Retour aux études de marché
Witness de Lanner, désormais développé par Haskoning, est un logiciel de simulation destiné aux opérations de fabrication, de logistique et de services. Les utilisateurs construisent des modèles de ressources, de flux de matières, de files d’attente et de règles opérationnelles, puis comparent des modifications d’équipements, de capacité, d’agencement et d’ordonnancement. Haskoning propose également le développement de modèles, du conseil et des formations. (1, 14)
Note globale en supply chain : 6,0/10.
| Dimension | Note |
|---|---|
| Profondeur en supply chain | 6,0/10 |
| Substance décisionnelle et optimisation | 6,4/10 |
| Intégrité du produit et de l’architecture | 5,4/10 |
| Transparence technique | 6,6/10 |
| Sérieux du fournisseur | 5,8/10 |
Witness possède une substance technique importante. Ses cas clients expliquent pourquoi des changements apparemment judicieux peuvent dégrader les performances : davantage de véhicules peut accroître la congestion, et des machines plus rapides surcharger la manutention en aval. Son apport le plus solide consiste à rendre ces interactions calculables avant d’engager du capital. Le passage d’un modèle de processus crédible à des décisions économiques répétées est moins convaincant. Un modèle peut reproduire fidèlement une opération existante, y compris ses habitudes de planification inefficaces, sans identifier la manière la plus rentable de la modifier. (3, 6, 16)
Haskoning aborde la validation et montre un investissement continu dans les outils de construction de modèles. Toutefois, ses cas publics quantifient rarement les erreurs prédictives, l’effet économique des mauvaises recommandations ou le travail récurrent nécessaire pour garder les modèles utiles. Ces lacunes comptent lorsqu’un jumeau numérique est présenté comme une capacité décisionnelle permanente. (8, 9, 11)
Lanner face à Lokad
Prenons un fabricant qui décide d’ajouter des machines, d’accroître les stocks tampons ou de modifier les priorités de production. Witness convient bien à la représentation des conséquences physiques : files d’attente, ressources partagées, blocages, retouches et variations de débit. Le cas Safran suit, par exemple, des pièces individuelles dans différentes options d’usinage et de contrôle qualité afin d’examiner les délais et les choix d’investissement. (4)
L’approche de Lokad part de décisions récurrentes — quoi acheter, produire, allouer ou accélérer — et évalue leurs conséquences économiques dans des futurs incertains. La comparaison pertinente consiste à déterminer si le calcul chiffre les arbitrages affectant l’entreprise entière, notamment la demande, les retards d’approvisionnement, les ruptures et le capital immobilisé dans les stocks. C’est la perspective de conception développée dans Introduction to Supply Chain.
Witness offre une grande liberté pour construire un modèle économique sur mesure. Cette liberté laisse beaucoup de travail au modélisateur : définir ce qui peut changer, attribuer des probabilités, valoriser les résultats et les rendre exploitables. Un modèle d’usine physiquement détaillé et un objectif financier sont des exigences complémentaires ; aucun ne remplace l’autre. Lokad exige lui aussi une logique spécifique au client, maintenue dans la durée, et le travail de Supply Chain Scientists. Les deux approches doivent être jugées sur la qualité des décisions produites et sur le coût de révision de cette logique lorsque la réalité révèle une erreur.
Histoire technologique et intégrité de la feuille de route
L’historique montre un produit de simulation durable, dont la présentation et le déploiement ont évolué par étapes.
