Revue de Manhattan Associates, fournisseur de logiciels pour Supply Chain et commerce omnichannel

Par Léon Levinas-Ménard

Dernière mise à jour: décembre, 2025

Manhattan Associates est un éditeur de logiciels américain coté en bourse, basé à Atlanta, fondé en 1990 et historiquement connu pour son système de gestion d’entrepôt PkMS basé sur AS/400 avant de s’étendre à une large suite « supply chain commerce » couvrant la gestion d’entrepôt, la gestion des transports, la gestion des commandes, le point-de-vente, les stocks en magasin, et, plus récemment, des extensions de planification cloud-native et des compléments « agentic » en IA. Le cœur de l’offre actuelle est la plateforme Manhattan Active : une pile SaaS multi-locataire fonctionnant sur Google Cloud, construite autour de plus de 250 microservices Java/Spring orchestrés sur Kubernetes, exposant des API REST et conçus pour être « sans version » (livraison continue sans mises à niveau perturbatrices) pour les modules WMS, TMS, OMS et planification. Manhattan positionne son optimisation comme intégrée dans ces applications : optimisation continue des transports avec un « moteur d’optimisation adaptatif » propriétaire, planification de la demande et des stocks via une couche « hybrid AI » (UFM.ai) combinant machine learning avec règles et heuristiques, et de nouveaux assistants basés sur des agents pour les flux de planification. Avec plus de 3 000 employés, des milliers de clients dans le retail, la logistique, la fabrication et d’autres secteurs, et des revenus annuels avoisinant 1 à 1,2 milliard de dollars, Manhattan est un acteur établi dans l’APS/SCM. Cependant, ses documents techniques publics restent très orientés marketing : les détails sur les algorithmes d’optimisation, la profondeur de la modélisation probabiliste, et l’architecture IA réelle sont rares, et il n’existe aucune preuve revue par des pairs ou de type benchmark comparable à ce que certains éditeurs spécialisés ont publié. La technologie de Manhattan est clairement moderne du point de vue de l’ingénierie cloud, mais jusqu’où ses capacités d’IA/optimisation vont au-delà des systèmes transactionnels sophistiqués basés sur des règles reste, d’après les sources publiques, partiellement démontrable.

Présentation de Manhattan Associates

Manhattan Associates a été fondé en 1990 et a son siège à Atlanta, Géorgie, initialement concentré sur la gestion d’entrepôt pour la distribution et le retail, puis élargissant progressivement vers l’exécution de supply chain et le commerce omnichannel.¹²³⁴ Il est coté au NASDAQ sous le sigle MANH, servant des clients à travers les Amériques, EMEA et APAC dans des secteurs incluant le retail, les biens de consommation, l’alimentaire et l’épicerie, les prestataires logistiques, l’industriel et la vente en gros, la haute technologie et les sciences de la vie.⁴⁵

Historiquement, le produit phare de Manhattan était PkMS, un WMS basé sur AS/400 qui s’est largement déployé à la fin des années 1990.³⁶ Au fil du temps, PkMS a évolué en WMOS (Warehouse Management Open Systems), complété par des TMS et d’autres modules d’exécution.⁶ Au cours de la dernière décennie, Manhattan s’est recentré vers Manhattan Active®, une plateforme cloud-native conçue pour fournir un environnement unifié de gestion d’entrepôt, de gestion des transports, de gestion des commandes et de gestion du travail, avec Active Supply Chain et Active Omni comme ses deux principales familles.⁷

Manhattan affiche des milliers de clients à l’échelle mondiale et plusieurs milliers d’employés; un profil d’emploi récent cite environ 3 400 employés et décrit plus de 30 ans de création de technologie pour « supply chain, stocks et omnichannel. »⁴⁸ Du point de vue du chiffre d’affaires, une agrégation Macrotrends rapporte un revenu sur les douze derniers mois d’environ $1.05bn au T3 2024,⁶ tandis qu’un résumé Webull du Formulaire 10-K 2024 de Manhattan indique $1.23bn en revenus (+12 % en glissement annuel).⁹ L’écart semble provenir de différentes périodes de référence et potentiellement d’arrondis, mais les deux sources placent Manhattan clairement dans la tranche basse des milliards de dollars.

Le portefeuille actuel est positionné comme une plateforme « supply chain commerce » : Manhattan Active Supply Chain (WMS, TM, Yard, Labor), Manhattan Active Omni (OMS, POS, service client), et Manhattan Active Supply Chain Planning (demande, stocks, allocation et réapprovisionnement).⁴⁷¹⁰ De plus, Manhattan a récemment introduit des composants Agentic AI qui intègrent des agents conversationnels et orientés workflow dans ces produits, commercialisés sous le nom de « Manhattan Active Agentic AI Solutions. »¹¹¹²¹³

