Revue d'IBM Planning Analytics, un fournisseur de logiciels de gestion de la performance d'entreprise

Par Léon Levinas-Ménard

Last updated: November, 2025

IBM est un fournisseur d’entreprise centenaire doté d’un portefeuille logiciel très vaste, dont un sous-ensemble spécifique cible la planification, l’exécution et l’optimisation de la supply chain: IBM Planning Analytics (TM1) pour la planification multidimensionnelle et la prévision, ILOG CPLEX Optimization Studio en tant que solveur polyvalent, la famille Sterling Order Management (y compris Intelligent Promising et Fulfillment Optimizer) pour l’orchestration omnicanal des commandes et l’approvisionnement basé sur les coûts, et le Supply Chain Intelligence Suite et Transparent Supply pour la visibilité et la traçabilité; ensemble, ces composants forment une pile techniquement solide et commercialement mature, construite sur une technologie d’entreprise conventionnelle (Java, TM1, CPLEX, Kubernetes) avec quelques ajouts d’AI et de ML, bien que leur positionnement « cognitif » et « piloté par AI » repose souvent sur un langage marketing plutôt que sur des descriptions algorithmiques transparentes, en net contraste avec la plateforme Supply Chain Quantitative de Lokad, axée sur le DSL, construite autour de la prévision probabiliste et de l’optimisation stochastique sur mesure.

Aperçu d’IBM

IBM est une entreprise technologique très vaste et diversifiée, dont le siège est à Armonk, New York, opérant dans plus de 170 pays et solidement établie dans les domaines des logiciels, du conseil et de l’infrastructure.¹ Ses offres actuelles pertinentes pour la supply chain sont un patchwork de développements internes et d’acquisitions: le moteur TM1 (désormais IBM Planning Analytics) pour la planification multidimensionnelle, la gamme ILOG/CPLEX pour l’optimisation mathématique, et le portefeuille Sterling Commerce pour la gestion des commandes et l’intégration B2B.²³ Au cours de la dernière décennie, IBM a tenté d’unifier ces atouts dans des narratifs plus intégrés tels que l’IBM Sterling Order and Fulfillment Suite et l’IBM Supply Chain Intelligence Suite, et plus récemment dans un positionnement « piloté par AI » lié à la stratégie watsonx plus large d’IBM.⁴⁵ Pour les praticiens de la supply chain, la réalité pratique se traduit par un ensemble de produits distincts mais interconnectables: Planning Analytics pour la planification de la demande et de l’offre, CPLEX en tant que boîte à outils de solveur, Sterling OMS ainsi qu’Intelligent Promising et Fulfillment Optimizer pour l’exécution omnicanal, et SCIS/Transparent Supply pour la visibilité, la traçabilité et la durabilité.⁴⁵⁶

D’un point de vue technique, la pile supply chain d’IBM est un logiciel d’entreprise conventionnel: Java et des bases de données relationnelles pour OMS, un moteur OLAP en mémoire pour Planning Analytics, CPLEX pour l’optimisation, un déploiement containerisé sur Kubernetes/OpenShift, et une couche croissante de modèles ML et d’assistants basés sur des LLM au-dessus.⁶⁷⁸ IBM n’est pas une startup en phase de démarrage: ses produits supply chain reposent sur des décennies de code et un vaste écosystème d’implémentation, mais héritent également de conceptions héritées et d’une certaine opacité autour des algorithmes. Commercialement, IBM se classe fermement parmi les « fournisseurs établis », avec des clients renommés dans la grande distribution, la fabrication et la distribution pour Planning Analytics et Sterling OMS.⁹¹⁰

IBM vs Lokad

À un niveau élevé, IBM et Lokad résolvent des problèmes se chevauchant — la planification de la demande, la planification des stocks et des capacités, l’exécution omnicanal — mais ils le font avec des philosophies de produit presque opposées.

Product strategy and scope. IBM propose un portefeuille de produits relativement indépendants qui peuvent être combinés: IBM Planning Analytics (TM1) pour la planification et le budget, Sterling Order Management pour l’orchestration transactionnelle des commandes, Intelligent Promising et Fulfillment Optimizer pour la promesse et l’approvisionnement, ainsi que le Supply Chain Intelligence Suite et Transparent Supply pour une visibilité de type centre de commandement et la traçabilité.⁴⁵⁶ Lokad propose une plateforme SaaS multi-tenant unique axée exclusivement sur l’optimisation quantitative de la supply chain, où toute la logique de prévision et d’optimisation est implémentée en code dans le langage spécifique au domaine Envision de Lokad plutôt que via des menus de configuration produits.¹¹¹²¹³ L’approche d’IBM est centrée sur le produit et guidée par les modules; celle de Lokad est centrée sur la plateforme et programmable.

