L'analyse de KetteQ, Supply Chain Planning Software Vendor

Par Léon Levinas-Ménard

Dernière mise à jour: décembre 2025

KetteQ est un fournisseur américain de logiciels de planification supply chain fondé en 2018 qui se positionne comme une alternative “adaptive” et “IA-first” aux systèmes APS hérités, construite nativement sur Salesforce pour l’UX et sur AWS pour le back end nécessitant une importante capacité de calcul.¹²³⁴ La principale proposition commerciale de l’entreprise est son solveur PolymatiQ™ décrit comme un moteur IA agentic en instance de brevet qui exécute automatiquement des milliers de scénarios de planification couvrant la demande, les stocks, la production et le service, en réglant les paramètres et en apprenant continuellement des fluctuations du marché pour recommander des plans plus résilients.⁵¹⁶⁷ KetteQ cible les entreprises de taille moyenne et les grandes entreprises dans les secteurs de la fabrication, de la distribution et du service, et cite des marques telles que Coca-Cola, Carrier, Johnson Controls, NCR Voyix et Alliance Consumer Group comme clients.⁷⁸⁹ Depuis 2021, l’entreprise a levé environ 30,9M USD en financement venture, culminant avec un tour Series B de 20M USD en août 2025 mené par Vocap Partners afin d’accélérer l’expansion mondiale et la R&D sur l’agentic IA.¹⁰¹¹¹²¹³¹⁴ D’un point de vue architectural, KetteQ propose une plateforme SaaS multi-locataire qui utilise Salesforce comme couche transactionnelle et de collaboration tout en déchargeant le travail intensif en données et en calcul vers AWS, avec des workflows intégrés, des notifications et des analyses construites principalement sur SQL, Python et JSON plutôt que sur un DSL propriétaire.¹²⁶⁴¹⁵ Techniquement, les informations publiques suggèrent un solveur qui orchestre une simulation multi-passage et la génération de scénarios avec une prévision et un réglage de paramètres basés sur le machine learning, mais sans divulgation détaillée des classes de modèles, des fonctions objectif ou des algorithmes d’optimisation, et sans benchmarking indépendant comparable aux compétitions de prévision.⁵¹⁶³¹⁰ D’un point de vue commercial, l’entreprise est encore relativement jeune : elle a de vrais clients, une stack moderne et des financements non négligeables, mais elle reste en phase de scale-up plutôt qu’en tant qu’acteur établi mondialement dans la planification.³¹⁰⁷⁸⁹ Les sections ci-dessous détaillent l’histoire, le produit et la technologie de KetteQ de manière plus approfondie, puis comparent son approche à celle de la plateforme quantitative supply chain de Lokad en s’appuyant sur des documents sourcés des deux côtés.¹⁶¹²¹⁷¹³¹⁸¹⁹²⁰

Aperçu de KetteQ

KetteQ est une entreprise de logiciels basée à Atlanta offrant une plateforme de planification et d’exécution supply chain “adaptive” avec un fort accent sur la planification de scénarios pilotée par l’IA et l’intégration à Salesforce.⁵¹²⁴ Selon Sourcing Innovation, un blog indépendant de l’industrie, KetteQ a été fondée en 2018 et conçue “à l’ère moderne sur une stack SaaS cloud-native multi-locataire entièrement moderne”, tirant les enseignements de plus de 100 implémentations antérieures de planification supply chain et de deux entreprises supply chain créées précédemment par ses fondateurs.³¹¹ Les documents de KetteQ la présentent comme une plateforme cloud-native “construite sur la base de confiance de Salesforce et AWS”, avec une architecture combinant Salesforce pour l’expérience utilisateur et la collaboration et des composants analytiques et de solveur hébergés sur AWS.¹²⁴¹⁵

La capacité phare est le solveur PolymatiQ™, décrit comme un moteur IA agentic en instance de brevet qui exécute et évalue automatiquement des milliers de scénarios, ajuste les paramètres de planification et offre “une adaptabilité en temps réel” sur la demande, les stocks, la production et le service.⁵¹⁶⁷⁸ Le portefeuille de produits est structuré en planification supply chain (planification de la demande, planification des stocks, planification de l’offre) et en exécution supply chain (control tower, fulfillment, work orders, service parts), chacun présenté comme propulsé par l’analyse de scénarios PolymatiQ™ et la prévision IA/ML.⁵¹⁷²¹ KetteQ se positionne explicitement contre les systèmes de planification hérités “statiques” construits avant 2010, en soutenant que les anciens outils APS manquent d’évolutivité horizontale, d’intégration en temps réel et d’adaptabilité dynamique; la revue de Sourcing Innovation appuie largement la caractérisation de la plateforme KetteQ comme moderne, multi-locataire et cloud-native.⁶³²²