Manhattan Associates vs Lokad

D’un point de vue de la planification de supply chain, Manhattan et Lokad occupent des positions qui se chevauchent mais structurellement différentes. Manhattan est un éditeur d’entreprise généraliste dont les points forts résident dans l’exécution et les flux omnichannel — gestion d’entrepôt, gestion des transports, orchestration des commandes, et unification magasin/en ligne — délivrés via une grande plateforme de microservices cloud-native conçue pour être proche des systèmes opérationnels (WMS/TMS/OMS/POS).⁷¹⁴¹⁵¹⁰ À l’inverse, Lokad est une plateforme spécialisée d’optimisation prédictive : elle fournit un langage de domaine spécifique (Envision) et un moteur de prévision/optimisation probabiliste dont le seul but est de produire des décisions financières optimisées pour la supply chain (commandes, allocations, plannings de production, tarification) en s’appuyant sur les ERP et WMS/TMS existants.¹⁶¹⁷¹⁸

Techniquement, la pile Manhattan Active de Manhattan est un environnement SaaS multi-locataire fonctionnant sur Google Cloud, avec >250 microservices implémentés principalement en Java/Spring Boot, containerisés avec Docker et orchestrés sur Kubernetes.⁷¹⁴⁸ L’architecture met l’accent sur des mises à niveau sans version, une haute disponibilité, et une intégration via des API REST, avec des services de niveau plateforme pour l’authentification, la surveillance et l’automatisation du cycle de vie.⁷¹⁹²⁰ L’architecture de Lokad, en revanche, se centre sur un DSL personnalisé exécuté sur un runtime distribué, avec un magasin de données basé sur les événements et des modèles probabilistes propriétaires ainsi que des algorithmes d’optimisation; son interface web est essentiellement une passerelle vers l’environnement de programmation Envision et les tableaux de bord qui en résultent.¹⁷¹⁸ L’accent est mis sur la programmabilité et la modélisation white-box plutôt que sur un catalogue d’applications transactionnelles préconstruites.

Du côté de l’analytique, les revendications de Manhattan en matière de planification et d’optimisation sont intégrées dans les modules individuels. Manhattan Active TM utilise un « moteur d’optimisation adaptatif » et le machine learning pour ajuster en continu les paramètres de la planification du transport multimodal et la ré-optimisation en temps réel, mais la documentation publique reste au niveau conceptuel et n’expose pas les classes de modèles réels, les fonctions objectives ou si des distributions complètes de la demande/délai sont utilisées.¹⁰²¹²²¹¹ Manhattan Active Supply Chain Planning vante de même un « hybrid AI » — mélangeant modèles statistiques, ML et règles métier — et une couche UFM.ai, mais, là encore, les détails de la structure probabiliste sous-jacente, le cas échéant, sont rares.²³²⁴²⁵ En revanche, Lokad se positionne explicitement sur la prévision probabiliste et l’optimisation quantitative, avec une documentation publique des modèles quantiles/distributionnels, son algèbre de variables aléatoires Envision, et un palmarès dans la compétition de prévision M5 (n° 5 au total, n° 1 au niveau des SKU).¹⁶¹⁸²⁶

En termes de déploiement et de modèle opérationnel, Manhattan implique généralement de grands projets d’implémentation exécutés avec ou par des intégrateurs de systèmes (ex : 4SiGHT, JBF Consulting) qui configurent Manhattan Active WMS/TMS/OMS pour correspondre aux réseaux d’entrepôts et de transport, tandis que les capacités de planification sont consommées dans le cadre de ces applications.⁷²⁷¹¹ Lokad a tendance à s’engager via ses propres « supply chain scientists », construisant des programmes Envision sur mesure qui coexistent avec les systèmes WMS/TMS/ERP existants, renvoyant les décisions via des fichiers ou des API; la plateforme elle-même est relativement étroite en termes de périmètre (pas d’exécution WMS/TMS) mais offre une plus grande flexibilité de modélisation. La proposition de valeur de Lokad est centrée sur l’optimisation financière axée sur la décision; celle de Manhattan est plus large — reliant l’exécution, les flux omnichannel et une optimisation intégrée — au prix de capacités de modélisation moins transparentes et moins spécifiques au domaine.

Pour un acheteur recherchant principalement une exécution de bout en bout et une orchestration omnichannel avec une ingénierie cloud moderne, Manhattan offre une suite complète et un long palmarès de déploiements WMS/TMS. Pour un acheteur dont le problème principal est l’optimisation quantitative en situation d’incertitude (ex : stocks, production, tarification) et qui est prêt à investir dans un environnement de modélisation programmable, l’architecture et la pile documentée probabiliste/optimisation de Lokad sont plus spécialisées et transparentes. D’après les preuves publiques, les revendications de Manhattan en matière d’IA et d’optimisation semblent plus progressives — des améliorations intégrées au comportement traditionnel des APS — tandis que Lokad a orienté l’ensemble de sa plateforme autour de l’optimisation décisionnelle probabiliste dès le départ.¹⁰²³¹⁶¹⁸²⁶

Historique et évolution de l’entreprise

Manhattan Associates remonte à 1990; plusieurs sources s’accordent sur cette date de fondation et sur Atlanta comme siège.¹²⁴⁵²⁸ Des documents marketing anciens et un article de presse axé sur AS/400 montrent que PkMS était un système de gestion d’entrepôt conçu pour supporter de grands volumes de transactions et optimiser la réception, le stockage et la distribution des stocks — en somme, un premier WMS pour des centres de distribution à fort volume.³⁶

Au cours des années 1990 et du début des années 2000, Manhattan a élargi ses offres au-delà de PkMS en proposant WMOS (open systems), la gestion des transports et d’autres modules d’exécution, tout en internationalisant sa clientèle.²⁶ La société est entrée en bourse au NASDAQ à la fin des années 1990, et dans les années 2010, elle était reconnue comme un éditeur de WMS/TMS dans les quadrants d’analystes et les rapports sectoriels (détails omis ici faute d’apporter un éclairage technique significatif).