Forecasting approach. Dans IBM Planning Analytics, la prévision est intégrée dans le moteur TM1 sous forme d’une fonctionnalité de modélisation automatisée des séries temporelles qui détecte la tendance, la saisonnalité et la dépendance temporelle dans les données des cubes et génère des projections futures pouvant être intégrées dans des modèles de planification.⁷⁸¹⁴ La documentation publique met l’accent sur la sélection automatique des modèles et la « prévision pilotée par AI » étroitement intégrée aux workflows de planification, tout en fournissant presque aucun détail sur les algorithmes sous-jacents (ARIMA, lissage exponentiel, arbres à gradient boosting, etc.).⁷⁸¹⁴ Par contre, Lokad positionne depuis des années la prévision probabiliste — et non des prévisions ponctuelles — comme la base de sa plateforme, visant explicitement à estimer les distributions complètes de la demande et des délais pour guider les décisions en situation d’incertitude.¹¹¹⁵¹⁶ Les documents publics de Lokad et ses intégrations tierces (p. ex. Cin7 Core) décrivent systématiquement les prévisions probabilistes comme la norme, et non comme un module complémentaire, et les lient directement aux décisions de stocks en aval.¹⁵¹⁷ En termes simples, IBM traite la prévision comme un module au sein d’une suite de planification plus large, tandis que Lokad considère la prévision (sous forme probabiliste) comme l’objet mathématique central sur lequel repose tout le reste.

Optimization and decision-making. Le composant de décision le plus avancé d’IBM dans l’espace supply chain est Sterling Fulfillment Optimizer with Watson, qui se branche sur OMS pour minimiser le coût total de service parmi les options d’exécution en utilisant une optimisation mixte en nombres entiers basée sur CPLEX et des modèles de coûts prédictifs; il expose des API REST pour les décisions d’approvisionnement et des API « Explainer » pour justifier les choix.¹⁸¹⁹ Intelligent Promising complète ce dispositif avec des modèles de demande au niveau des magasins (régression plus deep learning) pour estimer le risque de rupture de stock et de réduction de prix sur un horizon de 60 jours et utilise des règles configurables ainsi que des leviers de coûts pour orienter les promesses.²⁰²¹ En dehors de ces couches, OMS lui-même reste un système transactionnel, et Planning Analytics est principalement un moteur de planification avec une logique d’optimisation partiellement implémentée via des règles de cube et des intégrations de solveurs externes. Lokad, en revanche, intègre l’optimisation au cœur de la plateforme: son DSL Envision dispose de primitives pour les variables probabilistes et les moteurs économiques, et les algorithmes propres à Lokad (prévision probabiliste, descente discrète stochastique, optimisation latente) produisent directement des listes de décisions priorisées — bons de commande, mouvements de rééquilibrage, lots de production ou décisions de tarification — classées par impact financier attendu.¹¹¹²¹³¹⁶ Là où IBM utilise typiquement CPLEX pour des problèmes de minimisation des coûts bien formulés autour de l’exécution, Lokad utilise la recherche stochastique et la programmation différentiable pour optimiser les décisions dans des contextes d’incertitude complexe de manière à lier étroitement prévision et optimisation.¹¹¹²¹⁶

Architecture and transparency. La pile supply chain d’IBM repose sur des technologies d’entreprise grand public: des microservices Java fonctionnant dans des conteneurs sur Kubernetes/OpenShift pour Sterling OMS; le moteur OLAP en mémoire propriétaire de TM1 pour Planning Analytics; des SGBDR standard (Db2, Oracle) et JMS (IBM MQ) pour la persistance et la messagerie; et IBM Cloud ou des hyperscalers pour l’hébergement.⁶⁹¹⁰ Cette architecture est conventionnelle et robuste, mais répartie sur de nombreux produits et bases de code. La plateforme de Lokad est beaucoup plus ciblée et tranchée: une solution SaaS multi-tenant hébergée sur Azure dans laquelle toute l’analytique est exprimée en Envision, compilée dans une VM distribuée personnalisée et supportée par un stockage événementiel plutôt qu’un SGBDR traditionnel, avec très peu de dépendances tierces.¹²¹³ Lokad fait la promotion d’une philosophie « white-box » — chaque calcul est visible en code et chaque décision peut être retracée via le script Envision — tandis qu’IBM expose une partie de la configuration et une certaine explicabilité autour des optimisateurs individuels (p. ex. les API Explainer de Fulfillment Optimizer) sans révéler en profondeur les formulations internes de ML ou d’optimisation.¹⁸¹⁹¹¹¹³