| Période | Développement documenté | Appréciation |
|---|---|---|
| 2012 | L’article de Lanner à la Winter Simulation Conference décrit des éléments de processus programmables, le calcul des coûts, l’optimisation heuristique, des fonctions Six Sigma et des vues 3D facultatives. | Le socle de calcul précède l’étiquette de jumeau numérique. L’article traite explicitement la visualisation comme une aide à la communication susceptible de distraire de la résolution du problème. |
| 2019–2020 | Haskoning acquiert Lanner en 2019. Un cas Hanford de juillet 2020 décrit l’exécution parallèle avec Witness.io et l’analyse par apprentissage automatique développée avec la société sœur Ynformed. | La mise à disposition dans le cloud apporte un bénéfice identifiable sur la charge de travail. La revendication d’IA concerne l’analyse des goulets, les modèles de substitution étant encore présentés comme en cours de développement. |
| 2023 | Witness 26, sous Twinn, ajoute une édition plus rapide des propriétés et améliore la fonction d’annulation. | Ce sont des améliorations concrètes du travail de maintenance des modèles. |
| 2026 | Witness 28 améliore les rapports d’état, les entrées des expériences et les contrôles de manutention. Une démonstration distincte de brasserie relie un graphe de connaissances à la reconstruction du modèle. | La version renforce le processus de modélisation établi ; la démonstration explore une manière plus programmatique de le maintenir. |
Sources : (2, 10, 11, 13, 17).
Le récit de Hanford identifie une tâche et rapporte une mesure opérationnelle avant et après. Sa faiblesse restante est l’attribution : le résultat publié combine préparation des données, exécution parallèle et analyse, sans isoler la contribution de l’apprentissage automatique. Le récit actuel présente toujours les modèles de substitution comme des travaux de développement ; il ne fournit pas de benchmark ultérieur établissant cette capacité. (7, 17)
L’article de janvier 2026 propose aussi un accès conversationnel à la simulation. Poser plus facilement des questions peut aider un utilisateur occasionnel, mais un chatbot ne choisit pas les expériences économiquement pertinentes, ne valide pas le modèle et n’élimine pas les revues humaines répétées des scénarios. La direction technique la plus solide est l’automatisation de la reconstruction et des tests du modèle ; sa valeur dépend du travail de maintenance effectivement supprimé. (13)
Ce que fait le calcul
Les interactions physiques non linéaires sont un véritable point fort
Chez Ford Valencia, des fournisseurs concurrents d’AGV proposaient des tailles de flotte très différentes. Witness a aidé à établir une configuration viable, puis montré qu’ajouter des véhicules sur un circuit particulier augmenterait les blocages sans accroître la production. Une autre expérience a révélé que réaffecter un véhicule apparemment inactif interromprait la chaîne de montage. Ce sont des exemples substantiels de contraintes du système : l’utilisation locale et la capacité installée peuvent mal orienter les investissements. (3)
Le modèle de Britvic reliait la manutention en usine à la circulation sur le site. Il a conduit à des allées à sens unique et clarifié les conséquences d’une nouvelle ligne d’embouteillage sur les effectifs et les coûts de fonctionnement. Chez Safran, un modèle couvrait cinq lignes de production, avec inspection qualité, retouches et comptabilisation détaillée des délais. Ces applications traitent des interactions physiques que les tableaux statiques de capacité tendent à effacer. (4, 5)
Le mécanisme d’optimisation est lui aussi identifiable. L’article technique de Lanner de 2012 décrit un objectif défini par l’utilisateur, des plages de paramètres, des contraintes de combinaison, des réplications et une recherche fondée sur le recuit simulé et les méthodes taboues, avec une interface pour d’autres algorithmes. Cette recherche peut évaluer des réponses de simulation irrégulières sans prétendre que le processus est linéaire. Elle explore néanmoins les choix encodés par le modélisateur. Si une action ou un coût économiquement important manque, davantage de recherche ne le fera pas réapparaître. (2)
La simulation stochastique exige des prévisions crédibles
Le cas de production alimentaire en Malaisie inclut la variabilité du débit, les pannes et la logique des capteurs de convoyeurs. Witness peut donc représenter l’incertitude du côté de la production, au lieu de simplement changer un chiffre de demande entre scénarios déterministes. (16)
Échantillonner des entrées incertaines est la partie facile. Le travail difficile consiste à établir leurs distributions, leurs dépendances et leur pertinence future. Une simulation de croissance de la demande, de pannes de machines, de retouches et de retards fournisseurs doit préserver les relations qui modifient la valeur d’un investissement ou d’une décision opérationnelle. Des tirages aléatoires indépendants peuvent produire des détails convaincants tout en manquant des surcharges corrélées ou des interruptions d’approvisionnement.