Sur le plan commercial, KetteQ présente des clients de référence et des logos, incluant Coca-Cola, Carrier, Johnson Controls, NCR Voyix et d’autres, et la couverture médiatique externe liée aux financements fait écho à ces noms et cite des indicateurs tels qu’une croissance annuelle moyenne de CARR d’environ 170% et un taux de réussite de mise en œuvre de 100%.⁷⁸¹³¹⁴⁹ Le tour Series B le plus récent (20M USD en août 2025) porte le financement total divulgué à environ 30,9M USD sur trois tours de financement en phase de démarrage, démontrant que KetteQ a dépassé le stade d’amorçage mais est encore en expansion, n’étant pas encore un acteur établi de longue date.¹⁰¹¹¹²²³¹³¹⁴

KetteQ vs Lokad

D’un point de vue de la science supply chain, KetteQ et Lokad occupent un espace problématique qui se chevauche (prévision de la demande, planification des stocks et de l’offre, ainsi que la prise de décisions supply chain élargie) mais avec des philosophies et des architectures nettement différentes.

Modèle de programmation vs. application configurable. KetteQ est présentée comme une suite d’applications cloud-native configurables où les planificateurs interagissent principalement via des interfaces basées sur Salesforce, des modèles de données standard et des bancs d’essai de scénarios; l’extensibilité repose sur des technologies grand public (SQL, Python, JSON) plutôt que sur un langage spécifique au domaine.¹²⁶ À l’inverse, Lokad est fondamentalement une plateforme programmable construite autour de son Envision DSL, un langage spécifique au domaine pour l’optimisation prédictive supply chain qui exprime toutes les transformations de données, prévisions probabilistes et logiques d’optimisation sous forme de code.¹⁷¹³¹⁸ Envision est étroitement intégré au moteur d’exécution et au stockage en colonnes de Lokad, et est explicitement conçu pour supporter la modélisation probabiliste et l’optimisation sur de grands ensembles de données supply chain.¹⁷¹³ Cela signifie que KetteQ penche vers un modèle d’« application packagée configurable », tandis que Lokad offre un environnement centré sur le langage où la logique décisionnelle sur mesure est implémentée sous forme de scripts.

Traitement de l’incertitude. Les documents de KetteQ mettent en avant des “approches probabilistes multi-passage” et des milliers de scénarios mais donnent peu de détails sur la manière dont les distributions de probabilité sont représentées ou sur la propagation mathématique de l’incertitude dans le processus de planification.⁵¹⁶³ Par comparaison, Lokad documente publiquement une évolution sur plusieurs générations passant des prévisions ponctuelles classiques (2008) aux prévisions par quantiles (2012), aux grilles de quantiles (2015) et à la prévision probabiliste (2016) pour aboutir à une prévision et une optimisation basées sur la programmation différentiable (à partir de 2019), explicitement centrée sur des distributions de probabilité complètes concernant la demande et d’autres variables incertaines.¹²²⁴²²²³¹⁵¹⁹ La documentation de Lokad décrit une algèbre de variables aléatoires intégrée dans Envision et des modèles probabilistes qui alimentent directement ses algorithmes d’optimisation décisionnelle.¹⁷¹³¹⁸¹⁹

Optimisation et transparence du solveur. Le PolymatiQ™ de KetteQ est présenté comme un solveur IA agentic en instance de brevet qui exécute des milliers de scénarios, ajuste les paramètres et retourne des plans résilients, mais les documents publics ne précisent pas si l’optimisation sous-jacente repose sur la programmation mathématique, les métaheuristiques, l’apprentissage par renforcement ou un hybride, ni comment les fonctions objectif et les contraintes sont formellement exprimées.⁵¹⁶³¹⁰ À l’inverse, Lokad fournit des descriptions assez détaillées de ses paradigmes d’optimisation : descente discrète stochastique pour les décisions de stocks en situation d’incertitude, programmation différentiable pour la prévision/optimisation conjointe, et heuristiques spécifiques au domaine pour la planification combinatoire, le tout orchestré via Envision et documenté tant dans des références générales que techniques.¹²¹⁷¹³¹⁸¹⁹²⁵ Lokad fait également référence à une validation externe de sa stack de prévision et d’optimisation via la compétition M5, où elle s’est classée 6e sur 909 équipes au total et 1ère au niveau d’agrégation par SKU, en utilisant des modèles probabilistes et basés sur la programmation différentiable.¹⁹¹⁴⁹²⁶

