Revue de Getron, fournisseur de logiciels supply chain pilotée par l’IA

Par Léon Martin-Ménard

Last updated: November, 2025

Getron est un fournisseur turc de logiciels de données et d’IA qui a évolué depuis ses premiers systèmes bancaires à haut volume (fondé en 2003) vers une entreprise d’analytique supply chain verticalisée, construite autour de sa plateforme “Getron AI Services” (GaiS) pour le retail, la santé, la fabrication, l’énergie et l’automobile. L’entreprise présente GaiS comme une suite SaaS/PaaS native à l’IA qui automatise le réapprovisionnement, l’allocation, les réductions de prix, les achats répétés, les mises au rebut, le supply planning, la tarification et la gestion des commandes via des work orders prescriptifs plutôt que par des écrans de planification traditionnels, soutenue par un modèle de données propriétaire (Getron Data Structure, GDS) et une interface de personnalisation de masse (MCI) qui sont censés rendre le produit rapidement configurable, depuis les PME jusqu’aux grandes entreprises.¹ Le discours public de Getron met en avant l’automatisation (« 80%+ des work orders de GaiS entièrement automatisés » d’ici 2025), un retour sur investissement rapide (de quelques semaines pour les premiers résultats, des mois pour l’amortissement) et une forte dépendance aux modèles internes d’IA/ML qui, essentiellement, « externalisent » la collecte quotidienne de données et la prise de décisions à la plateforme.¹²³ Parallèlement, le fournisseur dévoile très peu de détails architecturaux ou algorithmiques comparé aux concurrents deep-tech : il n’existe aucune description publique des classes de modèles de prévision au-delà de « la prévision de la demande multi-modèles », aucune formulation d’optimisation reproductible, aucun benchmark ouvert, et seulement une fenêtre indirecte sur ses méthodes par le biais de travaux académiques réalisés par ses dirigeants (fuzzy cognitive maps, fuzzy controllers, fuzzy linguistic séries temporelles).⁴⁵⁶ Commercialement, Getron semble être un acteur de taille moyenne, privé, avec une forte implantation en Turquie — notamment dans le retail pharmaceutique via son produit Porta — et une empreinte croissante mais moins documentée dans la mode mondiale et les marques FMCG ; une confirmation indépendante de certains déploiements en pharmacie existe, tandis que la plupart des logos de grandes marques restent non vérifiables en dehors du marketing de Getron.⁷⁸⁹ Globalement, Getron apparaît comme une suite de planification AI « black-box » techniquement compétente et informée de la recherche, mais relativement opaque : il fait indéniablement plus que du CRUD de base, mais les preuves publiques demeurent insuffisantes pour affirmer que sa technologie se situe à la pointe de la prévision probabiliste ou de l’optimisation supply chain.

Aperçu de Getron

Profil d’entreprise et historique

Getron se présente comme un « partenaire Data & AI » pour le retail, la santé, la fabrication, l’énergie et l’automobile, avec plus de 20 ans d’histoire.¹ Selon la chronologie de l’entreprise, elle a été fondée en 2003 en tant que spécialiste fintech/bancaire en temps réel construisant des systèmes de transaction à haut volume, puis s’est lancée dans la santé en 2006 en contribuant à l’infrastructure nationale de suivi des médicaments en Turquie.¹ Cette origine est cohérente avec un positionnement ultérieur axé sur les données transactionnelles à haute fréquence et les réseaux pharmaceutiques. Un article académique financé par TÜBİTAK (le conseil scientifique turc) et mentionnant explicitement « GETRON Bilisim Hizmetleri A.S., Istanbul, Turkey » comme bénéficiaire de la subvention confirme que Getron opère depuis Istanbul et est actif dans la recherche sur la prévision des séries temporelles.⁴

Au fil du temps, Getron affirme être passé d’un support décisionnel sur mesure (un produit appelé « Getron Advisor » basé sur l’intelligence computationnelle et la logique floue) à une famille de produits AI standardisés.¹⁶ La page « Our Story » présente plusieurs jalons : des projets fintech et de suivi des médicaments dans les années 2000 ; une expansion dans le retail international au début des années 2010 ; l’introduction d’un « moteur de prévision de la demande multi-modèles » autour de 2015 ; l’unification de ses produits supply chain sous la marque « Getron AI Services (GaiS) » ; et, d’ici 2025, plus de 80 % de tous les work orders de GaiS fonctionnant de manière autonome.¹ En dehors du site de Getron et de quelques profils succincts provenant de fournisseurs de données (Datanyze, Corporate Vision, F6S, etc.), il existe peu d’historiques d’entreprise de tierces parties : il n’y a pas de rondes de financement divulguées, pas d’acquisitions rapportées et aucun dépôt public ne laissant supposer un changement de contrôle. Des bases de données indépendantes classent l’entreprise dans les services logiciels / data et confirment son focus sur les applications supply chain pilotées par l’IA avec PST, ARE et PBD comme offres principales.²⁹¹⁰ Aucune acquisition impliquant cette entité Getron n’a émergé lors des recherches — les références à « Shenzhen Getron Co. » et à des entreprises électroniques non liées semblent concerner une autre société.

