèles Azure OpenAI pour la génération de texte, le résumé et la classification, tandis que les modèles propriétaires s’exécutent ailleurs dans la pile.

Ce qui manque, c’est une description de bas niveau de :

les langages de programmation et frameworks utilisés (probablement .NET/JavaScript, mais non explicitement indiqué),
les schémas de modélisation de données au-delà de “l’exécution sur Azure SQL Database”,
la conception interne de QUANTUM et MINERVA (par exemple, s’ils utilisent des microservices hébergés sur Kubernetes, quelles bibliothèques ML sont employées),
comment l’isolation des locataires et le déploiement multi-région sont gérés.

Compte tenu de la taille de GEP et de son statut de référence Azure, il est raisonnable d’inférer une architecture SaaS d’entreprise, mainstream et techniquement compétente, mais il n’y a aucune preuve d’une infrastructure inhabituelle ou innovante semblable à un DSL personnalisé ou à un moteur d’analyses basé sur le sourcing d’événements. Il ne s’agit pas d’une critique – la plupart des acheteurs d’entreprise préfèrent des stacks conventionnels – mais cela signifie que la singularité de GEP réside davantage dans l’étendue de sa suite que dans une innovation architecturale inhabituelle.

AI, machine learning et optimisation : revendications vs preuves

Le marketing de GEP mise fortement sur l’AI, le ML et désormais sur l’AI générative. Une revue critique doit distinguer entre :

capacités AI bien étayées (là où le comportement et l’implémentation sont raisonnablement clairs),
revendications plausibles mais non prouvées (conformes aux normes mais pas détaillées techniquement),
revendications ambiguës ou potentiellement exagérées (lorsque “AI” pourrait masquer une analytique basique).

Capacités bien étayées

Intégration avec Azure OpenAI. L’article de MarketScreener/Microsoft fournit des preuves concrètes que GEP a intégré ChatGPT d’OpenAI via le Microsoft Azure OpenAI Service, permettant une interrogation conversationnelle des données d’approvisionnement et de supply chain, l’automatisation des processus et le support à la prise de décision au sein de GEP SOFTWARE.⁹ Il indique explicitement que des capacités d’AI générative sont incorporées dans le moteur AI/ML de GEP MINERVA. Cela confirme l’utilisation réelle de grands modèles de langage (LLMs) pour des tâches riches en texte : interrogation, résumé et possiblement interprétation de documents.
Déploiement étendu de la suite améliorée par AI. Le même article note que GEP SOFTWARE est utilisé dans 120 pays et disponible sur Azure Marketplace, indiquant que ces fonctionnalités d’AI sont intégrées dans une suite mature plutôt que d’être des ajouts expérimentaux.⁹

Capacités plausibles mais faiblement spécifiées

Analytique prédictive et ML au sein de SMART et NEXXE. La description de NEXXE sur Azure Marketplace fait référence à “advanced AI and ML to solve real-world supply chain problems”, couvrant la détection de la demande, la prédiction des risques et la détection d’anomalies.¹¹ Le marketing et les études de cas décrivent des modèles prédictifs pour le risque fournisseur, les anomalies de demande et les perturbations logistiques de manière générale. Il est fort plausible que GEP ait construit des modèles ML supervisés pour la classification et la régression dans ces domaines (par exemple, des prévisions d’augmentation de demande, des scores de risque), mais sans détails sur les caractéristiques, les types de modèles ou les métriques d’évaluation, la sophistication technique est inconnue. Au minimum, cela apparaît comme du ML d’entreprise standard plutôt que de la recherche de pointe.
Classification des dépenses et enrichment des données. Les suites d’approvisionnement utilisent couramment le ML pour classifier les dépenses selon des taxonomies, dédupliquer les fiches fournisseurs et recommander des correspondances de catégories. Étant donné la longue histoire de GEP dans l’analyse des dépenses et les multiples références à une classification pilotée par AI dans le marketing, il est raisonnable de supposer que ces modèles existent, mais encore une fois, les détails ne sont pas publics.

Revendications ambiguës ou exagérées

Les plus provocantes, du point de vue de l’optimisation de supply chain, sont les revendications autour de “l’optimisation de stocks”, “l’optimization de la supply chain” et “la planification en boucle fermée” pilotées par AI. Les documents de NEXXE mentionnent l’optimisation de stocks, la planification de scénarios et la planification en boucle fermée, mais ne précisent pas :

si les décisions de stock sont optimisées sur la base de distributions de probabilité de la demande et des délais de livraison,
quel objectif est optimisé (par exemple, coût total attendu, taux de service, profit),
si l’optimisation utilise la programmation mathématique, des heuristiques ou des scripts basés sur des règles.

Étant donné l’absence de documentation technique, de modèles open-source ou de références évaluées par des pairs, il est plus sûr de supposer que NEXXE implémente une combinaison de heuristiques basées sur des règles et de prévisions conventionnelles, enveloppées dans une interface moderne et améliorées par du ML prédictif et de l’AI générative pour l’analytique et la collaboration. Jusqu’à ce que GEP publie plus de détails techniques, les revendications d’“optimisation de stocks pilotée par AI” doivent être considérées comme un langage marketing partiellement étayé, et non comme la preuve d’une recherche opérationnelle avancée.