Résultats décisionnels. Le discours de KetteQ met l’accent sur la planification en temps réel, la visibilité du control tower et l’“IA agentic” qui exécute “des milliers de scénarios pour planifier chaque possibilité”, mais les exemples publics se concentrent principalement sur la génération de scénarios, les tableaux de bord et l’amélioration de la précision des prévisions, plutôt que sur des listes d’actions classées financièrement avec des leviers économiques explicites.⁵¹⁶⁷²¹⁸ Les pages technologiques et études de cas de Lokad mettent en avant des fonctions objectif monétisées (leviers économiques tels que le coût de détention, la pénalité de rupture de stock, l’obsolescence, les effets de panier) et des listes de décisions classées (recommandations d’investissement/divestment, lignes de commande, transferts) ordonnées selon le ROI attendu.¹³¹⁸²⁶²⁰²⁷²⁵ Le cas MRO d’Air France Industries, par exemple, documente des listes priorisées de pièces dans lesquelles investir ou de celles à abandonner, reflétant des compromis explicites entre les taux de service et le fonds de roulement immobilisé dans les stocks.²⁰²⁷²⁵

Architecture et positionnement cloud. Les deux fournisseurs proposent des solutions SaaS multi-locataires et cloud-native, mais les implémentent différemment. KetteQ répartit les responsabilités entre Salesforce (UX, collaboration, sécurité, partage de données) et AWS (solveur, analyses, gestion des données) et met en avant l’ouverture via des outils standards comme SQL et Python plutôt que des stacks propriétaires.¹²⁶⁴¹⁵ Lokad opère en tant que SaaS à stack unique sur Microsoft Azure, avec un magasin de données événementiel personnalisé, un stockage de blobs adressable par contenu et un moteur d’exécution distribué pour les scripts Envision; les dépendances tierces sont intentionnellement minimisées au profit d’une stack interne étroitement intégrée, incluant ses propres bibliothèques de prévision et d’optimisation.¹⁷¹³¹⁸

Preuves et maturité des affirmations en “IA”. Le discours IA de KetteQ est ambitieux (IA agentic, planification la plus adaptive au monde, adaptabilité en temps réel, planification probabiliste multi-passage), mais la documentation publique reste de haut niveau et largement orientée marketing; il n’existe pas de livres blancs techniques détaillés ni de résultats de benchmarks externes au-delà des témoignages de clients et de la couverture par les analystes/blogs.⁵¹⁶³¹⁰⁸¹³ La narration IA de Lokad s’appuie sur des familles algorithmiques spécifiques (prévision probabiliste, deep learning, programmation différentiable) expliquées dans la documentation publique et les vidéos, et adossée à des preuves externes telles que la compétition M5 et des études de cas longitudinales sur dix ans, comme celle d’Air France Industries.¹²²³¹⁷¹³¹⁸¹⁹¹⁴⁹²⁰²⁵

En résumé, KetteQ apparaît comme une suite de planification moderne, centrée sur Salesforce et pilotée par des scénarios, qui utilise l’IA/ML principalement pour alimenter les prévisions et l’évaluation des scénarios, tandis que Lokad est une plateforme axée sur le langage qui intègre la prévision probabiliste et l’optimisation économique dans un environnement programmable, avec une divulgation technique plus explicite et une validation externe. Pour un acheteur, cela se traduit par un choix entre une application packagée et native à Salesforce avec une forte adéquation informatique (KetteQ) et un “engine” quantitatif supply chain programmable qui exige davantage de modélisation mais offre un contrôle plus approfondi sur la manière dont l’incertitude et l’économie sont modélisées (Lokad).