Famille de produits et positionnement

Au cœur de l’offre supply chain de Getron se trouve Getron AI Services (GaiS), décrit comme une famille de produits SaaS/PaaS native à l’IA pour la gestion des stocks, du supply, de la planification et de la tarification.¹²¹¹ Les descriptions en anglais sur le site de Getron, sur les listings du marketplace de Microsoft et sur G2 convergent vers les modules suivants :

PST – Prescriptive Stock Transactions: optimisation de stocks via des mouvements de stock entre les points de supply et les points de vente (réapprovisionnement et allocation) guidés par des recommandations d’IA plutôt que par des règles manuelles min/max.¹²⁸
ARE – Action Recommended Entities: work orders prescriptifs pour les réductions de prix, les achats répétés et les décisions de retrait, destinés à résoudre les problèmes de surstock, les mises au rebut et les promotions.¹²
PBD – Predictive Business Diagnostics: analytique prédictive et diagnostics présentés sous forme de tableaux de bord préconfigurés pour des KPIs tels que le taux de rotation, la couverture de stocks et la performance des campagnes.¹²²
PSP – Prescriptive Supply Planning: recommandations de supply planning (achats, production) superposées à PST/ARE pour couvrir les décisions en amont.¹²
PRIX – Price Optimization: guidance de pricing intégrée aux décisions sur les stocks et les promotions, visant à la protection des marges et à la minimisation des réductions de prix.¹²¹¹
OMP – Order Management: work orders de gestion des commandes qui priorisent les commandes à exécuter ou accélérer compte tenu des contraintes de stocks.¹²⁸

Ces modules sont commercialisés comme des solutions applicatives business prêtes à l’emploi, orientées data et cloud-native pour la planification, la gestion et l’optimisation des stocks, et comme des outils qui « externalisent essentiellement les processus quotidiens de collecte de données et de prise de décisions » des clients vers les algorithmes internes d’IA et de ML de Getron.³ Des pages en turc sur getron.com.tr fournissent plus de détails opérationnels, décrivant PST comme « İkmal & Satış Noktaları Arası Stok Hareketiyle Envanter Optimizasyonu » (optimisation de stocks via des mouvements de stock entre le réapprovisionnement et le point de vente) et ARE comme émettant des work orders pour la réduction des prix, les achats répétés et le retrait, basés sur des signaux diagnostiques.⁸

En plus de ces modules horizontaux, Getron propose au moins un produit fortement verticalisé :

Porta – une solution pour les pharmacies et les fabricants/distributeurs pharmaceutiques en Turquie. Getron indique que Porta est activement utilisée par plus de 9 600 pharmacies (plus de 96 % du réseau national) pour des services tels que la gestion de programmes promotionnels et la commande pilotée par l’IA.⁷ Un site d’actualités pharmaceutiques indépendant, couvrant un partenariat entre Boehringer Ingelheim et Getron, cite le CBO de Getron affirmant que « les services de Getron sont activement utilisés par 70 % des pharmacies en Turquie » au moment de ce projet, fournissant ainsi une validation externe partielle mais imparfaite des revendications d’échelle.⁸

Le portefeuille de produits est ainsi clairement ciblé sur des problèmes supply chain axés sur la demande et centrés sur le retail (allocation des stocks, tarification sur étagère, mises au rebut, analyse promotionnelle, commande en pharmacie), avec une extension dans le domaine du supply planning. Il n’existe aucune preuve de fonctionnalité spécialisée pour, par exemple, une planification de fabrication multi-échelons complexe ou de la maintenance en MRO aérospatiale comparable aux fournisseurs de planification les plus avancés.

Getron vs Lokad

Getron et Lokad opèrent tous deux dans le vaste domaine de l’analyse et de l’optimisation supply chain, mais leurs approches sont structurellement différentes.