En revanche, Lokad documente publiquement la prévision probabiliste, des algorithmes d’optimisation spécialisés et même des travaux académiques sur la programmation différentiable; cette transparence est précisément ce qui fait défaut dans l’histoire AI de GEP, rendant difficile l’évaluation de la modernité de l’optimisation de GEP.

Déploiement, déploiement progressif et utilisation

Les études de cas publiques fournissent un aperçu de la manière dont GEP déploie son logiciel :

Implémentations de type projet. Une étude de cas SMART pour une entreprise manufacturière mondiale décrit un déploiement où les experts technologiques de GEP “ont aidé le client à déployer une plateforme complète de la source au contrat”, ont migré trois ans de données historiques, et ont déployé le système auprès d’environ 300 utilisateurs, soutenus par des experts GEP dédiés et des responsables de comptes.¹⁴ Cela est cohérent avec des projets d’implémentation sur plusieurs mois typiques des suites S2P d’entreprise : migration de données, configuration, formation et gestion du changement, plutôt qu’une adoption SaaS en libre-service.
Intégration de conseils et BPO. Umbrex souligne que GEP combine souvent son logiciel avec des services de conseil et de gestion externalisée, se positionnant comme un partenaire de transformation plutôt que comme un fournisseur “uniquement logiciel”.¹ Cela implique que les déploiements réussis incluent fréquemment des contrats de service continus, avec un personnel GEP intégré ou collaborant étroitement avec les équipes d’approvisionnement et de supply chain des clients.
Cas d’utilisation de NEXXE. Les études de cas pour NEXXE font référence à des implémentations de control tower supply chain, à des réductions de stocks et à des améliorations dans l’OTIF (on-time in-full) pour de grands fabricants et des entreprises pharmaceutiques.³ Les anecdotes suggèrent que NEXXE est utilisé pour agréger les données provenant de plusieurs ERP et systèmes logistiques, offrir une visibilité quasi temps réel, et coordonner les réponses aux perturbations. Toutefois, elles ne détaillent pas la logique décisionnelle ni la manière dont les objectifs conflictuels (service vs. coût vs. risque) sont arbitrés.

Comparé au modèle de déploiement de Lokad – développement itératif de scripts Envision dirigé par des Supply Chain Scientist – les déploiements de GEP ressemblent davantage à des implémentations classiques de plateformes d’entreprise : des projets interfonctionnels plus importants, une standardisation des processus plus poussée, et un accent plus fort sur la gouvernance, la formation et la gestion du changement.

Maturité commerciale et base de clients

Plusieurs sources s’accordent à dire que GEP est commercialement mature, notamment dans l’approvisionnement :

Umbrex et Everipedia citent des centaines de clients, y compris de grandes entreprises dans de nombreux secteurs.¹²
Le vendor snapshot de Spend Matters (2019) positionne GEP comme un fournisseur S2P de “premier ordre” avec une présence significative sur le marché et un investissement continu dans SMART.³
Le Magic Quadrant 2025 de Gartner pour les suites Source-to-Pay place GEP dans le quadrant des Leaders, impliquant à la fois une vision complète et la capacité d’exécuter en S2P.⁹

Pour la supply chain, le tableau est plus nuancé :

NEXXE apparaît sur Azure Marketplace et dans des études de cas clients, mais il n’existe aucun quadrant magique Gartner dédié ni aucune Forrester Wave spécifique à NEXXE en tant qu’outil de supply chain planning.
Les études de cas font état d’améliorations significatives (réductions de stocks, gains OTIF), mais elles manquent de précision suffisante pour discriminer entre les améliorations résultant d’une meilleure visibilité et discipline des processus et celles provenant d’algorithmes d’optimization.

From a skeptical standpoint, it is fair to say that GEP is an established player in procurement technology, and an emerging – but not yet clearly benchmarked – player in supply chain planning technology.

Évaluation du mérite technique et de l’unicité

Répondre aux questions clés de l’utilisateur :

Que fournit la solution de GEP, en termes techniques précis ?

Dans les achats (GEP SMART) : Une suite d’applications S2P hébergée dans le cloud sur Azure qui gère les données principales, les documents transactionnels et les flux de travail couvrant l’analyse des dépenses, l’approvisionnement, les contrats, la gestion des fournisseurs, le purchase-to-pay et la facturation. Elle stocke des données structurées principalement dans Azure SQL Database, utilise des interfaces frontales d’applications web et expose une logique de processus configurable via des outils low-code. L’IA est utilisée pour la classification, les recommandations et l’assistance générative (par ex., chat, résumé).
Dans la supply chain (GEP NEXXE) : Une plateforme de visibilité et de collaboration supply chain agrégant des données provenant des ERP, WMS et systèmes logistiques ; offrant des tableaux de bord en temps réel, des alertes et une analyse de scénarios ; et fournissant un certain degré de planification de la demande et des stocks soutenu par des routines génériques de ML et d’optimization. Elle est architecturée comme une plateforme low-code basée sur des microservices sur Azure, intégrée avec le moteur IA MINERVA et Azure OpenAI pour l’analytique et les fonctionnalités conversationnelles.
Inter-suite (QUANTUM & MINERVA) : Un environnement low-code (QUANTUM) pour construire des applications par-dessus SMART/NEXXE et un moteur IA/ML (MINERVA) qui centralise des modèles prédictifs et des services d’IA générative.