Histoire de l’entreprise, financements et positionnement

Fondation et direction. Sourcing Innovation situe la fondation de KetteQ en 2018, en soulignant qu’elle a été conçue “de A à Z” pour incarner les leçons tirées de nombreuses implémentations antérieures de planification supply chain ainsi que de deux premières entreprises de logiciels supply chain créées par ses fondateurs.³¹¹ La page “About” de KetteQ décrit l’entreprise comme étant bâtie par des vétérans de l’industrie disposant de plusieurs décennies d’expérience en technologie, gestion des données et processus supply chain, et visant à “redéfinir la manière dont les entreprises abordent la planification et l’exécution supply chain” sur Salesforce et AWS.² En 2021, Mike Landry, un cadre expérimenté dans le domaine des logiciels supply chain (ex-Servigistics, ex-Genpact), a été nommé CEO; la couverture indépendante note qu’il a succédé au CEO fondateur Cy Smith et a été chargé de faire évoluer la plateforme.¹⁵⁴²¹

Tours de financement. Les divulgations publiques de financement et la couverture secondaire sont relativement cohérentes :

Pré-Series A : environ 1,9M USD en 2021 (rapporté dans des résumés ultérieurs, bien que peu documenté dans la presse primaire de l’époque).³¹²
Series A : 9M USD en 2023 (mentionné dans les résumés de financement et la couverture liée à la Series B).³¹¹¹²
Series B : 20M USD annoncés le 5 août 2025, menés par Vocap Partners avec la participation de l’investisseur existant Circadian Ventures, portant le financement total divulgué à 30,9M USD.¹⁰¹¹⁷¹²¹³¹⁴

Les communiqués de presse de la Series B et les articles médiatiques positionnent systématiquement ce financement comme destiné à accélérer l’expansion mondiale, à étendre la feuille de route de l’IA agentic (PolymatiQ™ et Agentforce) et à accroître la capacité de livraison.¹⁰¹¹¹³¹⁴⁹

Pris ensemble, KetteQ se présente comme un fournisseur de plateforme en phase de début de croissance, soutenu par des VC : financé et commercialement actif, mais encore en phase de scale-up, pas encore un acteur établi de longue date.

Positionnement sur le marché. Le discours de KetteQ positionne systématiquement l’entreprise comme :

Une plateforme de planification supply chain “adaptive” et “IA-first” conçue pour la volatilité et l’incertitude.⁵¹⁶⁴¹⁰
Une alternative moderne, multi-locataire et cloud-native aux systèmes APS hérités construits avant 2010.⁶³²²¹⁹
La “seule” solution de planification supply chain pouvant être déployée nativement sur Salesforce, offrant une vue à 360° en combinant les données supply chain et commerciales.¹⁶⁴

Des sources indépendantes (Sourcing Innovation, couverture de financement par des tiers) renforcent la caractérisation moderne et cloud-native, mais ne valident pas de manière indépendante les affirmations d’unicité (“seule solution”, “la plus adaptive au monde”) qui doivent être considérées comme du langage marketing plutôt que comme des faits vérifiés.³¹¹⁸¹⁹⁹

Produit et architecture

Surface du produit

Le portefeuille de produits de KetteQ est organisé en planification et exécution :

Supply chain planning : planification de la demande, planification des stocks, planification de l’offre, MRP et MEIO (optimisation multi-échelons/multi-articles).⁵¹²¹
Supply chain execution : control tower, fulfillment et allocation, gestion des actifs, gestion des ordres de travail, et planification des pièces de service.⁷²¹

Chaque section modulaire sur le site web met en avant :

Prévisions statistiques / basées sur le machine learning pilotées par l’IA.
Analyse de scénarios automatisée via PolymatiQ™.
Optimisation multi-échelons et multi-articles (pour les stocks), en tenant compte des contraintes budgétaires et du taux de service.
Support pour des structures de produit complexes (nomenclatures multi-niveaux) et des contraintes (capacité, délais, rendement, contraintes fournisseurs).⁵¹⁷²¹

Des exemples concrets de fonctions incluent:

Optimisation des stocks de sécurité et de la politique de commande pour la planification de stocks.²¹
Planification d’approvisionnements sous contraintes de capacité de production et de délais.¹
Planification des pièces de service et optimisation FSL/truck-stock.²¹
Surveillance en temps réel et ajustement via des tableaux de bord de type tour de contrôle.⁷

La communication produit est cohérente avec un remplacement ou une augmentation APS de milieu à haut de gamme, couvrant la planification tactique et une certaine visibilité sur l’exécution opérationnelle.