Produit vs. plateforme programmable. Getron positionne GaiS comme une suite pré-emballée d’applications AI (PST, ARE, PBD, PSP, PRIX, OMP, Porta) qui peut être configurée via son interface de personnalisation de masse (MCI) et son Getron Data Structure propriétaire pour s’adapter à différents clients « sans développement ».¹¹¹ Lokad, en revanche, se présente explicitement comme une plateforme programmable où presque toute la logique est implémentée dans un langage spécifique au domaine (DSL) appelé Envision, utilisé par des « supply chain scientists » pour construire des applications d’optimisation prédictive sur mesure.¹³¹⁴ GaiS vise à cacher la complexité derrière des work orders standardisés ; Lokad expose l’ensemble du pipeline dans le code et les tableaux de bord, troquant la facilité d’utilisation contre l’expressivité et la transparence.

Transparence des algorithmes. Les documents publics de Getron évoquent des « moteurs de prévision de la demande multi-modèles », l’« intelligence computationnelle », des « algorithmes d’IA et de ML » et une « planification des stocks holistic AI-native », mais ne divulguent pas les architectures des modèles, les fonctions objectives ou les descriptions détaillées du pipeline.¹¹¹³ En revanche, Lokad publie des descriptions explicites de ses générations technologiques (prévisions par quantiles en 2012, prévision probabiliste en 2016, deep learning en 2018, differentiable programming en 2019, stochastic discrete descent et latent optimization par la suite) et fournit un compte rendu étape par étape de l’intégration des données, du modélisation probabiliste et de l’optimisation décisionnelle, le tout exécuté via Envision.¹⁵¹⁴

Nature de l’IA et de l’optimisation. Il existe des preuves crédibles que la direction de Getron possède une solide expérience académique en logique floue, en fuzzy cognitive maps et en fuzzy controllers,⁴⁵⁶ et qu’un projet récent financé par TÜBİTAK sur la génération de termes linguistiques flous pour la prévision des séries temporelles désigne directement Getron comme partenaire industriel.⁴ Cela suggère que la logique de prévision et de décision de l’entreprise pourrait reposer fortement sur des modèles flous/linguistiques et une recherche heuristique, bien que le pipeline de production ne soit pas documenté. Lokad, en revanche, construit explicitement ses prévisions sous forme de distributions de probabilité complètes et prend ses décisions via une optimisation stochastique et des méthodes basées sur le gradient, avec des instructions Envision et une documentation technique détaillant les simulations Monte-Carlo, les variables aléatoires et des algorithmes d’optimisation spécialisés.¹⁵¹³¹⁴ L’IA de GaiS ressemble donc davantage à une boîte noire de modélisation propriétaire bien réglée ; celle de Lokad ressemble à une boîte à outils probabiliste/optimisation exposée.

Modèle utilisateur et gestion du changement. Dans le modèle de Getron, les clients configurent principalement les mappings de données et les paramètres métiers ; l’IA interne « externalise » les décisions quotidiennes et émet automatiquement des work orders, avec pour revendication que plus de 80 % des actions sont désormais autonomes.¹³ Lokad, quant à lui, suppose que ce sont soit ses propres « supply chain scientists », soit ceux du client, qui feront évoluer en continu les scripts Envision à mesure que l’activité évolue ; l’automatisation existe, mais le mécanisme reste toujours visible et modifiable dans le code.¹³¹⁴ Les organisations souhaitant un autopilote AI à la simple pression d’un bouton pour des problèmes retail assez standards pourraient trouver GaiS plus facile à adopter rapidement ; celles nécessitant un contrôle complet de la logique décisionnelle, la capacité d’encoder des contraintes complexes, ou de combiner prévision/optimisation avec des modèles internes trouveront l’approche DSL de Lokad plus appropriée.

Portée et profondeur. Fonctionnellement, il existe un chevauchement dans l’optimisation des stocks, l’allocation, le supply planning et la tarification. La traction la plus documentée de Getron semble se situer dans le retail pharmaceutique et certains contextes de mode/FMCG ; les références publiques de Lokad couvrent la mode, l’épicerie, les pièces automobiles et l’aérospatiale, avec des affirmations explicites concernant la gestion de nomenclatures complexes, de plannings de maintenance et de l’incertitude des délais (soutenues par des documents techniques détaillés plutôt que par de simples études de cas). En particulier, la plateforme de Lokad est architecturée autour d’Envision et d’un moteur d’exécution cloud conçu spécifiquement pour les applications d’optimisation prédictive,¹⁴ tandis que l’architecture de Getron n’est décrite qu’en termes généraux (SaaS/PaaS sur Azure, GDS/MCI, algorithmes d’IA/ML).²¹¹

En bref : Getron est une suite de produits supply chain pilotée par l’IA, axée verticalement avec un fonctionnement interne opaque, tandis que Lokad est un environnement de programmation supply chain quantitatif à usage général avec une machinerie probabiliste et d’optimisation exposée. Tous deux revendiquent l’automatisation et le ROI ; Lokad documente les mécanismes avec bien plus de détails techniques, tandis que Getron offre une expérience plus légère, plus « black-box » et productisée.