Le virage stratégique de la dernière décennie a été orienté vers Manhattan Active®, commercialisé comme une plateforme unifiée cloud-native pour le « supply chain commerce ». ⁷ Le partenaire tiers 4SiGHT décrit Manhattan Active comme intégrant la gestion d’entrepôt, des transports, des commandes et de la main-d’œuvre dans une architecture de microservices, positionnant la plateforme comme la voie future pour les clients existants de WMOS et SCALE.⁷ Les pages « Our Story » et « About Us » de Manhattan renforcent cette évolution : d’un spécialiste des WMS à un éditeur de logiciels élargi en « supply chain commerce » avec Active Supply Chain et Active Omni au cœur.

Financièrement, Manhattan a progressivement atteint une échelle de revenus à plusieurs milliards de dollars. Macrotrends rapporte un revenu sur les douze derniers mois d’environ $1.046bn au T3 2024, soit une augmentation de 13 % en glissement annuel,⁶ tandis qu’un résumé Webull du Formulaire 10-K 2024 de Manhattan indique $1.23bn en revenus (+12 % en glissement annuel).⁹ En l’absence d’une inspection directe du PDF du 10-K ici, ces deux chiffres reflètent des périodes de calcul différentes mais convergent pour situer Manhattan clairement dans la tranche basse des milliards de dollars.

Aujourd’hui, Yahoo Finance et StockAnalysis décrivent tous deux Manhattan comme un fournisseur mondial de logiciels de supply chain et de commerce omnichannel servant des secteurs tels que le retail, les prestataires logistiques, les biens de consommation, l’industrie, la haute technologie et le gouvernement.⁴⁵ Une offre d’emploi récente vient renforcer cela, indiquant que depuis « plus de 30 ans » l’entreprise conçoit des solutions pour « les problèmes d’affaires les plus complexes en supply chain, stocks et omnichannel. »⁸ En bref, Manhattan est un éditeur de logiciels d’entreprise mature et axé sur l’exécution, et non une startup d’IA récente.

Portefeuille de produits et focalisation sur la supply chain

Manhattan Active Supply Chain (WMS, TM, Yard, Labor)

Gestion d’entrepôt. Manhattan Active Warehouse Management (MAWM) est le WMS cloud phare de Manhattan. Manhattan le décrit comme un WMS « cloud-native, sans version, basé sur des microservices » conçu pour supporter l’automatisation, la robotique et des opérations omnichannel à grand volume.¹⁵²⁰ La brochure officielle le qualifie de « dernier WMS dont vous n’aurez jamais besoin », en insistant sur son élasticité, la possibilité de mises à niveau sans interruption, et son extensibilité via des API et des couches de configuration.²⁰ Une revue indépendante par ExploreWMS souligne également que MAWM est multi-locataire, hébergé sur le cloud, et particulièrement destiné aux entrepôts grands et complexes, avec des fonctionnalités incluant la gestion du travail, la répartition des emplacements et le contrôle en temps réel de l’automatisation.²⁷

Gestion des transports. Manhattan Active Transportation Management (MATM) remplace l’ancien TMS sur site de Manhattan. Manhattan positionne MATM comme un TMS unifié et cloud-native qui gère la planification stratégique, tactique et opérationnelle à travers différents modes (colis, LTL, TL, intermodal), avec une planification globale sur plusieurs segments, la gestion des transporteurs et l’audit de fret.¹⁰ Une page dédiée à « l’optimisation continue » explique que MATM fait fonctionner en continu un moteur d’optimisation adaptatif, ré-optimisant les expéditions à mesure que de nouvelles commandes, événements et contraintes apparaissent, plutôt que par des traitements par lots rigides.²¹

Yard, Labor et Carrier. La gestion de cour, la gestion du travail et la gestion des transporteurs de Manhattan Active sont également fournies sous forme de microservices au sein de Manhattan Active Supply Chain, bien que les informations techniques au-delà des fonctionnalités (planification des accès, intercalage des tâches, suivi des performances) relèvent en grande partie du domaine standard des APS/WMS.⁴¹⁵

Manhattan Active Omni (OMS, POS, Service client)

Gestion des commandes et unification magasin/en ligne. Manhattan Active Omni couvre la gestion des commandes (OMS), les stocks en magasin & l’exécution, le POS et le service client. Les documents de Manhattan mettent en avant une vue unique des commandes et des stocks à travers les canaux, avec une logique DOM (gestion distribuée des commandes) pour décider entre expédition depuis le magasin ou depuis le DC, et le support du BOPIS, du curbside, etc.⁷ La présentation par 4SiGHT souligne explicitement que Manhattan Active offre une « vue unique du client et des commandes et une vue unique des stocks avec un modèle d’intégration standard », réduisant ainsi le besoin de solutions ponctuelles distinctes.⁷

D’un point de vue supply-chain, Omni concerne davantage l’orchestration et l’exécution que l’optimisation poussée : DOM basé sur des règles et priorisation configurable, mais sans preuve technique publique détaillée d’une optimisation probabiliste avancée dans la couche OMS.

