Contactez-nous

Analyse de o9 Solutions, fournisseur d’une suite de planification d’entreprise

Par Léon Levinas-Ménard
Dernière mise à jour : 3 novembre 2026

Retour aux Études de marché

o9 Solutions fournit des logiciels de planification d’entreprise aux industriels, distributeurs et détaillants. Sa plateforme Digital Brain réunit prévision de la demande, planification des approvisionnements et de la production, politiques de stock, planification commerciale et planification intégrée d’entreprise. Les clients utilisent ses modèles de données, solveurs, processus configurables et extensions pour produire des plans, comparer des scénarios et coordonner les décisions entre fonctions. (1, 2, 3)

Note globale en supply chain : 4,1/10.

Dimension Note
Profondeur en supply chain 3,8/10
Substance des décisions et de l’optimisation 4,4/10
Intégrité du produit et de l’architecture 4,6/10
Transparence technique 3,8/10
Sérieux du fournisseur 3,8/10

L’approche directrice de o9 associe un modèle d’entreprise commun à des prévisions, des politiques de stock, des règles d’allocation configurables et une sélection de scénarios. Son application de distribution produit des commandes d’achat et de transfert ; ses processus d’entreprise aident les équipes à réconcilier et à valider des plans. La faiblesse centrale tient à la traduction de ces politiques et priorités en choix économiques sous incertitude. La rentabilité d’un canal peut influer sur l’allocation sans mesurer le rendement attendu de l’unité de stock suivante. Les scénarios financiers et les calculs de coûts de stock ont des rôles documentés, mais le calcul conjoint des achats, de la production, des prix et du risque reste largement indéfini. Son architecture LP/MIP doit aussi accepter des révisions lorsque l’exploitation révèle des coûts, des dépendances ou des contraintes omis. (2, 3, 4, 41)

Cette lacune affecte également la promesse d’autonomie. Les exemples de o9 mettent l’accent sur l’explication des écarts, la collecte du savoir des planificateurs et l’amélioration des règles et processus. (3, 9, 10) Son histoire technologique comprend une promesse de supply chain « autonome » formulée en 2019, sans mesure de la couverture des décisions sans intervention. La maintenance des modèles, intégrations et configurations ajoute un coût que les chiffres de productivité mis en avant ne saisissent pas. (25, 29, 51)

o9 Solutions face à Lokad

o9 organise la planification autour d’un modèle d’entreprise partagé et d’applications configurables. Les clients peuvent aussi développer des algorithmes : son cas consacré à une chaîne de cafés décrit une équipe interne de data science exécutant son propre code Python sur la plateforme. Lokad organise la mise en œuvre autour d’un calcul propre à l’entreprise qui valorise et sélectionne les décisions opérationnelles sous incertitude. Les deux approches exigent de l’ingénierie ; la différence porte sur ce que cette ingénierie doit produire. (28, 31, 36)

Prenons un distributeur qui répartit ses dernières unités entre magasins. o9 documente un réapprovisionnement guidé par les prévisions et les politiques de stock, avec des priorités d’allocation pouvant inclure la rentabilité du canal. L’approche de Lokad consiste à calculer les conséquences monétaires attendues d’allocations concurrentes, en tenant compte des ventes incertaines et de la valeur des autres usages du stock. La distinction économique porte sur la valorisation de l’unité suivante : la priorité ou la rentabilité moyenne d’un magasin peut différer sensiblement du rendement de l’envoi de cette unité précise. L’exemple d’allocation ci-dessous explicite cette différence. (35, 36, 41)

Dans l’approche annoncée par Lokad, des spécialistes sont responsables de l’amélioration d’une logique de décision réutilisable. Sa perspective d’holimisation traite l’objectif, l’interprétation des données et les décisions disponibles comme des hypothèses à réviser lorsque l’exploitation révèle des erreurs. (35, 50) o9 propose des modèles clients, des extensions Python et une configuration versionnée. (29, 31) La comparaison pratique porte sur la manière dont chaque système transforme une recommandation nuisible en logique corrigée fonctionnant sur les cas suivants, et sur le coût de cette amélioration en ingénierie et interventions récurrentes.