Portée produit et fonctionnelle en détail

Modules de stocks, supply et pricing

Les modules centraux de GaiS peuvent être décrits comme suit, en se basant sur le marketing de Getron, les avis G2 et les profils de tiers :¹²²³

PST (Prescriptive Stock Transactions) – Génère des work orders prescriptifs pour les transferts et les flux de réapprovisionnement entre les centres de distribution et les magasins. Le système vise à minimiser les ventes perdues et le surstock en décidant où expédier chaque unité, plutôt que de simplement recommander des niveaux cibles de stocks.¹² Il est clairement plus avancé qu’une simple couche de reporting : les work orders sont classés algorithmiquement et envoyés aux utilisateurs sous forme de tâches actionnables.
ARE (Action Recommended Entities) – Se concentre sur les réductions de prix, les achats répétés et le retrait. ARE signale les SKU pour des soldes ou réapprovisionnements et émet les work orders correspondants, guidé par des diagnostics tels que la vélocité de sell-through, la saison restante et la contribution au chiffre d’affaires/marge.¹²² L’approche est proche de l’analytique prescriptive : il est demandé aux utilisateurs d’exécuter des tâches spécifiques plutôt que d’interpréter des KPI.
PBD (Predictive Business Diagnostics) – Fournit des vues prédictives, de type tableau de bord de la santé de l’entreprise. Datanyze décrit PBD comme visant des « diagnostics commerciaux prédictifs » et orienté vers la fourniture d’une vision prospective aux managers.² D’après la description, il apparaît comme une couche d’analytique/BI packagée, bien que propulsée par le même moteur de prévision.
PSP (Prescriptive Supply Planning) – Étend le concept prescriptif en amont au planning supply et de production. Il est probable que PSP utilise les résultats de PST/ARE et des prévisions de demande pour générer des ordres d’achat/de production, mais les contraintes détaillées (capacité, quantités minimales de commande des fournisseurs, etc.) ne sont pas documentées publiquement.
PRIX (Pricing) – Intègre les décisions de tarification avec les stocks ; PRIX a pour but d’optimiser les points de prix compte tenu des risques de stocks et des stratégies promotionnelles.¹²¹¹ Les informations publiques sont vagues : il n’existe pas de description explicite de la modélisation de l’élasticité ou de la fonction objective au-delà de « l’optimisation des marges ».
OMP (Order Management Platform) – Aide à prioriser et à acheminer les commandes lorsqu’il existe des contraintes (par exemple, pénurie). Les pages en turc décrivent OMP comme émettant des ordres de travail de gestion des commandes et coordonnant entre les canaux.⁸

De plus, on dit que GaiS inclut des capacités de “Strategy Management” et des couches horizontales “Getron Data Structure (GDS)” et “Mass Customization Interface (MCI)” pour structurer les données et paramétrer le comportement; cette dernière apparaît comme le mécanisme principal par lequel Getron adapte GaiS à différents contextes sans développement sur mesure.¹¹¹

À travers ces modules, le livrable commun est des ordres de travail hiérarchisés, et pas seulement des tableaux de bord. Cela répond à l’exigence des utilisateurs d’être bien plus qu’un simple système CRUD de base : le système prend activement des décisions et demande aux humains de les exécuter.

Porta et le secteur pharmaceutique

Le produit Porta de Getron mérite une mention particulière car il révèle un niveau de maturité différent. La page de Porta affirme que plus de 9 600 des quelque 10 000 pharmacies de Turquie utilisent les services de Getron (plus de 96 % de couverture) pour des activités telles que la gestion des promotions et la commande pilotée par IA.⁷

Un article de presse pharmaceutique turc sur une collaboration entre Boehringer Ingelheim et Getron rapporte qu’à l’époque du projet, les services de Getron étaient “activement utilisés par 70 % des pharmacies en Turquie”, ce qui suggère que Porta (ou son prédécesseur) avait déjà atteint une pénétration substantielle.⁸ Bien que l’article s’appuie encore partiellement sur les déclarations de Getron, il s’agit au moins d’une source médiatique indépendante citant le déploiement.