Par quels mécanismes et architectures parvient-il à ces résultats ?

Infrastructure : Pools élastiques Azure SQL Database, déploiement sur Azure Marketplace, microservices et cadres d’interface utilisateur low-code, comme l’attestent les références Microsoft Azure, les annonces sur Azure Marketplace et les profils d’ingénieurs.¹⁰¹¹¹³¹²¹⁴
Analytique et IA : Modèles ML propriétaires (détails non divulgués) pour les prédictions et les classifications ; LLM hébergés par Azure OpenAI pour les interfaces conversationnelles et le traitement de texte ; outils low-code QUANTUM pour les intégrer dans les flux de travail.¹⁵⁹
Logique décisionnelle : Règles métier, heuristiques et outils d’analyse de scénarios implémentés au sein de SMART et NEXXE ; un certain degré d’optimization pour les stocks et la planification est revendiqué mais non spécifié techniquement. Il n’existe aucune preuve publique de modèles entièrement probabilistes de bout en bout, de solveurs combinatoires avancés ou de programmation différentiable au sens de Lokad.

Quelle est la pointe de la technologie de GEP ?

En infrastructure et conception d’applications, GEP apparaît à jour mais pas exceptionnel : natif Azure, microservices, low-code, IA générative via Azure OpenAI. Cela est conforme aux meilleures pratiques actuelles parmi les fournisseurs SaaS d’entreprise sérieux, mais pas remarquablement avancé.
Dans la digitalisation des processus d’achats, SMART est compétitif et mature, comme en témoigne son positionnement de Leader Gartner et une couverture analystique de longue date.⁹³
Dans l’optimization des décisions supply chain, les informations publiques suggèrent que GEP est en retrait par rapport à la frontière définie par les fournisseurs spécialisés en optimization. Il existe peu de preuves d’une prévision probabiliste rigoureuse, d’une optimization stochastique avancée ou de moteurs décisionnels transparents et mathématiquement fondés. Les points forts de NEXXE semblent être la visibilité, la collaboration et l’analytique plutôt que des algorithmes d’optimization révolutionnaires.

Maturité commerciale

GEP est mature commercialement dans les achats (des décennies sur le marché, une large base d’entreprises, reconnaissance des analystes) et émergent mais moins validé dans la supply chain planning sophistiquée. Ses solutions peuvent être mieux comprises comme des applications d’entreprise larges avec des workflows enrichis par l’IA, et non comme des moteurs quantitatifs spécialisés.

Conclusion

GEP est un fournisseur majeur, natif Azure, dont la force principale réside dans l’unification des processus d’achats à l’échelle des entreprises mondiales grâce à GEP SMART, complétée par une visibilité et une collaboration supply chain via GEP NEXXE. L’architecture est moderne et crédible : pools élastiques Azure SQL Database, microservices, interface low-code, et une couche d’IA inter-suite exploitant Azure OpenAI. Sa position commerciale en S2P est bien établie et validée de manière indépendante.

D’un point de vue technique, centré sur l’optimization, cependant, le discours public de GEP est bien plus maigre. Bien que MINERVA, QUANTUM et NEXXE soient commercialisés comme pilotés par l’IA et axés sur l’optimization, les preuves disponibles indiquent principalement une analytique prédictive, une assistance générative et des outils centrés sur les workflows, et non des modèles probabilistes spécifiés en profondeur ou des moteurs d’optimization avancés. La prise de décision supply chain semble être un mélange d’heuristiques basées sur des règles, de prévisions conventionnelles et de planification de scénarios, l’IA améliorant la compréhension et l’automatisation plutôt que de redéfinir fondamentalement les mathématiques décisionnelles.

Par rapport à Lokad, GEP est un fournisseur de suite étendue avec des workflows d’entreprise augmentés par l’IA, tandis que Lokad est une plateforme d’optimization étroite mais approfondie construite autour de prévisions probabilistes et de modèles décisionnels personnalisés. Pour les organisations évaluant des technologies spécifiquement pour repousser la frontière de l’optimization supply chain quantitative, l’ensemble solution supply chain de GEP manque actuellement de la transparence technique et des preuves qui justifieraient de le traiter comme l’état de l’art dans ce créneau. Pour les organisations recherchant un fournisseur unique pour la transformation des achats avec une visibilité supply chain raisonnable et une analytique pilotée par l’IA, l’offre de GEP est crédible et mature – mais doit être comprise comme une plateforme de processus, et non comme un moteur d’optimization pur.