Role in the IT landscape. Sterling OMS est conçu pour être le système d’enregistrement des commandes et de la disponibilité des stocks, étroitement intégré aux ERP et aux interfaces ecommerce; Planning Analytics est un système central de planification d’entreprise utilisé dans la finance, les opérations et la supply chain.⁵⁷⁹ IBM se situe ainsi résolument dans les couches transactionnelles et de planification d’entreprise, avec l’optimisation en complément. Lokad évite explicitement d’être un logiciel transactionnel; il se positionne comme une couche d’optimisation et de décision au-dessus des ERP, WMS et OMS existants, ingérant des données et renvoyant des actions recommandées ou des listes de décisions plutôt que de remplacer les systèmes centraux.¹¹¹²¹⁷ Pour un acheteur, la question IBM est souvent « Standardisons-nous OMS et la planification avec IBM ? »; celle de Lokad est « Ajoutons-nous une couche d’optimisation quantitative au-dessus de notre pile existante, et sommes-nous prêts à adopter une méthode de travail centrée sur un DSL ? »

En bref, IBM offre un ensemble large et intégrable de produits supply chain au sein d’un très grand portefeuille d’entreprise, avec de solides capacités d’optimisation dans certains composants mais une architecture majoritairement conventionnelle et une transparence algorithmique limitée; Lokad propose une plateforme étroite mais approfondie dont l’avantage concurrentiel réside dans la prévision probabiliste, la modélisation basée sur un DSL personnalisé, et des pipelines unifiés de prévision–optimisation plutôt que dans l’étendue de fonctionnalités préemballées.

Portefeuille de logiciels supply chain d’IBM

Planning Analytics (TM1)

IBM Planning Analytics, propulsé par TM1, est un moteur de planification multidimensionnelle en mémoire utilisé tant pour la planification financière qu’opérationnelle, y compris pour des cas d’usage de planification de la demande et de l’offre.⁷ TM1 stocke les données dans des cubes et des dimensions en mémoire, avec des calculs définis grâce à des règles propriétaires et des « feeders »; les clients interagissent via des interfaces web et des compléments Excel.⁷¹⁴ La prévision dans Planning Analytics Workspace est implémentée comme une fonctionnalité de modélisation automatisée des séries temporelles qui détecte la tendance, la saisonnalité et la dépendance temporelle dans les données historiques, puis prolonge les séries en avant, avec des bandes de confiance et une sélection automatique du modèle.¹⁴ Le matériel promotionnel d’IBM concernant la prévision pilotée par AI souligne que ces prévisions sont « intégrées » (aucun outil externe) et étroitement liées aux workflows de planification, permettant ainsi aux variations de prévision d’impacter immédiatement le compte de résultat, les plans de main-d’œuvre et les KPI opérationnels.⁸ Cependant, la documentation ne précise pas les algorithmes exacts utilisés (p. ex. ARIMA, lissage exponentiel, modèles ML), si bien que la « prévision pilotée par AI » doit être interprétée comme de la modélisation automatisée des séries temporelles plutôt que comme la preuve de systèmes ML de pointe.⁸¹⁴

Du point de vue de la supply chain, Planning Analytics est avant tout une toile de planification: les entreprises élaborent des plans de demande, des plans de capacité et des objectifs de stocks sous forme de cubes intégrant des calculs; la sophistication de ces modèles dépend fortement de la configuration de TM1 et des intégrations de solveurs externes.⁷ Des études de cas d’IBM (p. ex. Novolex et Solar Coca-Cola) suggèrent que Planning Analytics est utilisé pour la prévision, la planification de capacité et l’analyse de scénarios, avec des réductions constatées de l’effort de planification et des excès de stocks, bien que ces exemples restent anecdotiques et ne constituent pas des benchmarks formels.⁹¹⁰