Un modèle commun ne définit pas le calcul économique

La page Digital IBP de o9 décrit des plans opérationnels et financiers synchronisés, l’évaluation de scénarios et des décisions de direction au sein de la plateforme. Chiffre d’affaires, marge, trésorerie et besoin en fonds de roulement figurent dans le modèle. Sa page de planification des approvisionnements identifie des heuristiques, la programmation linéaire, la programmation en nombres entiers mixtes et des solveurs externes. Ce sont des parties distinctes du problème : la visibilité financière décrit les conséquences ; un solveur ne choisit des actions qu’une fois un objectif et des contraintes définis. (2, 3)

La documentation sur les stocks va plus loin. Elle décrit le rééquilibrage du réseau, la différenciation retardée, les contraintes de durée de conservation et un calcul arbitrant coûts de détention, pénalités de livraison et coûts d’expédition urgente. (4) La question économique restante est plus large : comment une modification de prix change-t-elle la demande et la production, et comment cela doit-il modifier les achats concurrents pour la même trésorerie ? Les documents publics ne fournissent ni formulation ni exemple chiffré reliant ces choix.

La documentation d’allocation pour la distribution précise davantage le processus décisionnel. Prévisions, politiques de stock et objectifs de stock de sécurité déterminent les besoins de réapprovisionnement. Des règles configurables distribuent les stocks selon la priorité du magasin, la rentabilité du canal, le calendrier de lancement et l’importance promotionnelle. L’application génère ensuite des commandes d’achat et de transfert. Des calculs supplémentaires traitent les contraintes de capacité et des horizons de 90 jours, 21 jours et quotidiens. (41)

L’étape économiquement décisive est la règle d’allocation. Considérons un choix illustratif de fin de saison : il reste une unité en entrepôt, son coût d’acquisition est irrécupérable, les coûts de transfert sont identiques et une unité invendue n’a aucune valeur résiduelle. Les probabilités ci-dessous concernent la vente de cette unité supplémentaire après prise en compte du stock existant de chaque magasin.

Destination Recette nette si l’unité supplémentaire est vendue Probabilité de vente Recette attendue
Magasin A €20 10% €2,00
Magasin B €8 90% €7,20

Envoyer l’unité à B procure €5,20 de recette attendue supplémentaire. Un classement fondé uniquement sur la recette par vente choisit A. Les allocations réelles doivent également tenir compte des substituts, livraisons futures, démarques et effets sur les autres achats. Chacun modifie la valeur incrémentale de l’unité. Un système de priorités doit intégrer ces conséquences pour choisir de façon économiquement fiable.

o9 décrit aussi, sur la page d’allocation, une optimisation tenant compte des contraintes et des arbitrages service/coût. Il n’explique pas comment ces calculs interagissent avec les priorités configurées lorsqu’ils favorisent des destinations différentes. (41) Si une priorité métier prévaut, elle détermine le coût d’opportunité de l’allocation. Si un optimiseur peut la supplanter, l’objectif et les conditions de dérogation déterminent le résultat. La distinction importe aux clients qui entretiennent ces règles : ajouter une exception peut changer les commandes privées d’accès au stock partagé.

Le produit de demande collaborative de o9 aligne explicitement les fonctions autour d’une prévision réconciliée et automatise certaines étapes du consensus. Ses recommandations de réapprovisionnement préconisent des objectifs de service et une classification ABC. (5, 6) S’accorder sur une prévision n’élimine pas l’éventail des demandes possibles, et un objectif de service n’indique pas à un industriel si un autre usage de son capital serait plus rentable. Ces conventions restent centrales sous le vocabulaire plus récent de l’IA.