Manhattan Active Supply Chain Planning (SCP)

Modules de planification. Manhattan Active SCP inclut la prévision de la demande, l’optimisation de stocks, le réapprovisionnement et l’allocation, et (dans certains documents) la planification des promotions et des assortiments. Manhattan décrit la suite comme utilisant une « hybrid AI » — combinant le machine learning, l’optimisation mathématique et les règles métier — pour générer des plans.¹⁰²³²⁴

Le module de prévision de la demande est présenté comme utilisant le ML et l’IA pour tenir compte de la saisonnalité, des promotions et des facteurs causaux, avec une intégration au réapprovisionnement et à l’allocation pour boucler la boucle.²³²⁵ Les supports marketing et un e-book (“Chasing Perfection”) décrivent une couche UFM.ai qui agit comme un “cerveau” sur la demande, les stocks et le flux de commandes, alimentant SCP ainsi que les systèmes d’exécution.²⁴ Cependant, Manhattan ne divulgue pas de détails algorithmiques : les classes de modèles, la structure probabiliste (le cas échéant) ou la manière dont les prévisions sont traduites en décisions économiques ne sont pas publiquement explicités.

Les commentaires indépendants (par exemple, la couverture de Manhattan Active SCP par SupplyChainBrain) reformulent en grande partie les propres affirmations “d’IA hybride” de Manhattan et mettent en avant des avantages tels que des prévisions plus précises et une meilleure productivité des planificateurs, mais contiennent à nouveau peu de profondeur technique au-delà du “utilise l’IA et le ML.”²⁵

Solutions d’IA agentique

En 2024–2025, Manhattan a lancé Manhattan Active Agentic AI Solutions, commercialisé comme des assistants “d’IA agentique” intégrés à Manhattan Active.¹¹¹² Des communiqués de presse indiquent que ces solutions utilisent plusieurs agents d’IA — par exemple, pour la planification, la surveillance de l’exécution et l’analyse des causes profondes — qui peuvent collaborer pour proposer des actions, et qu’ils tirent parti des grands modèles de langage et de la connaissance du domaine de Manhattan.¹¹¹²

Un résumé de DCVelocity note que les solutions d’IA agentique reposent sur Manhattan Active et incluent une “agent foundry” pour configurer et déployer des agents pour des flux de travail spécifiques.¹³ Un autre article professionnel explique que ces agents peuvent, par exemple, identifier des anomalies de demande, suggérer des actions d’atténuation et aider les planificateurs à naviguer dans des scénarios complexes.²³

D’après les informations publiques, ces fonctionnalités agentiques apparaissent comme des améliorations au niveau des flux de travail — des assistants propulsés par des LLM intégrés dans les interfaces de planification et d’exécution — plutôt que comme des changements fondamentaux aux moteurs d’optimisation de Manhattan. Aucune documentation technique n’est disponible sur la manière dont ces agents s’intègrent à l’optimisation sous-jacente ni sur leur capacité à modifier les objectifs ou les contraintes d’optimisation.

Architecture technique et stack

Plateforme cloud et microservices

Manhattan Active est décrit comme une plateforme native cloud, basée sur des microservices et sans version. Un article détaillé du partenaire 4SiGHT indique que Manhattan Active est construit comme une collection de microservices déployables indépendamment, plus de 250 au total, regroupés en solutions telles que Active Omni et Active Supply Chain.⁷ Il met en avant l’utilisation de Java, du framework Spring, de Docker et de Kubernetes, et note que la plateforme expose des API REST pour l’intégration, avec une documentation abondante pour les opérations business et de données.⁷

Un blog de Google Cloud explique en outre que Manhattan a reconstruit sa plateforme sur Google Cloud, tirant parti de Google Kubernetes Engine (GKE) ainsi que d’autres services GCP, et que ses applications sont déployées sous forme de microservices sur des clusters GKE.¹⁴ La propre documentation réseau de Manhattan confirme que Manhattan Active est fourni en mode SaaS sur Google Cloud, utilisant des clusters GKE derrière Google Cloud Load Balancing et le réseau Virtual Private Cloud.¹⁹

Le matériel WMS souligne que toutes les solutions Manhattan Active sont “sans version” : les clients bénéficient toujours du code le plus récent, avec des mises à jour continues appliquées sans mises à niveau perturbatrices.¹⁵²⁰ Ceci est cohérent avec un modèle SaaS multi-tenant où le logiciel est continuellement livré et où il n’existe pas de décalage de version par client.