L’article d’Haskoning d’août 2025 identifie utilement comme sources d’erreur les temps de cycle idéalisés, les contraintes non validées, la logique de processus manquante et les agencements périmés. Il recommande de se méfier des hypothèses et de valider progressivement les modèles face aux opérations. Sa méthodologie de 2024 distingue aussi la vérification du logiciel de la comparaison avec le système réel. (8, 9)
Il manque toujours, dans les cas clients examinés, un bilan chiffré de la fiabilité prédictive : dans quelle mesure le modèle anticipe les longueurs de file, la variabilité de la production, les queues de distribution des délais ou la performance relative de décisions concurrentes dans les opérations ultérieures. Un jumeau numérique prévoit un futur de grande dimension. L’accord sur ses hypothèses, une animation séduisante et davantage de réplications de simulation ne démontrent pas la fiabilité de ces prévisions.
Cette distinction est particulièrement importante pour les dépenses d’investissement. Une petite erreur sur le goulet prévu peut inverser le choix de l’investissement rentable. La précision doit être évaluée à cette frontière décisionnelle, avec la pénalité économique d’un mauvais choix, plutôt que réduite à un pourcentage générique de ressemblance entre un modèle et l’usine.
Reproduire un processus de planification peut en préserver les défauts
DS Smith avait besoin d’un modèle de l’ordonnancement de l’onduleuse, des opérations en aval et des interventions des planificateurs. Haskoning décrit la reproduction de l’algorithme d’optimisation de la laize et des façons dont les planificateurs modifient les travaux, divisent les séries et répondent aux contraintes de stockage. C’est nécessaire pour prévoir ce que fera l’organisation existante. Cela crée aussi une limite stratégique : reproduire fidèlement les habitudes actuelles ne détermine pas si elles méritent de perdurer. (6)
L’amélioration suivante peut exiger un autre espace de décision — de nouvelles façons de regrouper les commandes, d’accepter des travaux clients ou de tarifer l’urgence — plutôt qu’une meilleure recherche parmi les contrôles d’ordonnancement existants. C’est le problème abordé dans Holimization : la formulation elle-même doit évoluer. Witness est suffisamment programmable pour permettre ces révisions, mais leur valeur métier dépend du jugement d’ingénierie et de nouveaux tests, pas simplement de la vitesse de simulation.
Productivité, maintenance des modèles et coût de possession
Le cas Hanford fournit une mesure utile de productivité : une question portant sur 80 scénarios serait passée de 20–25 jours ouvrés à 2–4 jours. Witness.io répartissait les exécutions sur des cœurs de simulation dédiés, tandis qu’une application sur mesure réduisait la manipulation des entrées et le traitement des résultats. Cela mesure une tâche analytique définie. Le récit indique aussi que l’équipe de modélisation a doublé avec l’élargissement des usages ; les gains de délai ne doivent donc pas devenir une réduction d’effectifs sans fondement. (7)
La modélisation propre à un client représente un travail logiciel important. L’application de DS Smith comportait des centaines de variables et des milliers de lignes de code, suivis d’un mois d’affinage face à la production passée. De petites modifications pouvaient fortement influer sur les résultats. L’offre de conseil d’Haskoning prévoit explicitement soit une réalisation par ses spécialistes, soit le développement d’une capacité interne chez le client. Les formations comprennent des cours avancés. (6, 14, 15)
Le coût de possession dépasse donc les licences et le calcul : observer les opérations, interpréter les données, modifier les règles, vérifier qu’un ancien calibrage reste valable et garder le modèle compréhensible après le départ de son auteur initial. Des composants de modèle réutilisables peuvent alléger cette charge. Les exceptions non documentées l’alourdissent.