Incertitude, jumeaux numériques et affirmations causales

Un réapprovisionnement ajusté au risque exige une projection probabiliste de la demande et des dates futures de réception, dépendances comprises. Le stock nécessaire avant une livraison dépend à la fois des quantités achetées par les clients et du délai de réapprovisionnement. Associer une distribution de demande à un délai moyen fixe peut omettre l’exposition créée par de longs retards. Un composant commun livré tard peut également perturber simultanément plusieurs produits finis. Le calcul décisionnel doit valoriser ces issues possibles et leurs probabilités ; l’optimisation ne peut retrouver l’incertitude omise dans ses entrées.

La documentation MEIO de o9 indique modéliser la variabilité de la demande et de l’approvisionnement dans le calcul des stocks. Elle ne décrit ni leurs distributions conjointes, ni leur conditionnement à l’information actuelle, ni la manière dont ces projections alimentent la sélection des commandes. (4) Des indicateurs séparés de risque de demande et de risque fournisseur laissent irrésolu le calcul de la demande avant réception. Une collection de scénarios hypothétiques cohérents en interne ne fournit pas davantage de modèle probabiliste tant que les futurs possibles et leurs probabilités ne sont pas établis. Ce sont des prérequis pour évaluer économiquement ruptures, expéditions urgentes et surstocks.

La démonstration du graphe de connaissances de juillet 2026 fournit un exemple concret. Un planificateur enregistre qu’un fournisseur livre régulièrement en retard au quatrième trimestre. Le système vérifie cette observation dans l’historique, compare un délai ERP de 26 jours à environ 46 jours durant ce trimestre et propose des modifications de règles et de commandes concernées. (10) Le processus présenté commence par une personne remarquant un motif déjà présent dans les données. L’estimation saisonnière des délais devrait être systématique ; mémoriser le comportement saisonnier des fournisseurs représente un travail récurrent coûteux. Remplacer un paramètre de délai laisse aussi sa variabilité irrésolue.

o9 a formulé une promesse prédictive plus ambitieuse en octobre 2022. Le lancement de Supply Sensing promettait des alertes sur la disponibilité et le prix des matières premières jusqu’à douze mois avant que leurs effets n’atteignent un fournisseur de premier rang, avec probabilités d’événements et mesures proposées. L’annonce ne donne aucun résultat de calibration, taux de fausses alertes ni test montrant qu’agir sur ces alertes améliorait les rendements. (8) Ces mesures déterminent si une alerte précoce mérite d’être payée.

La description neurosymbolique actuelle ajoute des agents causaux et une analyse rétrospective : elle propose d’attribuer les écarts à la demande, aux approvisionnements, aux politiques et à l’exécution. (9) L’attribution exige davantage qu’un historique cohérent des plans et résultats. Une rupture modifie les ventes observées ; l’intervention d’un planificateur change le résultat utilisé pour juger la recommandation initiale. Un jumeau numérique prédisant l’effet d’actions alternatives est une prévision conditionnelle de grande dimension. Ses erreurs et hypothèses causales doivent être validées avant que les explications obtenues puissent actualiser les règles de décision en toute sécurité.

Une précision de prévision mesurée à la mauvaise échelle

L’article de o9 sur la planification de production met en avant une précision agrégée hebdomadaire supérieure à 95%, puis relie ce chiffre à une production plus régulière, des stocks de sécurité plus faibles et moins de changements de série urgents. (14) C’est un signal d’alerte : les totaux hebdomadaires peuvent être précis alors que le mix produit et le calendrier quotidien nécessaires à la production restent faux. L’article ne fournit ni formule d’erreur, ni date d’émission de la prévision, ni évaluation correspondante étayant ce lien.

Le cas ZAMP rend visible ce problème de résolution. Le titre annonce 92% de précision, tandis que les résultats détaillés mentionnent séparément 70% au niveau magasin. Le projet comprend des prévisions quotidiennes par SKU pour les restaurants, mais l’article ne définit ni la métrique, ni l’horizon, ni l’agrégation derrière ces deux pourcentages. (13) Le titre ne peut être interprété comme une précision de 92% sur les besoins quotidiens en ingrédients de chaque restaurant.