D’un point de vue fonctionnel, Porta semble agir comme un hub entre les fabricants pharmaceutiques, les distributeurs et les pharmacies, utilisant l’IA pour générer des propositions de commandes, gérer les budgets promotionnels et coordonner les campagnes. Ce focus vertical, combiné à une longue exposition aux données nationales de suivi des médicaments, confère probablement à Getron une forte spécialisation dans les supply chain pharmaceutiques et de gros, même si les détails techniques restent non divulgués.

Pile technologique et architecture

Modèle d’hébergement et revendications de la plateforme

Les profils tiers et les annonces sur les places de marché s’accordent à dire que GaiS est livré en tant que plateforme cloud-native SaaS/PaaS, typiquement hébergée sur Microsoft Azure.²¹¹ Datanyze décrit Getron comme offrant “un modèle SaaS/PaaS évolutif pour automatiser et améliorer les opérations quotidiennes”, s’adressant à la fois aux PME et aux grandes entreprises.² L’annonce sur la place de marché de Microsoft pour Getron AI Services le positionne comme une solution “AI-native holistic de planification et de gestion des stocks” construite sur Azure, avec un accent sur l’amélioration rapide de l’efficacité des stocks.¹¹

Getron met dans ses documents propres en avant deux abstractions internes de la plateforme:

Getron Data Structure (GDS) – un schéma de données propriétaire qui unifie les données transactionnelles, principales et de référence entre les clients.
Mass Customization Interface (MCI) – une couche de configuration qui permet d’adapter GaiS à chaque entreprise sans réécrire de code, prenant supposément en charge une intégration rapide et une logique spécifique à un secteur vertical.¹¹¹

Cependant, aucune documentation publique ne décrit:

les technologies de base de données sous-jacentes (SQL vs. NoSQL, colonnes vs. stockage par lignes),
le modèle de planification pour les exécutions nocturnes ou intra-journalières,
les mécanismes de concurrence et de montée en charge,
ou la forme exacte du GDS (schéma relationnel, graphe, clé-valeur, etc.).

Les seuls faits techniques concrets disponibles sont périphériques : les piles technologiques des sites web provenant d’outils de tracking (WordPress/MySQL/Cloudflare, etc.) et un placement générique sur les places de marché. Il n’existe aucune API ouverte, SDK ou livre blanc technique détaillant l’intégration au-delà d’énoncés de haut niveau indiquant que GaiS est ERP-agnostique et peut s’intégrer à plusieurs ERP via des flux de données.¹¹¹⁶

En revanche, Lokad fournit une documentation technique détaillée sur son architecture (magasin basé sur les événements, VM personnalisée, DSL, etc.).¹⁴ Pour Getron, nous devons donc considérer toutes les affirmations architecturales comme des assertions marketing de haut niveau, et non comme des descriptions de conception techniquement étayées.

Équipe technique et empreinte en recherche

Bien que l’intérieur de la plateforme reste opaque, les personnes et liens de recherche de Getron sont mieux documentés:

La page de l’équipe de direction énumère des rôles tels que CEO (Sarven Siradağ), Chief Business Officer (Dr. Engin Yeşil), Chief Algorithms Officer (Furkan Dodurka) et Chief Customer Officer, mettant en avant de solides parcours académiques.¹⁷
Les profils Google Scholar montrent qu’Engin Yeşil et ses co-auteurs ont publié sur les cartes cognitives floues, les contrôleurs flous, les algorithmes heuristiques pour l’acheminement et le raisonnement par cas.⁵ Ces travaux datent d’avant GaiS mais indiquent une profonde familiarité avec les méthodes d’optimisation floues et heuristiques.
Un document d’un cours d’entrepreneuriat de Calaméo décrit “Getron Advisor” comme un système d’aide à la décision utilisant “l’intelligence computationnelle et des méthodes de logique floue” pour générer des recommandations.⁶ Cela suggère que le moteur d’optimisation de première génération de l’entreprise reposait sur des techniques d’IA floue.
Un article de 2023 sur la génération de termes linguistiques flous pour la prévision des séries temporelles indique explicitement que la recherche est financée par une subvention TÜBİTAK attribuée à Getron Bilisim Hizmetleri et mentionne le personnel de Getron parmi les auteurs, confirmant une participation active à la recherche en logique floue et prévision dans les années 2020.⁴

Pris ensemble, ces éléments suggèrent que la logique floue et la recherche avancée sur les séries temporelles sont vraisemblablement intégrées dans le moteur de prévision de GaiS, mais l’entreprise a choisi de ne pas publier comment ces méthodes sont opérationnalisées en production (par exemple, si PBD repose sur des modèles de termes linguistiques flous ou sur des méthodes d’apprentissage automatique plus conventionnelles).