Il existe des améliorations concrètes. Witness 28 permet aux Data Tables d’alimenter directement Experimenter, réduisant les variables supplémentaires entretenues uniquement pour lancer des expériences. La version améliore aussi l’inspection des flux de matières. L’accès à la nouvelle version nécessite un contrat de support actif. Ces mécanismes et obligations sont plus utiles pour estimer le coût de possession qu’une affirmation générale selon laquelle la modélisation est facile. (11, 12)
La démonstration de brasserie de 2026 transpose un processus de référence dans une ontologie hébergée dans Azure Digital Twins. Une application Python transmet les modifications via des modules XML pour reconstruire le modèle Witness. Cela pourrait supprimer des éditions répétées lorsque les actifs physiques changent. Mais cela crée aussi une représentation supplémentaire à maintenir : le graphe, les correspondances et la simulation doivent continuer à signifier la même chose. La démonstration publiée ne fournit ni mesure de maintenance à l’échelle d’un déploiement ni résultat de validation automatique. (13)
Composants logiciels et sécurité
| Composant ou interface | Rôle et périmètre documentés | Conséquence opérationnelle |
|---|---|---|
| Application de bureau Windows | Les prérequis actuels de Witness mentionnent des versions Windows de bureau et serveur, 8 Go de RAM et 1 Go d’espace d’installation. | Le cœur affiche une empreinte d’installation modeste ; des expériences détaillées peuvent demander davantage de mémoire et de cœurs. |
| Logique Witness et bibliothèques externes | La documentation actuelle permet une logique personnalisée et des bibliothèques C++, C#, VB.NET ou Python. | Les extensions de modèles ajoutent des dépendances exécutables et exigent leur propre maintenance et leurs propres contrôles d’accès. |
| OLE DB, COM, Excel, dépôt SQL d’expériences | L’article de Lanner de 2012 décrit l’accès aux données, l’exécution externe, les interfaces personnalisées et les expériences enregistrées. | Ces interfaces historiquement datées expliquent comment des applications sur mesure ont été assemblées autour du moteur. |
| Witness.io | L’application Hanford exécute des simulations parallèles via un service web. | Le parallélisme échange du délai contre du calcul et nécessite l’orchestration des entrées et des résultats. |
| Azure Digital Twins, Python, XML | Composants de la démonstration de brasserie de janvier 2026. | Un pont entre graphe et simulation ajoute du travail de synchronisation ; il s’agit d’une architecture de démonstration documentée. |
Les principaux coûts sont le développement des modèles, la validation et la maintenance des intégrations environnantes. Les éléments publics n’exposent pas l’architecture complète d’exécution et de stockage du service cloud actuel et ne montrent pas comment les coûts d’exécution évoluent avec un modèle réaliste qui change.
Le code externe des praticiens constitue le problème de sécurité le plus immédiat. La page actuelle des fonctionnalités promeut les langages d’extension, mais n’explique pas les restrictions imposées sur les fichiers, les destinations réseau, les identifiants, les dépendances ou la consommation de ressources. Un script erroné ou une bibliothèque compromise ne devrait pas hériter d’un accès illimité aux données opérationnelles. L’exécution locale sur poste de travail exige aussi une protection : séparer les identifiants d’expérimentation de l’accès en écriture à la production, restreindre l’exécution et disposer d’un état du modèle récupérable. (1)
Une meilleure annulation aide à réparer une erreur d’édition ; elle ne confine pas le code exécutable. Les informations de version et la démonstration d’intégration examinées ne documentent ni bac à sable imposé ni parcours contrôlé de promotion des extensions expérimentales vers des applications reliées à la production. (10, 13)
Résultats économiques et responsabilité
Les exemples nommés apportent des éléments utiles sur les décisions. Ford rapporte l’exploitation avec la configuration AGV retenue et l’évitement de véhicules inutiles. Britvic identifie des changements de circulation et leurs conséquences sur les effectifs. Safran utilise les simulations pour étayer des investissements de plusieurs millions d’euros : c’est un montant évalué, pas un rendement mesuré produit par le logiciel. (3, 4, 5)
Les éléments publics sont bien plus minces sur le résultat économique complet : coûts de mise en œuvre et d’entretien, bénéfices réalisés face à une alternative crédible, coûts des erreurs et correction après une recommandation décevante. Un modèle détaillé d’usine peut influencer un investissement important sans contribuer à la totalité de son rendement.