ILOG CPLEX Optimization Studio

IBM ILOG CPLEX Optimization Studio fournit un solveur de programmation mathématique haute performance pour des modèles linéaires, en nombres mixtes entiers, quadratiques et de programmation par contraintes, avec des API disponibles dans plusieurs langages.³ Historiquement, il a soutenu les applications supply chain d’ILOG (LogicTools) pour la conception de réseaux et l’optimisation des stocks, que IBM a ensuite cédé à LLamasoft; CPLEX demeure lui-même un solveur générique utilisé tant à l’intérieur qu’à l’extérieur de la gamme de produits d’IBM.³¹⁸ Dans le portefeuille supply chain actuel, CPLEX est explicitement référencé comme le moteur d’optimisation dans Sterling Fulfillment Optimizer, où la documentation de dépannage mentionne des « nœuds CPLEX » dans le contexte des appels REST et des chiffrements TLS, indiquant fortement que Fulfillment Optimizer exécute des modèles CPLEX en interne.¹⁸¹⁹ En tant que solveur, CPLEX est largement reconnu dans la communauté OR comme l’un des meilleurs moteurs MIP commerciaux; la différenciation d’IBM réside moins dans le noyau du solveur que dans la manière dont il est intégré dans des offres spécifiques telles que Fulfillment Optimizer.

Sterling Order Management System (OMS)

IBM Sterling Order Management System (OMS) est une application de gestion des commandes omnicanal qui orchestre la capture des commandes, la visibilité des stocks, l’approvisionnement et l’exécution sur différents canaux et nœuds.⁵⁶²² Elle offre une vue unique des commandes et des stocks, prend en charge les retours ainsi que les processus après-vente, et se positionne comme la colonne vertébrale transactionnelle de l’exécution tant en B2C qu’en B2B.⁵⁶²² Techniquement, Sterling OMS V10 est implémenté sous forme d’un ensemble de services Java EE conditionnés dans des conteneurs certifiés par IBM, déployés sur Kubernetes/OpenShift ou via des services Kubernetes tiers, soutenus par des bases de données relationnelles (Db2 ou Oracle) et JMS pour la messagerie.⁶ L’architecture est conventionnelle: images de conteneurs, opérateurs Kubernetes pour la gestion du cycle de vie, schémas de bases de données pour les données des commandes et des stocks, et flux de configuration pour définir les workflows des processus et les rôles des participants.⁶

Il n’existe aucune preuve dans la documentation publique que les fonctions de base d’OMS (p. ex. déterminer à quel nœud allouer une commande) soient résolues via la MILP ou des techniques avancées de ML au sein même d’OMS; à la place, IBM positionne des services additionnels (Intelligent Promising, Fulfillment Optimizer) comme des couches de décision « intelligentes », tandis que OMS prend en charge l’orchestration.⁴⁵ Des clients renommés, tels qu’un détaillant allemand de bricolage, hagebau, utilisent Sterling OMS comme plateforme centrale de gestion des commandes pour des expériences omnicanal intégrées, généralement mises en œuvre avec des services IBM ou partenaires.²²

Sterling Intelligent Promising et visibilité des stocks

Sterling Intelligent Promising est un service de visibilité des stocks et de promising qui centralise les stocks sur plusieurs canaux et applique des règles ainsi qu’une logique basée sur les coûts pour décider comment répondre aux demandes des clients (par exemple, expédier depuis le magasin vs DC, offrir des options de livraison alternatives).⁴

Bien que ce soit l’un des rares endroits où IBM fournit des détails concrets sur le ML (régression plus deep learning sur la demande au niveau du magasin), l’optimisation dans Intelligent Promising reste décrite en termes généraux — équilibrer règles et facteurs de coût, optimiser les promesses à travers des permutations — sans formulations publiques ni détails sur les solveurs.²⁰²¹ Il est donc raisonnable de considérer que les modèles de demande sont étayés et que les affirmations d’« optimisation » sont plausibles mais non vérifiables de manière indépendante.

Sterling Fulfillment Optimizer avec Watson

Sterling Fulfillment Optimizer est un service cloud qui s’intègre à l’OMS (IBM ou tiers) pour choisir le(s) nœud(s) de fulfillment optimal(aux) pour chaque commande, dans le but affiché de minimiser le coût total de service tout en respectant les SLA et les contraintes.¹⁸¹⁹ La vue technique décrit un modèle en deux phases : une phase hors ligne qui ingère de grandes quantités de données historiques (commandes, indicateurs de coût, contraintes) pour construire un modèle de coûts, et une phase en temps réel où l’OMS appelle les API REST de Fulfillment Optimizer avec les commandes et reçoit des décisions d’approvisionnement optimisées.¹⁸ La configuration inclut des profils d’optimisation, des coefficients d’équilibrage des nœuds et d’autres paramètres pour façonner les objectifs.¹⁹