M5 illustre l’ampleur possible de cet effet. Recalculer ses cinquante meilleures soumissions publiques de prévisions ponctuelles sur la période finale de test de 28 jours avec 100 × (1 − WAPE) donne 22,1–25,1% au niveau SKU/magasin/jour, contre 95,8–98,2% après regroupement des produits et magasins par jour. Les prévisions ne changent pas ; l’agrégation annule des erreurs. Ce diagnostic utilise l’erreur absolue en volume unitaire, tandis que le classement officiel M5 utilisait WRMSSE. (15)

La description du demand sensing de o9 associe signaux externes, actualisations fréquentes, prévision hiérarchique et résultats quotidiens ou intrajournaliers. (7) Le mot « sensing » n’ajoute aucun sens informatique. Le test pertinent consiste à déterminer si ces signaux améliorent les décisions face à une prévision disposant de la même date limite d’information et de la même fréquence d’actualisation. Une meilleure estimation reçue après engagement de la production ne peut réparer cette décision. La validation doit atteindre le produit, le lieu et l’échéance de décision, puis mesurer les marges, pertes et coûts du capital obtenus.

Planifier les articles les moins prévisibles

La description de formation de o9 d’octobre 2025 classe les combinaisons article-emplacement dont le coefficient de variation dépasse 0,7 comme peu prévisibles. Les réponses recommandées comprennent nettoyage des données, règles spécifiques à certains articles, remontée dans la hiérarchie produit ou regroupement d’articles, et obtention de prévisions partagées auprès des clients et distributeurs. (42) Cela révèle le traitement doctrinal de la demande difficile : rechercher une représentation plus stable et compléter la prévision par des règles et de la collaboration.

L’agrégation laisse subsister un problème d’allocation. Une prévision stable pour une famille de produits ne détermine pas la taille, la couleur ou l’emplacement qui aura besoin du stock. Répartir ce total entre articles exige des hypothèses sur leurs proportions et dépendances. Une règle affectant répétitivement trop à un article et trop peu à un autre peut préserver une excellente prévision familiale tout en créant simultanément surstocks et ruptures. Le test économique porte sur ces décisions après désagrégation.

Les recommandations de collaboration et de règles spécifiques comportent aussi un coût de main-d’œuvre. Quelqu’un doit repérer les cas particuliers, entretenir leur traitement, collecter les avis externes et réconcilier les désaccords lorsque l’assortiment évolue. Ces tâches se concentrent sur la demande la plus difficile à prévoir. Les chiffres d’automatisation limités aux articles stables peuvent donc laisser intact le travail le plus coûteux. La description de formation ne mesure pas la charge de ce traitement proposé pour les articles peu prévisibles. (42)

La formation Forecast Value Add de o9 évalue si les changements du processus de prévision améliorent sa qualité, puis présente cela comme une mesure de la valeur de l’effort de prévision. (43) L’amélioration de l’erreur ne peut, seule, valoriser cet effort ni ses conséquences sur les stocks. Un ajustement peut réduire l’erreur sans changer une commande parce qu’une quantité minimale s’impose ; un autre peut arriver après engagement de l’achat. Les deux peuvent améliorer la métrique sans améliorer la décision. Évaluer économiquement l’intervention exige de mesurer son effet sur achats, ruptures, pertes et coût de main-d’œuvre.