Pile technologique d’après les témoignages de développeurs et d’offres d’emploi

L’article de 4SiGHT et une offre d’emploi pour un poste d’ingénieur logiciel senior fournissent un aperçu concret de la pile de développement de Manhattan. 4SiGHT indique que comprendre Manhattan Active nécessite une connaissance de Java, Spring, Docker et Kubernetes, et que la plateforme exploite des “technologies open-source modernes et une architecture native cloud.”⁷ L’offre d’emploi liste des compétences requises, notamment Java, Spring Boot, architecture de microservices, développement d’API REST, Kibana, RabbitMQ, Elasticsearch, ainsi que des compétences front-end en Angular/JavaScript/HTML/CSS, en plus de workflows basés sur Git.⁸

Pris ensemble, ces sources soutiennent fortement la conclusion que Manhattan Active est principalement construit sur une pile de microservices Java/Spring Boot, avec de la containerisation (Docker), de l’orchestration (Kubernetes), de la messagerie (RabbitMQ), de la journalisation/surveillance (pile Kibana/Elastic) et des technologies web typiques pour les front-end. Il s’agit d’une pile d’entreprise moderne, conventionnelle mais robuste.

Bien que cela indique des pratiques d’ingénierie solides — microservices, observabilité, CI/CD, etc. — cela ne témoigne pas, en soi, de la sophistication mathématique des algorithmes d’optimisation de Manhattan. Ces détails restent encapsulés dans des services propriétaires.

Architecture WMS

La brochure MAWM qualifie le produit de “né dans le cloud” et met en avant des caractéristiques telles que l’extensibilité élastique, la résilience et des capacités “toujours à jour”.[^^13] ExploreWMS note que MAWM supporte l’intégration avec l’automatisation et la robotique via des API, et qu’il est conçu pour coordonner des opérations complexes de DC en matière de main-d’œuvre, de répartition des emplacements et de gestion de cour.²⁷

L’architecture semble être ce à quoi on pourrait s’attendre d’un WMS moderne :

SaaS multi-tenant sur GCP
Microservices pour les fonctions principales du WMS (réception, stockage, prélèvement, emballage, expédition) et les services de soutien (identité, configuration, surveillance)
Intégration via des API REST, des files de messages et des flux d’événements pour l’automatisation
Couches de configuration pour les flux, les règles et les composants de l’interface utilisateur

Aucune documentation publique détaillée n’existe sur les modèles de données sous-jacents (par exemple, event sourcing contre schémas relationnels), mais étant donné la pile technologique et les exigences typiques d’un WMS, il est raisonnable de supposer un mélange de bases de données relationnelles pour les données transactionnelles et de caches/index distribués pour la performance. Cela reste toutefois une supposition plutôt qu’un fait démontré ; Manhattan ne publie pas de détails bas niveau sur les DB/ORM.

Architecture d’optimisation TMS

Les affirmations de Manhattan Active TM concernant l’optimisation continue sont plus spécifiques, bien qu’encore fortement orientées marketing. La page produit indique que MATM utilise un modèle unifié en mémoire et un moteur d’optimisation adaptatif pour optimiser en continu les plans de transport, en intégrant des événements en temps réel, des contraintes de transporteurs et des règles business.¹⁰²¹ Un communiqué de presse de GlobeNewsWire décrit le moteur comme “multi-modal” et “utilisant le machine learning pour ajuster des centaines de paramètres”, dans le but d’obtenir des plans d’itinéraires et de chargement plus rapides et de meilleure qualité.²²

Une mise à jour de 2023 de JBF Consulting concernant Manhattan TMS (Manhattan Active TM) indique que Manhattan a essentiellement réécrit son TMS sur une architecture de type Active, avec un design basé sur des microservices et natif du cloud ainsi qu’un moteur d’optimisation mis à jour, mais souligne également que la migration depuis le TMS hérité n’est pas triviale et que certains clients feront probablement fonctionner les deux générations en parallèle pendant un certain temps.¹¹

Le dossier public suggère :

L’optimisation est intégrée à l’application TMS plutôt qu’exposée comme un service d’optimisation générique.
Le moteur adaptatif est heuristique/augmenté par le ML, réglé par apprentissage automatique des paramètres plutôt que par une reformulation entièrement mathématique.
Manhattan n’expose pas les fonctions objectives, les ensembles de contraintes, ni si l’optimisation est stochastique ou déterministe ; le marketing mentionne le ML mais pas la modélisation probabiliste.

D’un point de vue sceptique, MATM est clairement plus qu’un système CRUD — il réalise effectivement une optimisation non triviale — mais la granularité et la rigueur de son optimisation ne peuvent être entièrement évaluées à partir de la documentation publique.

Planification supply chain et IA hybride

Les affirmations marketing de Manhattan Active SCP tournent autour de “l’IA hybride” et de UFM.ai. La page produit SCP décrit l’IA hybride comme une combinaison d’apprentissage automatique, d’optimisation mathématique et d’intelligence décisionnelle pour générer des plans qui reflètent les réalités de la demande, des stocks et de la capacité.²³ L’e-book “Chasing Perfection” positionne UFM.ai comme une couche unifiée de gestion des flux qui utilise l’IA pour orchestrer les flux à travers le réseau, alimentant les modules de planification avec des insights.²⁴

La couverture de SupplyChainBrain et les e-books connexes (“Game-Changing Power of Manhattan Active SCP”) mentionnent des fonctionnalités telles que la prévision automatisée de base, un environnement de travail pour les planificateurs, la gestion des exceptions et l’analyse de scénarios, mettant à nouveau en avant l’IA hybride sans fournir de détails algorithmiques.²⁵