La documentation de dépannage pour Fulfillment Optimizer fait directement référence aux nœuds CPLEX, et IBM présente sa pile d’optimisation de décision (ILOG + CPLEX) comme le moteur derrière Fulfillment Optimizer.¹⁸¹⁹ Cette combinaison — des modèles MILP basés sur CPLEX enveloppés dans une solution SaaS avec des API REST et d’explicabilité — est techniquement sophistiquée et s’aligne sur les pratiques en vigueur pour l’optimisation omnicanale du fulfillment. Toutefois, IBM ne publie pas les formulations des modèles ni de repères comparatifs avec d’autres solveurs ou offres de fournisseurs, de sorte que les affirmations concernant le « cognitive fulfillment » et « des milliers de permutations en millisecondes » doivent être considérées comme du marketing, et non comme une preuve scientifique.

Supply Chain Intelligence Suite, Transparent Supply et Envizi

IBM Supply Chain Intelligence Suite (SCIS) est un service cloud qui agrège des données issues des systèmes de supply chain dans des tableaux de bord, des widgets et des vues de liste, offrant une vue unifiée de la supply chain et des insights basés sur l’IA pour la gestion des risques et des perturbations.⁶²³ Les composants incluent Control Tower, un banc d’essai pour surveiller et gérer les exceptions, et Transparent Supply, une application de traçabilité et de partage de documents basée sur la blockchain.⁶²³ Transparent Supply expose des API pour le suivi des instances de produits, des événements et des documents le long de la chaîne, et est typiquement utilisée dans les projets de traçabilité alimentaire et de biens de consommation.²³

La page du cycle de vie SaaS de SCIS indique une disponibilité générale à la fin de 2021 et un retrait du marketing en mai 2025, ce qui signifie que, bien que les clients existants restent pris en charge dans le cadre des politiques de cycle de vie XaaS d’IBM, SCIS n’est plus activement vendu en tant que SKU autonome.²⁴²⁵ Cela, combiné à un dépôt de documentation archivé pour Transparent Supply, suggère une gamme de produits en transition plutôt qu’un axe de croissance.

Par ailleurs, l’Envizi ESG Suite d’IBM dispose d’un module Supply Chain qui ingère des données transactionnelles et les mappe aux catégories d’émissions Scope 3 pour le reporting et l’analyse, pertinent pour les indicateurs supply chain liés à la durabilité mais ne constituant pas un moteur d’optimisation central.²⁶

Pile technologique et architecture

Dans ces produits, la pile technologique supply chain d’IBM est :

Languages and runtimes. Microservices Java et applications web pour Sterling OMS et services associés ; serveur OLAP propriétaire de TM1 pour Planning Analytics ; bibliothèques CPLEX en C/C++/Java/Python pour l’optimisation ; interfaces JavaScript/React pour certains portails plus récents.³⁶⁷
Persistence and messaging. Db2 ou Oracle comme principaux stockages relationnels pour OMS ; JMS (IBM MQ) pour la messagerie asynchrone ; magasin en mémoire basé sur fichier de TM1 pour les cubes et dimensions.⁶⁷
Infrastructure. Images de conteneurs pour Sterling OMS déployées sur Kubernetes/OpenShift avec des Operators pour le cycle de vie ; livraison SaaS sur IBM Cloud pour SCIS et Transparent Supply ; support pour le déploiement sur des hyperscalers pour certains composants.⁴⁶²³
AI/ML services. Prévision des séries temporelles intégrée dans Planning Analytics Workspace ; modèles ML pour Intelligent Promising Premium ; intégration avec watsonx.ai et Watson Assistant/Discovery pour des assistants conversationnels et la recherche de documents dans les exemples SCIS.⁸¹⁴²³

Cette pile est techniquement orthodoxe pour un grand fournisseur d’entreprise : elle privilégie la stabilité, l’intégration avec le middleware IBM existant et les outils de cycle de vie, et l’alignement avec les plateformes cloud et IA plus larges d’IBM. Elle n’adopte pas des idées architecturales plus radicales comme des DSLs personnalisés ou des modèles de données cœur basés sur l’event sourcing, comme le fait Lokad.