Architecture

La page plateforme de KetteQ et les blogs associés décrivent une architecture à deux niveaux qui :

Déploie la couche d’expérience utilisateur et de collaboration sur Salesforce, tirant parti du modèle de données, de la sécurité, des flux de travail et de l’écosystème de Salesforce.¹²⁴¹⁵
Héberge le solveur et les composants d’analytique, gourmands en données et en calcul, sur AWS, en utilisant des services cloud-native pour l’élasticité et la performance.¹²⁴

Les caractéristiques architecturales clés mises en avant par KetteQ et reprises par Sourcing Innovation :

SaaS cloud-native multi-tenant, conçu pour une scalabilité horizontale et une intégration en temps réel.¹⁶³²²
Utilisation de technologies grand public (SQL, Python, JSON) pour la gestion des données et l’extensibilité, plutôt que des bases de données propriétaires ou des langages d’expression.¹⁶
Intégration étroite avec Salesforce (y compris Salesforce Manufacturing Cloud) afin que les résultats de planification et les données soient directement visibles par les utilisateurs commerciaux et financiers sans projets complexes de réplication de données.¹⁴²⁴¹⁸

La revue de Sourcing Innovation apporte une confirmation indépendante que la plateforme est bien multi-tenant et cloud-native, et qu’elle exploite des technologies web modernes plutôt que des piles héritées rétrofitées.³¹¹ Cependant, ni les pages de KetteQ ni les articles tiers ne fournissent de diagrammes détaillés ou de précisions sur les modèles de données (par exemple, event sourcing vs. schémas relationnels), les contrôles de concurrence ou les modes de défaillance.

Modèle de déploiement

Le déploiement est basé sur le SaaS et hébergé dans le cloud. Les documents publics mettent en avant :

Déploiements plus rapides grâce à une interface utilisateur native de Salesforce et au support IT existant ; réutilisation des schémas de sécurité et d’intégration de Salesforce.¹²⁴¹⁵
Déploiement progressif par domaine (par exemple, commencer par la planification de la demande, étendre ultérieurement à la planification des stocks et des approvisionnements).⁵¹
Une interface conversationnelle Gen-AI permettant aux planificateurs de poser des questions, d’exécuter des scénarios et d’accéder aux données en langage naturel.⁵¹

Cependant, il existe peu d’informations publiques sur les délais d’implémentation typiques, les équipes de projet ou les schémas d’implémentation de référence (par exemple, si KetteQ fournit ses propres équipes de livraison ou fait appel à des intégrateurs systèmes partenaires). Des citations de clients mentionnent une “efficacité et une précision considérablement améliorées” et des améliorations de 2 à 3 fois de la précision ou de l’alignement de la planification, mais il s’agit de données de haut niveau non étayées par des séries temporelles détaillées ou des KPI avant/après.⁵¹⁸

Réclamations en matière d’IA, de ML et d’optimisation

Prévision et IA

Sur l’ensemble de ses pages de planification, KetteQ affirme :

Utilisation de “insights propulsés par l’IA, de machine learning avancé pour la prévision de la demande et de l’analyse automatisée de scénarios.”⁵¹²¹
MRP amélioré par l’IA/ML qui “est constamment à l’affût de signes de changements à venir” et surveille en continu les signaux.¹
Une interface conversationnelle Gen-AI pour interagir avec la solution de planification.⁵¹

Ces affirmations établissent que KetteQ utilise le machine learning pour la prévision et qu’il intègre une interface de type grand modèle de langage. Cependant, les détails manquants incluent :

Les classes de modèles ML utilisés (par exemple, arbres à gradient boosté, réseaux de neurones, modèles probabilistes).
Comment les prévisions sont calibrées, évaluées et mises à jour (par exemple, métriques d’erreur, cadence de réentraînement).
Si les délais, les retours et autres incertitudes non liées à la demande sont modélisés de manière explicite.

En revanche, la FAQ sur la prévision de la demande et les pages technologiques de Lokad indiquent explicitement que Lokad utilise differentiable programming et deep learning, appliqués à des données historiques détaillées et à des signaux externes quand cela est pertinent, pour générer des prévisions probabilistes de la demande et des délais ; ils mettent également en avant les résultats du concours M5 comme preuve externe d’une performance à la pointe de la technologie.¹²²³¹⁸¹⁹¹⁴⁹ Cela n’invalide pas les revendications en matière d’IA de KetteQ mais souligne que ses divulgations publiques sont à un niveau supérieur, moins technique.