D’après ces sources, la pile SCP inclut probablement :

Modèles ML de séries temporelles pour la prévision de la demande (possiblement gradient boosted trees ou neural networks)
Optimisation déterministe pour les stocks et le réapprovisionnement (ex : calcul du stock de sécurité et des commandes de réapprovisionnement, heuristiques d’allocation)
Couches basées sur des règles et heuristiques pour la gestion des exceptions et des promotions

Cependant, il n’existe aucune preuve explicite de distributions probabilistes complètes de la demande, de grilles de quantiles ou d’optimisation stochastique semblable à ce que publient certains fournisseurs spécialisés. Les affirmations de “AI” semblent crédibles au niveau de l’utilisation du ML et des analytics, mais elles ne sont pas étayées par une documentation algorithmique transparente.

Agentic AI et intégration des LLM

Les annonces Agentic AI de Manhattan indiquent que l’entreprise intègre des large language models (LLMs) et l’orchestration d’agents dans Manhattan Active. Le communiqué de presse sur Agentic AI Solutions affirme que ces agents peuvent “percevoir, raisonner et agir” en utilisant la connaissance du domaine et le contexte de Manhattan, et qu’ils sont configurables via une “Agent Foundry.”¹¹ DCVelocity rapporte que les agents sont conçus pour aider les planificateurs à diagnostiquer les problèmes, recommander des actions et collaborer à travers les fonctions de supply chain.¹³

D’après ces descriptions, Agentic AI apparaît comme une architecture en couches composée de LLM + outils:

LLMs (possiblement via Vertex AI de GCP compte tenu du partenariat avec GCP²⁴)
Outils et APIs pour interroger les données de Manhattan Active et déclencher les workflows sous-jacents
Composants UI (de type chat ou workflows guidés) intégrés dans les écrans WMS/TMS/SCP

Encore une fois, Manhattan ne publie pas de détails techniques : fournisseurs de modèles, approche de fine-tuning, garde-fous, ou comment les décisions des agents sont enregistrées et auditées. L’ensemble des fonctionnalités est cohérent avec les tendances de l’industrie (copilotes basés sur des LLM), mais la profondeur de l’intégration avec l’optimisation fondamentale reste floue.

Déploiement, déploiement progressif et écosystème

Livraison SaaS et infrastructure

Manhattan Active est fourni en tant que SaaS multi-tenant sur Google Cloud. Le blog de Google Cloud décrit explicitement la migration de Manhattan depuis des produits sur site/installés sur logiciel vers une plateforme SaaS construite sur GKE, avec autoscaling et une infrastructure résiliente.¹⁴ La documentation réseau de Manhattan indique que les environnements clients sont isolés logiquement à l’aide de VPC de GCP, des load balancers et des pratiques de sécurité standard.¹⁹

En conséquence, le déploiement se résume en grande partie à la provision des tenants dans le cloud de Manhattan, à la configuration des intégrations et à l’activation des modules pertinents ; les clients n’opèrent pas eux-mêmes l’infrastructure de Manhattan Active.

Méthodologie d’implémentation et écosystème de partenaires

L’implémentation, cependant, n’est pas triviale. Le partenaire 4SiGHT présente un vaste portefeuille de services autour de Manhattan Active : évaluation de la mise à niveau du WMS, services d’implémentation, formation, développement et support, ainsi que conseil en stratégie et en gestion d’entrepôt.⁷ La même page note que Manhattan ProActive, une application au sein de Manhattan Active, aide à gérer les extensions personnalisées (user exits, événements, modifications de l’UI) tout au long du cycle de vie.⁷

La mise à jour TMS de JBF Consulting souligne de même que le passage de Manhattan à Active TM implique des projets de migration, souvent accompagnés d’une conception, de tests et d’une gestion du changement significatifs.¹¹ Ces sources soutiennent l’opinion que :

Manhattan Active n’est pas un outil plug-and-play ; il nécessite des projets d’implémentation structurés.
La personnalisation se fait souvent via la configuration, des extensions, et parfois du code personnalisé, généralement avec la participation d’un intégrateur système.
Les services professionnels de Manhattan et son réseau de partenaires constituent une part majeure de la livraison de valeur.

En pratique, la méthodologie de déploiement de Manhattan ressemble à un déploiement APS d’entreprise classique : des projets de plusieurs mois impliquant la conception des processus, la configuration, l’intégration, les tests, la formation et un suivi intensif, plutôt qu’un “SaaS en self-service.”

Études de cas et clients de référence

Manhattan publie de nombreuses études de cas. Deux exemples donnent une idée de l’ampleur :

C&A (commerce de mode): une étude de cas vidéo décrit comment C&A a accéléré la livraison omnicanal avec Manhattan Active Warehouse Management, utilisant MAWM pour faire évoluer les opérations et améliorer le service.²⁹
DHL Supply Chain: une étude de cas note l’adoption par DHL de Manhattan Active Warehouse Management pour soutenir des opérations à grande échelle multi-clients ; Manhattan présente cela comme une preuve de la pertinence de MAWM pour des environnements 3PL de premier ordre.²⁸

Les deux illustrent que Manhattan Active est déployé dans de grands entrepôts complexes et que le fournisseur dispose de références crédibles dans le retail et la logistique. Cependant, ces études de cas se concentrent sur les résultats opérationnels (débit, délais, capacités omnicanal) et quantifient rarement la contribution spécifique des algorithmes d’optimisation par rapport à la refonte des processus, l’automatisation ou une meilleure visibilité.