Modèles de déploiement et de déploiement progressif

Les déploiements de Sterling OMS impliquent typiquement :

provisionnement de clusters OMS conteneurisés avec des Operators Kubernetes;
configuration des bases de données, de JMS et des volumes persistants;
intégration avec des fronts de le e-commerce, des ERP et des systèmes logistiques en aval via REST et messagerie;
et éventuellement en connectant Intelligent Promising et Fulfillment Optimizer en tant que services externes pour les décisions de promising et d’approvisionnement.⁴⁵⁶

Les déploiements de Planning Analytics peuvent être sur site ou en SaaS ; ils nécessitent la conception de cubes TM1 et de règles pour la logique de planification, l’intégration de données via des connecteurs, et éventuellement l’activation des fonctionnalités de prévision d’IA dans Planning Analytics Workspace.⁷⁸¹⁴ SCIS et Transparent Supply sont livrés en tant que SaaS, avec des pipelines d’ingestion de données (souvent via IBM App Connect) et la configuration de tableaux de bord, d’alertes et de schémas de traçabilité.⁶²³ Le module Supply Chain d’Envizi dépend de manière similaire de l’ingestion et de la cartographie des données transactionnelles vers des facteurs d’émissions.²⁶

La documentation publique et les études de cas fournissent des exemples de projets réussis mais pas de statistiques systématiques sur la durée de mise en œuvre, les taux d’échec ou le coût total de possession. Comme pour la plupart des logiciels d’entreprise, les résultats semblent dépendre fortement des partenaires de mise en œuvre et de la complexité du paysage du client.

Maturité commerciale et clients

Les logiciels supply chain d’IBM sont commercialement matures :

Planning Analytics (TM1) dispose d’une large base installée dans la finance et les opérations, avec des clients nommés dans la fabrication, le retail et les services qui l’utilisent pour la prévision et la planification.⁷⁹¹⁰
Sterling OMS est largement déployé par les détaillants et les organisations B2B comme leur OMS central, avec hagebau et d’autres cités en référence, et est reconnu par les analystes du secteur comme un OMS leader en termes d’adoption.⁴⁵²²
SCIS et Transparent Supply ont moins de références nommées et semblent être plus de niche, mais des projets documentés existent dans la traçabilité alimentaire et la visibilité de la commande à la livraison via des partenaires.²³

Le positionnement d’IBM dans les rapports d’analystes (par exemple, le BARC Score pour la planification intégrée, la reconnaissance par les analystes pour Sterling OMS) confirme qu’il est perçu comme un choix établi et grand public plutôt que comme une technologie expérimentale. Cela dit, certaines parties du portefeuille (notamment SCIS SaaS) montrent des signes de retrait ou de restructuration, de sorte que les acheteurs devraient prêter attention aux documents de cycle de vie et aux feuilles de route.²⁴²⁵²⁷

Conclusion

La pile supply chain d’IBM est mieux comprise comme une constellation de produits ancrée dans des technologies d’entreprise de longue date : TM1 pour la planification, CPLEX pour l’optimisation, Sterling OMS pour le traitement des transactions, et SCIS/Transparent Supply pour la visibilité et la traçabilité. Techniquement, cette constellation est sérieuse : CPLEX reste proche de l’état de l’art en tant que solveur MILP commercial ; le service de décision basé sur CPLEX de Fulfillment Optimizer et ses API d’explicabilité sont sophistiqués ; l’OMS conteneurisé sur Kubernetes est conforme à la pratique des entreprises modernes ; et Planning Analytics offre un environnement de planification mature et flexible avec une prévision des séries temporelles intégrée. Ce qu’IBM ne fournit pas, c’est une transparence algorithmique approfondie ou un environnement de modélisation unifié et spécifique au domaine : les affirmations de ML autour de « AI forecasting » et de supply chains « cognitive » ne sont que partiellement étayées, et les capacités d’optimisation se concentrent dans quelques composants spécialisés plutôt que d’être intégrées dans l’ensemble de la pile.

Comparé à Lokad, IBM offre une couverture fonctionnelle bien plus étendue et une intégration étroite avec les systèmes transactionnels, mais s’appuie sur des modèles relativement opaques et une architecture conventionnelle ; Lokad sacrifie l’étendue et la portée transactionnelle pour se concentrer sur une plateforme fortement opinionnée, pilotée par DSL, probabiliste et centrée sur l’optimisation, avec une transparence inhabituelle sur les techniques et compromis. Pour les organisations à la recherche d’un OMS et d’une suite de planification standard et confortables pour l’informatique, avec des modules d’optimisation optionnels, IBM est un occupant naturel. Pour les organisations dont la principale difficulté est la qualité des décisions quantitatives en situation d’incertitude plutôt que l’intégration du système en soi, et qui sont prêtes à adopter une couche d’optimisation programmable, l’approche de Lokad est plus radicale mais aussi plus alignée avec la prévision probabiliste de pointe et l’optimisation stochastique.