Solvateur PolymatiQ™ et optimisation

Le solvateur PolymatiQ™ est décrit comme :

Un solveur de planification de supply chain “révolutionnaire, en instance de brevet” qui exécute des milliers de scénarios, ajuste automatiquement les paramètres et apprend en continu des évolutions dynamiques du marché.⁵¹⁶⁷⁸
Le “premier moteur d’IA agentique au monde” pour la planification de supply chain, permettant une planification adaptative en explorant des milliers de futurs potentiels en parallèle.¹⁶¹⁰¹¹

Les affirmations relatives aux scénarios sont cohérentes sur les pages de planification et d’exécution : PolymatiQ™ se voit attribuer l’évaluation automatique de milliers de résultats potentiels, la notation de la résilience des plans selon les KPI, et l’identification de stratégies robustes face aux perturbations.⁵¹⁶⁷²¹⁸ Cependant, plusieurs questions techniques demeurent sans réponse dans les sources publiques :

Fonctions objectif : qu’est-ce qui est optimisé ? Le coût, le taux de service, le profit, des métriques de résilience, ou une combinaison pondérée ?
Contraintes : comment sont modélisés la capacité, les délais, les budgets et les cibles de taux de service ?
Algorithmes : est-ce que PolymatiQ™ s’appuie sur la programmation mathématique (LP/MIP), la programmation par contraintes, des métaheuristiques (par exemple, algorithmes génétiques, recuit simulé), le reinforcement learning, ou un hybride ?
Représentation de l’incertitude : les scénarios sont-ils générés à partir de distributions de probabilité explicites ou à partir d’heuristiques / stress tests ?

La revue de Sourcing Innovation apporte un léger éclairage en évoquant l’utilisation par KetteQ d’une optimisation multi-passe et d’une pile moderne capable d’exécuter de nombreux scénarios efficacement, mais s’arrête avant de dévoiler les détails algorithmiques ; il s’agit d’une approbation qualitative plutôt que d’une analyse technique approfondie.³¹¹

L’histoire du solveur de Lokad, en comparaison, est plus explicite : ses pages technologiques et de documentation expliquent comment les distributions probabilistes de la demande et des délais alimentent une descente discrète stochastique (pour les décisions entières) et une optimisation basée sur differentiable programming, et comment les leviers économiques (coûts de possession, pénalités de rupture de stock, effets de panier, etc.) sont encodés dans des scripts Envision pour produire des décisions classées.¹²¹⁷¹³¹⁸¹⁹²⁶ Les documents et billets de blog sur la differentiable programming de Lokad expliquent en outre comment l’optimisation basée sur les gradients est appliquée sur des données relationnelles à grande échelle pour apprendre conjointement des modèles de prévision et des politiques de décision.¹⁷¹⁸¹⁹²⁵

Compte tenu des informations publiques disponibles, il est raisonnable de conclure que PolymatiQ™ fait plus que du simple MRP basé sur des règles ou des formules fixes de stocks de sécurité. L’accent mis sur l’analyse multi-scénario, le réglage des paramètres et la notation de résilience suggère au moins une composante d’optimisation basée sur la simulation. Mais en l’absence de documentation détaillée, PolymatiQ™ doit être considéré comme un solveur boîte noire dont le fonctionnement interne ne peut être évalué indépendamment à partir des sources publiques.

Déploiement, clients et preuves

Clients et secteurs nommés

KetteQ met en avant publiquement plusieurs clients nommés :

Coca-Cola, Carrier, Johnson Controls, NCR Voyix, Alliance Consumer Group et d’autres sont cités comme des marques “faisant confiance” à la plateforme de KetteQ dans des articles de presse liés au financement.⁷⁸⁹
Le contenu du site web de type étude de cas mentionne des clients tels que MobilityWorks (mobilité automobile), une entreprise d’opérations de distributeurs automatiques, et des fabricants utilisant Salesforce, avec des améliorations citées en termes d’efficacité, de précision et de croissance.⁵¹⁸

Ces références confirment que KetteQ compte de véritables clients d’entreprise nommés dans les secteurs de la fabrication, de la distribution et des opérations de service. Cependant, les descriptions de cas publiques demeurent relativement générales ; elles fournissent des améliorations en pourcentage (par exemple, une croissance CARR de 170 %, une précision multipliée par 3, une trajectoire de croissance multipliée par 2) mais n’exposent pas de métriques détaillées avant/après, de séries temporelles ou de diagnostics de modèles.⁵¹⁸⁹

Les documents de cas de Lokad concernant Air France Industries MRO et d’autres secteurs (commerce de détail, aérospatial, fabrication) fournissent des récits quelque peu plus détaillés, incluant des horizons historiques (10 ans de données), des volumes de données (environ 1 million de SKUs), et des résultats financiers explicites (par exemple, identification de dizaines de millions d’euros d’opportunités de désinvestissement, réduction du fonds de roulement tout en augmentant les taux de service).¹³¹⁸²⁶²⁰²⁷²⁵ Cela dit, même les études de cas publiques de Lokad ne vont pas jusqu’à exposer des ensembles de données complets, ce qui est typique pour les fournisseurs de logiciels commerciaux dans ce domaine.