Réclamations concernant l’IA, l’apprentissage automatique et l’optimisation

Ce que revendique Getron

Les descriptions des fournisseurs et des places de marché répètent un ensemble d’affirmations concernant GaiS:¹²³¹¹

“AI-native holistic planification et gestion des stocks” et “AI & ML algorithms” au cœur de tous les modules.
Un “moteur de prévision de la demande multi-modèles” qui apprend à partir de grands volumes de données transactionnelles.
Génération automatisée d’ordres de travail prescriptifs (réapprovisionnement, allocation, réductions de prix, retrait, tarification, routage des commandes).
Forte automatisation : dès 2025, plus de 80% des ordres de travail fonctionneraient de manière autonome.¹
Valeur rapide : intégration des données en quelques semaines, avec un ROI en environ deux mois selon certains profils.²¹⁶

F6S va plus loin, déclarant que Getron “externalise essentiellement la collecte de données quotidienne et les processus de prise de décision de ses clients à ses algorithmes internes d’IA et de ML, résultant en une automatisation pratiquement complète et une moindre dépendance aux méthodes traditionnelles, sujettes aux erreurs.”³ Ce cadrage est important : il présente GaiS comme une sorte de pilote automatique IA pour la supply chain opérationnelle.

Preuves à l’appui ou qualificatives de ces affirmations

1. Sophistication de la prévision. L’article financé par TÜBİTAK sur la génération de termes linguistiques flous pour la prévision des séries temporelles—explicitement lié à Getron—démontre que l’entreprise participe à une recherche de prévision non triviale : le travail explore des ensembles de termes linguistiques flous améliorés et leur utilisation dans la prévision avec des niveaux de confiance associés.⁴ Ceci est nettement plus avancé que le lissage exponentiel naïf. Cependant:

L’article n’indique pas que la méthode est utilisée en production au sein de GaiS.
Aucune documentation publique ne relie directement PBD/PST/PSP à cette classe de modèles.
Il n’existe aucun benchmark (par exemple, des compétitions M) où Getron démontre la performance de ses prévisions par rapport à d’autres méthodes.

La conclusion la plus sûre est que Getron intègre probablement des idées floues/linguistiques et multi-modèles dans son moteur de prévision interne, mais la profondeur du déploiement et la performance relative par rapport aux prévisions probabilistes à la pointe restent inconnues.

2. Optimisation des décisions et analytique prescriptive. L’existence de modules prescriptifs (PST, ARE, PSP, PRIX, OMP) et l’accent constant mis sur les “ordres de travail” montrent que GaiS n’est pas seulement une couche de tableaux de bord ou d’analytique descriptive.¹²² La description de Getron Advisor par Calaméo, utilisant l’intelligence computationnelle et la logique floue pour l’aide à la décision, ainsi que les travaux académiques sur les contrôleurs flous et les heuristiques d’acheminement réalisés par des auteurs liés à Getron, offrent une base technique plausible pour un comportement prescriptif.⁵⁶

Cependant, il n’existe aucune formulation disponible publiquement de:

l’objectif d’optimisation (profit, coût, taux de service, etc.),
les contraintes modélisées (capacité, MOQ, budgets, durée de conservation),
ou les algorithmes utilisés (solveurs exacts vs. heuristiques vs. recherche stochastique).

Compte tenu de l’héritage de recherche de l’entreprise, il est raisonnable de supposer que l’optimisation heuristique/basée sur des règles floues plus des prévisions générées par apprentissage automatique sous-tendent PST/ARE/PSP, mais cela reste spéculatif plutôt qu’un fait documenté.