La méthodologie insiste sur l’implication des parties prenantes et l’accord sur les hypothèses. Cela aide à définir le travail, mais le consensus ne rend pas vraie une hypothèse fausse. La responsabilité exige une trace de la prédiction, de l’action qui en découle, du résultat observé et de la personne chargée de réviser le modèle lorsqu’ils divergent. La méthodologie publique décrit des activités de validation ; elle ne définit ni remède ni obligation économique si les gains attendus ne se concrétisent pas. (8, 9, 14)
Note en supply chain
Chacun des 25 critères a le même poids.
Profondeur en supply chain
| Critère | Note |
|---|---|
| Cadrage économique | 6/10 |
| Aboutissement décisionnel | 5/10 |
| Précision conceptuelle en supply chain | 6/10 |
| Affranchissement des doctrines centrales obsolètes | 7/10 |
| Résistance au théâtre des KPI | 6/10 |
Moyenne : 6,0/10.
Cadrage économique — 6/10. Les coûts d’investissement et d’exploitation entrent dans les études clients, mais la valorisation commune de la demande incertaine, de la capacité rare et des actions possibles reste un travail de modélisation. La performance physique est mieux étayée que l’optimisation économique ajustée au risque. (4, 5)
Aboutissement décisionnel — 5/10. Les cas conduisent à des choix concrets d’équipements et de processus. L’exécution récurrente dépend toujours d’utilisateurs traduisant l’analyse en actions ; l’aboutissement documenté est surtout l’aide à la décision. (3, 14)
Précision conceptuelle en supply chain — 6/10. Les modèles traitent des flux en interaction et des limites de ressources. La principale lacune consiste à relier cette représentation physique à la demande client, aux approvisionnements externes incertains et aux choix économiques sur l’ensemble de la supply chain. (4, 16)
Affranchissement des doctrines centrales obsolètes — 7/10. L’environnement de modélisation autorise un raisonnement propre au processus, sans imposer une classification standard des stocks ou un rituel de planification consensuelle. Reproduire le comportement hérité des planificateurs peut néanmoins en préserver les faiblesses. (6, 8)
Résistance au théâtre des KPI — 6/10. Les exemples publiés relient l’analyse à des changements opérationnels identifiables. La précision prédictive et les rendements nets attribuables restent largement non quantifiés, laissant une distance importante entre illustrations convaincantes et fiabilité économique mesurée. (3, 7, 16)
Substance décisionnelle et optimisation
| Critère | Note |
|---|---|
| Profondeur de la modélisation probabiliste | 6/10 |
| Substance distinctive en optimisation ou en apprentissage automatique | 6/10 |
| Prise en compte des contraintes réelles | 8/10 |
| Automatisation des décisions et productivité du travail | 5/10 |
| Résilience face à la complexité opérationnelle réelle | 7/10 |
Moyenne : 6,4/10.
Profondeur de la modélisation probabiliste — 6/10. La variabilité opérationnelle fait partie du système modélisé. Les éléments publics n’établissent ni un calibrage conjoint des incertitudes de demande et d’approvisionnement ni la fiabilité future des classements de décisions obtenus. (9, 16)
Substance distinctive en optimisation ou en apprentissage automatique — 6/10. Le mécanisme de recherche possède une base technique publiée et la chaîne d’analyse a une application concrète. Ni l’un ni l’autre n’établit une politique de décision économique largement réutilisable ou un avantage de l’apprentissage automatique mesuré indépendamment. (2, 7)
Prise en compte des contraintes réelles — 8/10. Les blocages, les parcours dépendant de la qualité et les voies de déplacement partagées peuvent renverser des hypothèses simples de capacité. Les exemples clients montrent pourquoi ces interactions modifient les décisions d’investissement. (3, 4, 5)
Automatisation des décisions et productivité du travail — 5/10. Un travail analytique défini devient plus rapide, mais les spécialistes formulent encore les expériences, interprètent les résultats et maintiennent les modèles. La nouvelle démonstration d’intégration n’apporte aucun résultat mesuré sur le travail total. (7, 13)
Résilience face à la complexité opérationnelle réelle — 7/10. La validation itérative peut révéler des comportements manquants et permettre de réviser le modèle. L’approche permet de corriger la formulation, mais les éléments publiés ne montrent pas de boucle habituelle allant de l’échec à de nouveaux tests après le déploiement. (6, 8, 9)
Intégrité du produit et de l’architecture
| Critère | Note |
|---|---|
| Cohérence architecturale | 7/10 |
| Clarté du périmètre du système | 6/10 |
| Sérieux en matière de sécurité | 3/10 |
| Parcimonie logicielle et coût de possession | 5/10 |
| Compatibilité avec les opérations programmatiques et assistées par agents | 6/10 |
Moyenne : 5,4/10.