AI, machine learning et optimisation : affirmations vs preuves

Où AI/ML est clairement présent

D’après les documents disponibles, il existe des domaines plausibles, étayés par des preuves, dans lesquels Manhattan utilise l’AI/ML :

Optimisation du transport : Le moteur d’optimisation multimodal dans MATM est explicitement indiqué comme utilisant le machine learning pour ajuster les paramètres de ses heuristiques.²²²¹
Prévision et planification de la demande : Manhattan Active SCP fait référence à une prévision basée sur le machine learning, à la modélisation causale et à de l’AI hybride au sein des modules de planification.²³²⁵
Agentic AI : Les agents basés sur des LLM font clairement partie de la feuille de route de Manhattan Active, avec des communiqués de presse et des articles professionnels décrivant leur utilisation dans les workflows de planification et d’exécution.¹¹¹³

Ce sont des usages crédibles de l’AI dans un APS moderne.

Où les preuves sont moins fortes ou absentes

Cependant, plusieurs questions techniques importantes demeurent sans réponse dans les sources publiques :

Profondeur de la modélisation probabiliste. Manhattan ne précise pas clairement si les prévisions de SCP sont des distributions de probabilité complètes (par exemple, des grilles de quantiles) ou principalement des prévisions ponctuelles avec des intervalles de confiance. Il n’est fait aucune mention d’une optimisation probabiliste du stock de sécurité ou de fonctions objectifs stochastiques dans la documentation accessible au public.²³²⁵
Transparence de l’optimisation. Pour les deux TM et SCP, Manhattan ne publie pas:
- La structure des fonctions objectives (ex. : composantes de coût, objectifs de service).
- La gestion des contraintes (ex. : MOQ, capacité, contraintes de réseau).
- Que l’optimisation soit déterministe (scénario unique) ou stochastique (basée sur des scénarios).
JBF et 4SiGHT confirment que l’optimisation existe mais n’ajoutent pas de détail mathématique.⁷¹¹
Benchmarking. Contrairement à certains fournisseurs spécialisés qui ont participé à des compétitions publiques ou publié des collaborations académiques, il n’existe aucune preuve (à la fin de 2025) que Manhattan ait soumis ses algorithmes de prévision ou d’optimisation à des benchmarks audités publiquement (ex. : participation à la compétition M5, articles évalués par des pairs).
Interne d’Agentic AI. L’Agentic AI semble être construit autour des LLMs, mais Manhattan ne décrit pas les fournisseurs de modèles, les stratégies de fine-tuning, les mécanismes de sécurité, ni comment les décisions des agents sont enregistrées et auditées. Compte tenu de la fragilité des LLM, cela constitue une omission non triviale du point de vue de la rigueur technique.

Comparé à l’état de l’art

Comparé à l’état de l’art dans l’optimisation de la supply chain par des universitaires et des fournisseurs spécialisés, les divulgations techniques publiques de Manhattan sont modestes:

Il n’existe aucune preuve publique de programmation différentiable, d’un entraînement de bout en bout des prévisions par rapport aux objectifs de coût, ou d’algorithmes d’optimisation stochastique spécialisés.
La prévision probabiliste (modélisation de distribution complète) n’est pas clairement expliquée, tandis que des fournisseurs spécialisés tels que Lokad documentent explicitement les approches quantiles/distributives et publient des résultats dans des benchmarks comme M5.¹⁶¹⁸²⁶
L’Agentic AI semble aligné avec les tendances de l’industrie (copilotes LLM) mais pas au-delà ; aucune preuve publique d’architectures d’agents particulièrement sophistiquées n’existe, au-delà de ce qu’un fournisseur peut réaliser en utilisant des plateformes LLM prêtes à l’emploi.

En résumé, les capacités d’IA et d’optimisation de Manhattan sont crédibles mais opaques. L’ingénierie de la plateforme cloud est clairement moderne ; la sophistication du cœur mathématique reste largement affirmée plutôt que démontrée de manière publique, fondée sur des preuves.

Maturité commerciale et positionnement

D’un point de vue commercial, Manhattan est très mature:

Fondé en 1990, coté à la NASDAQ, avec des décennies de déploiements en production de WMS/TMS.¹²⁴
Un chiffre d’affaires situé aux alentours de 1 à 1,2 milliard de dollars,⁶⁹ et plusieurs milliers d’employés.⁴⁸
Une clientèle importante et mondiale dans divers secteurs, avec des références de premier plan dans le commerce de détail et la logistique.⁴²⁸²⁹

Le virage Manhattan Active repositionne l’entreprise en tant que vendeur de suites cloud-native, similaire en envergure à d’autres grands fournisseurs d’APS (ex. : Blue Yonder, Oracle, SAP, o9), avec une force historique particulière dans les WMS/TMS et des portefeuilles SCP et IA en pleine croissance.