3. Degré d’automatisation. La frise chronologique “Our Story” de Getron affirme qu’en 2025, plus de 80% des ordres de travail de GaiS fonctionnent de manière autonome, avec des humains se chargeant de vérifier les exceptions.¹ F6S fait écho à l’idée d’une “automatisation pratiquement complète” des décisions quotidiennes.³ Les avis sur G2 (plus de 20 évaluations avec une moyenne de 4,9/5) sont globalement positifs, soulignant la facilité d’utilisation, la qualité des recommandations et la réduction de l’effort manuel, bien qu’ils ne fournissent pas de ratios d’automatisation quantitatifs.¹⁰

Aucune confirmation indépendante des taux de décision automatisée n’est disponible : les études de cas, quand elles existent, tendent à s’exprimer en termes qualitatifs (“disponibilité améliorée des stocks”, “réduction des surplus”) plutôt que de publier des pourcentages d’automatisation ou des tests A/B contrôlés. Pour le secteur pharmaceutique, l’article de Winally indique une adoption large des services de Getron dans les pharmacies turques, mais ne quantifie pas l’automatisation.⁸

En somme, des niveaux élevés d’automatisation sont plausibles dans des tâches relativement structurées (réapprovisionnement en pharmacie, allocation dans la mode), mais le pourcentage exact est impossible à vérifier à partir de preuves publiques.

4. “AI-native” vs. mots à la mode marketing. Comparé à de nombreux fournisseurs d’entreprise, les allégations d’IA de Getron sont au moins partiellement étayées par des indicateurs techniques:

une direction ayant de multiples publications dans les méthodes floues et d’IA;⁵
un projet de prévision financé par l’industrie et évalué par des pairs;⁴
une longue histoire d’intelligence computationnelle dans les produits antérieurs.⁶

En même temps, l’absence de documentation technique contraste avec les concurrents deep-tech qui documentent leurs pipelines de modélisation probabiliste, leurs paradigmes d’optimisation et la sémantique de leur langage. Il n’existe aucune API ouverte pour les utilisateurs avancés, aucun DSL ou exemple de script, et aucun résultat de benchmarking. Sur cette base, GaiS devrait être considéré comme une suite prescriptive améliorée par IA avec un solide héritage en recherche mais une vérifiabilité externe limitée, plutôt que comme une plateforme d’optimisation probabiliste de pointe de manière transparente.

En revanche, Lokad publie des documents techniques détaillés sur Envision, la prévision probabiliste, la descente discrète stochastique et l’optimisation latente, “white-boxant” ainsi sa pile d’IA et d’optimisation.¹³¹⁵¹⁴

Déploiement, intégration et déploiement progressif

Les pages turques “SSS” (FAQ) de Getron et divers profils décrivent un modèle d’abonnement SaaS sans investissement initial en licence et avec une intégration rapide:¹⁶²

GaiS est hébergé dans le cloud (Azure), accessible via un navigateur et sans nécessiter de matériel sur site.
Les clients exportent des données de leurs systèmes POS/ERP et les intègrent dans GaiS par le biais de transferts par lots ou d’intégrations.
La configuration initiale se concentre sur la cartographie des données du client dans le Getron Data Structure via le Mass Customization Interface.
Les premiers résultats prescriptifs (ordres de travail) sont attendus dans quelques semaines ; un profil Datanyze mentionne un ROI en environ deux mois.²

La FAQ souligne également que le système fonctionne avec une ingestion continue des données et une génération quotidienne des ordres de travail, suggérant ainsi une cadence de planification par lots ou presque quotidienne plutôt qu’une optimisation en temps réel.¹⁶

Aucune méthodologie détaillée d’implémentation n’est publiée (par exemple, phases, vérifications de la qualité des données, mode d’ombre vs. déploiement complet), et il n’existe aucun rapport indépendant sur les durées d’implémentation typiques auprès de plusieurs clients. Comparé au cycle en quatre étapes bien documenté de Lokad (intégration des données, modélisation probabiliste, optimisation des décisions, amélioration continue) et au modèle explicite d’engagement du “supply chain scientist”,¹⁵¹⁴ l’approche de déploiement de Getron reste décrite surtout au niveau des slogans (“intégration rapide”, “mass customization”, “ROI prouvé+”).

Maturité commerciale et base de clientèle

Getron semble être une entreprise de taille moyenne et privée :

Les profils d’entreprise la classent dans les services logiciels/de données avec GaiS comme ligne de produits principale.²⁹
Les articles sur les prix (par exemple, les “AI Global Excellence Awards 2023” de Corporate Vision) décrivent Getron comme une entreprise bien établie se transformant de la fintech et de la santé vers l’optimisation de la supply chain pilotée par IA, et mettent en avant son Mass Customization Interface et son GDS comme éléments différenciateurs.¹⁰
Il n’y a aucune annonce de financement public, opération de fusion-acquisition ou dépôt d’introduction en bourse.