Cohérence architecturale — 7/10. Un cœur de simulation maintenu dans la durée assure l’édition des modèles, l’expérimentation et les rapports. Les représentations supplémentaires en graphes et dans le cloud introduisent des obligations d’intégration dont les coûts ne sont pas encore quantifiés. (10, 11, 13)
Clarté du périmètre du système — 6/10. Le produit central de modélisation et le rôle du conseil sont clairs. Le périmètre actuel d’exécution cloud, les responsabilités liées au code client et les contrôles de connexion à la production sont moins transparents. (1, 7, 14)
Sérieux en matière de sécurité — 3/10. La puissance d’extension est annoncée sans confinement vérifiable. La protection manquante est une limitation imposée de ce que le code des praticiens et ses dépendances peuvent consulter ou modifier. (1, 13)
Parcimonie logicielle et coût de possession — 5/10. La maintenance des modèles peut dominer une empreinte de bureau relativement modeste. Le produit améliore l’efficacité de création, mais la logique personnalisée complexe, le support expert et la revalidation restent des coûts récurrents. (6, 11, 12, 15)
Compatibilité avec les opérations programmatiques et assistées par agents — 6/10. La reconstruction pilotée par les données ouvre une voie utile au-delà de l’édition manuelle. L’automatisation de production démontrée et l’accès sûr des agents restent plus limités que les possibilités proposées. (13)
Transparence technique
| Critère | Note |
|---|---|
| Documentation technique publique | 7/10 |
| Possibilité d’examen sans médiation du fournisseur | 6/10 |
| Visibilité de la portabilité et de la dépendance au fournisseur | 5/10 |
| Transparence de la méthode de mise en œuvre | 8/10 |
| Densité des preuves étayant les affirmations techniques | 7/10 |
Moyenne : 6,6/10.
Documentation technique publique — 7/10. Articles techniques, notes de version et textes méthodologiques exposent des mécanismes significatifs. La sécurité des déploiements actuels et les détails internes du cloud sont bien moins accessibles. (2, 8, 11)
Possibilité d’examen sans médiation du fournisseur — 6/10. Les cas publics révèlent assez de comportements des modèles pour évaluer l’approche technique. Reproduire leurs conclusions nécessite des données et des modèles clients non publiés. (3, 6)
Visibilité de la portabilité et de la dépendance au fournisseur — 5/10. Les interfaces externes et les échanges de modèles facilitent l’intégration. Ils ne démontrent pas que la sémantique exécutable des processus d’un client puisse migrer économiquement vers un autre moteur de simulation. (2, 13)
Transparence de la méthode de mise en œuvre — 8/10. Cadrage, préparation des données, validation et expérimentation sont décrits aux côtés de missions clients difficiles. Les acheteurs peuvent identifier des responsabilités importantes avant de traiter le logiciel comme une solution prête à l’emploi. (6, 8, 9)
Densité des preuves étayant les affirmations techniques — 7/10. Plusieurs cas expliquent l’interaction modélisée et le choix opérationnel qui en découle. Il manque la couche d’erreurs prédictives reproductibles et d’attribution financière à travers les déploiements. (3, 4, 16)
Sérieux du fournisseur
| Critère | Note |
|---|---|
| Sérieux technique de la communication publique | 6/10 |
| Intégrité de la feuille de route technologique | 7/10 |
| Précision conceptuelle | 6/10 |
| Responsabilité économique | 4/10 |
| Capacité à défendre sa valeur dans un monde de logiciels agentiques | 6/10 |
Moyenne : 5,8/10.