Pour les organisations disposant d’entrepôts complexes, de réseaux de transport et d’afflux omnicanal, Manhattan est un candidat raisonnable lors de l’évaluation des WMS/TMS/OMS cloud — surtout si l’organisation valorise une pile fournisseur unifiée et un écosystème de partenaires solide. Pour les organisations cherchant principalement une planification ou une optimisation probabiliste avancée, les composants de planification et d’IA de Manhattan peuvent être trop intégrés et opaques pour constituer la seule solution; associer l’exécution de Manhattan à une couche d’optimisation plus spécialisée (qu’elle soit en interne ou via un fournisseur tel que Lokad) pourrait constituer une approche techniquement plus rigoureuse.

Risques, lacunes et questions ouvertes

D’un point de vue strictement technique et fondé sur les preuves, plusieurs risques ou lacunes doivent être notés :

Optimisation et IA opaques. La documentation publique de Manhattan se concentre sur les résultats et des concepts de haut niveau (optimisation adaptative, IA hybride, Agentic AI) mais manque de transparence algorithmique. Les acheteurs ne peuvent pas facilement évaluer la manière dont le système gère l’incertitude, les compromis économiques ou les cas particuliers.
Portée vs profondeur. Manhattan couvre une large gamme (WMS/TMS/OMS/Planning/Agentic AI). Cette étendue peut limiter la profondeur de l’innovation dans un domaine particulier, notamment en planification et en optimisation, par rapport aux fournisseurs spécialisés dont l’ensemble de la pile est construit autour de l’optimisation décisionnelle probabiliste.
Complexité de mise en œuvre. Les déploiements de Manhattan Active restent de grands projets, impliquant souvent des partenaires et une configuration/personnalisation étendue.⁷¹¹ Cela est standard pour les APS d’entreprise, mais cela contredit toute notion implicite d’un SaaS léger qui peut être rapidement testé et abandonné.
Sécurité et robustesse d’Agentic AI. Sans détail technique sur la manière dont les agents LLM sont contraints, audités et intégrés, il y a un risque de surestimer leur fiabilité dans la planification critique. Les organisations devraient considérer les fonctionnalités agentiques comme des outils d’assistance, et non comme des preneurs de décisions autonomes, jusqu’à ce que la validation interne soit complète.
Preuves de performance en planification. Aucun benchmark public ne démontre la précision de la planification ou la qualité de l’optimisation de Manhattan par rapport aux alternatives. Les études de cas mettent en évidence le succès, mais elles sont par nature sélectives et orientées marketing.

Ces préoccupations n’impliquent pas que les solutions de Manhattan soient inefficaces — de nombreux clients rapportent de bons résultats — mais, d’un point de vue technique sceptique, les preuves sont majoritairement anecdotiques et contrôlées par le fournisseur plutôt qu’indépendamment validées.

Conclusion

En termes précis et non marketing, Manhattan Associates offre :

Une plateforme entreprise cloud-native (Manhattan Active) construite sur des microservices Java/Spring, conteneurisée sur Kubernetes et déployée sur Google Cloud;
Des applications WMS/TMS/OMS matures et à grande échelle soutenant des supply chain complexes et mondiales, avec de nombreux clients de premier plan et un écosystème de partenaires conséquent;
Des capacités d’optimisation et d’IA intégrées au sein des TMS et SCP, en plus de fonctionnalités émergentes d’Agentic AI qui intègrent l’assistance pilotée par LLM dans les processus de planification et d’exécution.

D’après des sources publiques fondées sur des preuves, la technologie de Manhattan est à la pointe de l’ingénierie cloud et crédible mais opaque en IA/optimisation. La plateforme va clairement au-delà de simples applications CRUD : les modules d’optimisation des transports et de planification incarnent une logique algorithmique non triviale. Cependant, l’absence de descriptions mathématiques transparentes, de benchmarks indépendants ou de détails publiés sur la modélisation probabiliste signifie que les revendications en matière d’IA de Manhattan ne peuvent être pleinement validées par un observateur externe.

Par rapport à Lokad, Manhattan est un vendeur de suites axé sur l’exécution et à large portée intégrant l’optimisation au sein de ses applications, tandis que Lokad est une plateforme d’optimisation probabiliste plus étroite mais plus approfondie construite autour d’un DSL et d’une modélisation quantitative explicite. Les organisations cherchant une suite unifiée d’exécution et de commerce se tourneront naturellement vers Manhattan ; celles dont le principal problème est la qualité des décisions en situation d’incertitude pourraient vouloir compléter ou opter pour une plateforme où les prévisions, les modèles d’optimisation et les leviers économiques sont entièrement exposés et programmables.

Dans tous les cas, les acheteurs potentiels devraient examiner de près les capacités d’IA et d’optimisation de Manhattan au-delà du langage marketing : exiger des descriptions concrètes des modèles, des fonctions objectives, des contraintes, et des preuves de performance sur leurs propres données, et se montrer prudents quant au traitement des revendications en matière d’Agentic ou d’IA hybride comme acquises, jusqu’à ce qu’elles soient vérifiées dans leur contexte spécifique.