Pratiques de déploiement et d’implémentation

KetteQ souligne :

Une interface utilisateur native Salesforce conduisant à une adoption plus rapide par les utilisateurs et à une gouvernance IT facilitée.¹²⁴¹⁵
Des connecteurs directs vers Salesforce Manufacturing Cloud, permettant une meilleure adéquation entre les prévisions de ventes et les plans de supply chain.²⁴¹⁸
Une interface conversationnelle Gen-AI pour réduire les frictions dans l’accès aux insights et l’exécution des scénarios.⁵¹

Des sources indépendantes (communiqués de presse et podcasts liés à Salesforce) renforcent le récit selon lequel KetteQ exploite Salesforce pour améliorer la visibilité interfonctionnelle et l’adoption par les utilisateurs, mais n’apportent pas beaucoup de détails sur la méthodologie de configuration, les pratiques de nettoyage des données ou les schémas de gestion du changement.⁴²⁴¹⁸

Lokad, en revanche, décrit un modèle de déploiement plus explicitement programmatique : les données sont ingérées via fichier/API, les Supply Chain Scientists écrivent et itèrent des scripts Envision, et des exécutions par lots quotidiennes produisent des décisions classées qui sont ensuite intégrées dans les ERP et WMS. Son étude de cas Air France Industries et ses pages sur les stocks aérospatiaux détaillent une implémentation d’environ 6 mois suivie d’une phase de double exécution de 6 mois, incluant la mention de 10 ans de données historiques, 12 systèmes sources et la priorisation des listes d’investissement/désinvestissement.¹³¹⁸²⁰²⁷²⁵

Le compromis est clair : KetteQ propose un déploiement d’applications d’entreprise plus conventionnel (quoique sur une pile moderne), tandis que Lokad offre un projet de modélisation centré sur un DSL qui peut être plus précis mais qui demande un effort de modélisation plus spécialisé.

Évaluation de la profondeur technique et de la maturité commerciale

Profondeur technique (telle que visible dans les sources publiques).

Forces de KetteQ :
- Architecture SaaS moderne et multi-tenant avec Salesforce et AWS, corroborée indépendamment par Sourcing Innovation.¹²³¹¹²²¹⁵
- Capacité démontrée à intégrer étroitement Salesforce Manufacturing Cloud et à exposer des insights de planification dans l’UX de Salesforce, un avantage pour les organisations déjà standardisées sur Salesforce.¹⁴²⁴¹⁸
- Utilisation de l’IA/ML pour la prévision et l’évaluation de scénarios, avec PolymatiQ™ orchestrant l’analyse multi-scénario et le réglage des paramètres, impliquant une logique d’optimisation non triviale au-delà du MRP classique ou de la planification sur tableur.⁵¹⁶³⁷
Lacunes / points inconnus pour KetteQ :
- Absence de documentation technique publique sur les rouages algorithmiques internes de PolymatiQ™ (fonctions objectif, gestion des contraintes, méthodes d’optimisation).
- Détails limités sur la manière dont l’incertitude est modélisée et propagée mathématiquement (distributions de probabilité vs. stress-testing).
- Absence de résultats de référence externes en matière de prévision ou d’optimisation (par exemple, compétitions publiques) pour quantifier la performance par rapport à l’état de l’art.

Par rapport à Lokad : Les divulgations techniques de Lokad sont nettement plus approfondies : la spécification du langage Envision, les documents sur la prévision probabiliste et la differentiable programming, ainsi que des pages technologiques détaillées, permettent de comprendre les choix architecturaux et algorithmiques, et les résultats du concours M5 fournissent une référence externe pour la précision des prévisions.¹²²³¹⁷¹³¹⁸¹⁹¹⁴⁹²⁶ Lokad documente également des sujets nuancés tels que la gestion des entiers dans la differentiable programming et l’optimisation sur des données relationnelles à grande échelle, ce qui indique un investissement continu en R&D à un niveau assez avancé.¹⁷¹⁸²⁵

D’un point de vue strictement “state-of-the-art”, KetteQ n’a pas encore fourni suffisamment de transparence technique pour évaluer si PolymatiQ™ et sa pile d’IA atteignent la sophistication des approches centrées sur les distributions de probabilité et basées sur la differentiable programming documentées par Lokad et certaines publications académiques. Il est tout à fait possible que les méthodes internes de KetteQ soient sophistiquées, mais en l’absence de documentation ou de références, une évaluation sceptique et basée sur des preuves doit les considérer comme non prouvées au-delà des témoignages de quelques clients sélectionnés.