Les logos clients affichés sur le site de Getron incluent des marques bien connues de la pharma, des FMCG et de la mode (par exemple, GSK, Merck, Hummel, Karl Lagerfeld et d’autres), mais les études de cas vérifiées par des tiers et rendues publiques sont rares. La collaboration avec Boehringer Ingelheim dans la pharmacie turque est l’une des rares opérations rapportées de manière indépendante.⁸

Les retours des utilisateurs sur G2 sont positifs (4,9/5 à partir de plus de 20 avis), les évaluateurs soulignant la facilité d’intégration, la qualité des recommandations et du support, mais ces avis proviennent principalement de clients auto-sélectionnés et ne constituent pas une preuve rigoureuse des performances à long terme.¹⁰

Dans le secteur pharmaceutique/pharmacie, la combinaison du rôle de Getron dans l’écosystème de suivi des médicaments en Turquie, la portée de Porta et le déploiement avec Boehringer Ingelheim suggèrent une utilisation réelle substantielle et une expertise sectorielle. Dans la mode et le commerce de détail plus large, l’adoption semble plus récente et moins documentée de manière indépendante. Globalement, Getron peut être classé comme un acteur de niche commercialement mature dans certains secteurs verticaux (et non comme une startup en phase de démarrage), mais son empreinte internationale et l’étendue de ses références restent difficiles à quantifier.

Conclusion

D’un point de vue technique et commercial, la plateforme GaiS de Getron est bien plus qu’un outil APS conventionnel basé sur des rapports ou des règles. La famille de produits (PST, ARE, PBD, PSP, PRIX, OMP, Porta) délivre des ordres de travail prescriptifs qui transforment les prévisions pilotées par IA et les diagnostics en actions concrètes, et son architecture inclut clairement une automatisation significative pour les décisions quotidiennes en matière de stocks, d’approvisionnement et de tarification. La direction de l’entreprise possède un solide bagage académique en logique floue et en contrôle; il existe un projet de prévision financé par TÜBİTAK, récemment et explicitement documenté; et la pénétration du produit Porta dans les pharmacies turques est corroborée par au moins un article indépendant.⁸⁴⁵ Ces éléments apportent une substance crédible au discours sur l’IA et l’optimisation de Getron.

Cependant, les preuves publiques ne suffisent pas à classer GaiS comme “state-of-the-art” dans le sens strict, axé sur la recherche:

Les approches de prévision et d’optimisation ne sont pas techniquement documentées ; nous n’inférons la sophistication qu’indirectement à partir des travaux académiques et des labels génériques “multi-model” et “AI & ML”.
Il n’existe aucun benchmark ouvert, compétition ou étude comparative montrant la performance de GaiS par rapport aux méthodes probabilistes ou d’optimisation établies.
Les détails architecturaux (modèle de données, moteur d’exécution, modélisation des contraintes, génération de scénarios) restent opaques.
Les pourcentages d’automatisation et les délais de ROI sont des affirmations du fournisseur, et non des métriques auditables de manière indépendante.

En d’autres termes, Getron ressemble à une suite d’IA techniquement sérieuse mais essentiellement en boîte noire : elle intègre vraisemblablement une prévision non triviale et une optimisation floue/heuristique, notamment dans le retail et la pharma, tout en choisissant de ne pas dévoiler ses méthodes. Pour les utilisateurs potentiels, les implications sont :

Pour les réseaux retail/pharma cherchant un autopilote AI packagé pour le réapprovisionnement, les remises et une tarification basique, avec un besoin minimal d’introspection des algorithmes, GaiS peut s’avérer attractif—surtout au vu du succès apparent dans le secteur pharmaceutique turc.
Pour les organisations qui requièrent une transparence technique poussée, une modélisation probabiliste explicite de l’incertitude, ou la capacité de concevoir et de posséder leur logique d’optimisation, GaiS offre actuellement bien moins de visibilité qu’une plateforme comme Lokad, qui documente ouvertement son DSL, sa pile de prévision probabiliste et ses algorithmes d’optimisation.¹³¹⁵¹⁴

Une évaluation prudente, basée sur des preuves, considérerait donc Getron comme un fournisseur d’applications AI verticales mûr, conscient de la recherche mais avec une pile technologique opaque, plutôt que comme une plateforme de pointe entièrement “white-boxed” en optimisation probabiliste de la supply chain. Tout jugement concret sur sa performance relative devrait être fondé sur des projets pilotes contrôlés comparant ses recommandations et résultats financiers à ceux d’autres méthodes dans un contexte d’utilisation spécifique.