Sérieux technique de la communication publique — 6/10. La discussion franche des entrées imparfaites étaye le discours technique. Les grandes promesses sur les jumeaux numériques et l’IA dépassent encore les preuves publiées concernant les décisions autonomes et la qualité prédictive quantifiée. (9, 13)
Intégrité de la feuille de route technologique — 7/10. Les versions datées montrent un travail continu sur le produit établi. L’ambition ancienne des modèles de substitution manque d’un benchmark publié attestant sa réalisation, mais l’historique comprend des améliorations identifiables plutôt qu’une simple succession d’étiquettes. (7, 10, 11, 17)
Précision conceptuelle — 6/10. Le fournisseur comprend que des améliorations locales peuvent nuire au système et que les hypothèses doivent être validées. Il est moins explicite sur les moments où l’objectif et les choix possibles doivent être repensés plutôt qu’analysés davantage. (3, 6, 9)
Responsabilité économique — 4/10. Les applications nommées et les changements opérationnels précis étayent la pertinence pratique. Les engagements publics ne définissent ni gain net attribuable, ni échec économique, ni remède lorsque les choix éclairés par le modèle déçoivent. (4, 5, 14)
Capacité à défendre sa valeur dans un monde de logiciels agentiques — 6/10. La modélisation métier, la représentation des processus non linéaires et les connaissances accumulées en validation gardent de la valeur. La préserver exige de réduire le travail de maintenance des modèles et de revue des décisions, au-delà de l’ajout d’un accès conversationnel. (6, 11, 13)
Sources
Les sources ci-dessous ont été consultées le 4 novembre 2026. Les résultats clients sont des récits publiés par le fournisseur, sauf indication contraire. Les descriptions techniques historiques conservent leur date et leur périmètre d’origine.
[1] Logiciel de modélisation par simulation Witness
Logiciel de modélisation par simulation Witness. Publication : non datée ; consulté le 2026-11-04.
[2] WITNESS Simulation Software, Anthony Waller, Winter Simulation Conference
WITNESS Simulation Software, Anthony Waller, Winter Simulation Conference. Publication : 2012.
[3] Stratégie AGV de Ford Valencia
Stratégie AGV de Ford Valencia. Publication : 2024 ; année indiquée dans le texte.
[4] Modèle de production de Safran Aircraft Engines
Modèle de production de Safran Aircraft Engines. Publication : non datée.
[5] Logistique du site de Britvic
Logistique du site de Britvic. Publication : non datée.
[6] Simulation de l’ordonnancement de production de DS Smith
Simulation de l’ordonnancement de production de DS Smith. Publication : non datée.
[7] Simulation cloud et apprentissage automatique à Hanford
Simulation cloud et apprentissage automatique à Hanford. Publication : version actuelle non datée.
[8] Cinq ingrédients d’un projet de simulation prédictive réussi
Cinq ingrédients d’un projet de simulation prédictive réussi. Publication : 2024.
[9] Construire la confiance dans la simulation sans données parfaites
Construire la confiance dans la simulation sans données parfaites. Publication : 2025-08-27.
Sortie de Witness 26. Publication : 2023-11-01.
Sortie de Witness 28. Publication : 2026-06-30.
[12] Disponibilité de Witness 28 et conditions de support
Disponibilité de Witness 28 et conditions de support. Publication : 2026.
[13] Démonstration de jumeaux numériques et de simulation prédictive dans une brasserie
Démonstration de jumeaux numériques et de simulation prédictive dans une brasserie. Publication : 2026-01-19.
[14] Conseil en modélisation par simulation
Conseil en modélisation par simulation. Publication : non datée.
[15] Formation à la modélisation par simulation
Formation à la modélisation par simulation. Publication : non datée.
[16] Simulation de production alimentaire en Malaisie
Simulation de production alimentaire en Malaisie. Publication : projet de 2021.
[17] Cloud computing et IA dans les jumeaux numériques, récit original de Lanner
Cloud computing et IA dans les jumeaux numériques, récit original de Lanner. Publication : 2020-07-08.