Maturité commerciale.

KetteQ a :
- Plusieurs clients d’entreprise nommés dans la fabrication, la distribution et les services.⁷⁸⁹
- 30,9 millions de dollars de financement par capital-risque et une équipe en expansion, avec des profils de CEO et de dirigeants indiquant une expérience dans la montée en échelle d’entreprises de logiciels supply chain.¹⁰¹¹⁸¹⁵¹³¹⁴
- Une suite de produits clairement articulée et une stratégie de mise sur le marché axée sur des organisations centrées sur Salesforce.
Cependant :
- L’entreprise a 7 ans (fondée en 2018), avec son solveur phare et son image de marque ayant évolué rapidement ces dernières années (par exemple, le virage récent vers le langage “agentic AI”).³¹⁰¹¹
- Les cas de référence publics sont relativement superficiels en termes de détails quantitatifs et couvrent un ensemble limité de secteurs par rapport aux fournisseurs APS plus anciens.

En revanche, Lokad opère depuis 2008, avec plus d’une décennie d’évolution passant de la prévision hébergée à une plateforme complète d’optimisation probabiliste, et des déploiements documentés sur le long terme (des collaborations de 10 ans comme avec Air France Industries) qui suggèrent une maturité commerciale et technique supérieure dans certains secteurs (par exemple, l’aérospatial MRO).¹⁶¹²¹³¹⁸²⁶²⁰²⁷²⁵

En résumé, KetteQ est un fournisseur crédible, moderne et soutenu par des VC, avec une véritable traction et une architecture technologiquement à jour, mais ses capacités en IA et en optimisation restent quelque peu opaques d’un point de vue axé sur la recherche. Lokad, bien que plus petit et plus spécialisé, fournit des preuves plus directes de techniques probabilistes avancées et d’optimisation ainsi que des déploiements de longue durée dans des environnements complexes.

Conclusion

KetteQ fournit une plateforme moderne de planification et d’exécution de supply chain centrée sur Salesforce, avec un accent clair sur la planification de scénarios pilotée par l’IA via son solveur PolymatiQ™. Des preuves publiques étayent les affirmations selon lesquelles elle est multi-tenant, cloud-native et conçue sur Salesforce et AWS ; qu’elle utilise le machine learning pour la prévision ; et qu’elle a sécurisé de vrais clients d’entreprise nommés ainsi qu’un financement en capital-risque significatif. Un commentaire indépendant (Sourcing Innovation) corrobore la modernité de sa stack et confirme que le produit n’est pas une simple retouche de code hérité.

Cependant, la documentation publique de KetteQ ne va pas jusqu’à exposer la substance mathématique et algorithmique derrière PolymatiQ™ et sa « agentic AI » branding. Aucune divulgation détaillée des fonctions objectives, des contraintes, de la modélisation probabiliste ou des méthodes d’optimisation n’est fournie, pas plus que des données de benchmark publiques comparables aux compétitions de prévision ou à des études de cas reproductibles avec des métriques complètes avant/après. En conséquence, une évaluation rigoureuse et sceptique doit considérer les affirmations de KetteQ en matière d’IA et d’optimisation comme plausibles mais non vérifiées au-delà du matériel marketing et des témoignages clients.

Comparé à Lokad, qui a documenté publiquement son évolution à travers la prévision quantile, les distributions probabilistes, le deep learning et la programmation différentiable, et qui a validé de manière externe la performance de prévision (M5) ainsi que des études de cas de longue durée dans des environnements complexes, KetteQ se présente comme une suite d’applications d’entreprise à la fois classique et moderne : plus facile à aligner avec des environnements IT centrés sur Salesforce, mais moins transparent quant aux rouages internes de sa stack d’IA et d’optimisation. Pour les acheteurs, le choix ne se résume pas uniquement aux fonctionnalités : il s’agit aussi de savoir combien ils valorisent un moteur de Supply Chain Quantitative programmable en boîte blanche (Lokad) par rapport à une application packagée, native de Salesforce, dotée d’une forte expérience utilisateur et d’une histoire IT convaincante (KetteQ). Dans tous les cas, la due diligence doit aller au-delà des pages marketing : demandez des analyses techniques approfondies, la documentation des modèles et des améliorations concrètes historiques des KPI avant d’accepter toute affirmation de « agentic AI » ou de planification « la plus adaptative au monde » pour argent comptant.