LP/MIP : le coût de la simplification du problème

La dépendance aux LP/MIP constitue un signal d’alerte architectural lorsque l’objectif annoncé est d’optimiser la supply chain comme un système. La difficulté informatique commence avant de représenter l’incertitude. Commandes minimales et frais de lancement de production créent des choix discrets, non convexes, qu’un LP pur doit simplifier. Lisser ces discontinuités peut modifier les achats ou séries de production qui paraissent rentables. Les variables entières conservent ces choix en ajoutant une recherche combinatoire, dont le coût peut devenir prohibitif avec les interactions entre produits, lieux et périodes. (37)

Étendre ce modèle aux futurs possibles aggrave la charge de calcul. L’approche en forme extensive ajoute des décisions et contraintes dépendant des scénarios, avec des liens empêchant l’achat d’aujourd’hui de dépendre d’une information révélée seulement plus tard. (38) Chaque histoire possible comporte ses propres choix ultérieurs de stock, production et allocation. Représenter ainsi l’incertitude accroît la taille et le couplage d’un modèle déjà difficile. La possibilité d’un encodage mathématique ne prouve aucune capacité pratique en supply chain.

Les ramifications entre étapes de décision successives rendent l’expansion particulièrement sévère. Un arbre illustratif comportant trois issues à chacune de douze étapes de ramification possède 531 441 chemins terminaux. Chaque chemin porte un historique d’issues et de décisions ; leur nombre croît avant même d’ajouter des produits ou lieux. La recherche sur les modèles de stock multiétapes identifie explicitement cette croissance exponentielle comme une raison de rechercher des approximations plus simples. (46) Le test opérationnel consiste à savoir si le modèle conserve l’incertitude déterminante et les choix non convexes dans la mémoire disponible et avant l’échéance de décision. Une petite démonstration de scénarios n’établit pas ce résultat à l’échelle d’une entreprise.

L’annonce cuOpt de juillet 2026 présente un LP de supply chain d’environ 30 millions de variables et 15,7 millions de contraintes. Elle donne 661,7 secondes pour un solveur commercial sur CPU et 57,4 secondes pour cuOpt sur une NVIDIA B200, avec des valeurs d’objectif différant d’environ 0,008%. (11)

L’article technique précise que la référence CPU dispose de huit cœurs et de 32 Go de RAM, donne la version de cuOpt et traite d’anciennes violations de contraintes sur H100. Le résultat démontré concerne le LP ; l’accélération GPU des problèmes entiers mixtes et non linéaires reste à réaliser. Le modèle, l’identité et les réglages du solveur CPU, ainsi que la comparaison de coût d’infrastructure sont absents. (12) Les temps démontrent l’accélération de ce modèle ; la quasi-égalité des objectifs ne mesure pas sa fidélité à l’économie opérationnelle.

En MIP, de faibles relaxations continues produisent des bornes peu serrées et peuvent laisser un travail de recherche considérable aux méthodes de branch-and-bound et de plans coupants. (39) L’expansion des scénarios ajoute à cette charge. Le benchmark de o9 ne divulgue ni structure de scénarios, ni modèle conjoint demande/délai, ni validation économique sur des issues inédites. (12) Son grand LP n’apporte aucun élément sur la faisabilité informatique d’un MIP stochastique conservant le même périmètre de réseau et des choix discrets réalistes.

La question plus profonde est ce qui se passe lorsque les résultats opérationnels révèlent une formulation défectueuse. Un écart d’optimalité mesure la progression vers l’optimum du problème encodé ; il ne peut révéler un coût de rupture omis ou un champ de délai mal interprété. Même tester les décisions face à ce même objectif peut préserver ses angles morts. La perspective d’holimisation traite la formulation elle-même comme un objet à examiner et réviser. (50) Une architecture de solveur devient un obstacle lorsque l’intégration d’une interaction économique nouvellement découverte exige une réingénierie prohibitive, détruit la faisabilité du calcul ou oblige à exclure de nouveau cette interaction. La capacité pertinente est le processus d’amélioration de la logique décisionnelle, y compris ce que le système optimise.

Réduire les scénarios ou raccourcir l’horizon peut permettre au modèle de terminer en éliminant des futurs qui déterminent les coûts de rupture, d’obsolescence ou d’expédition urgente. Le diviser en problèmes indépendants par produit ou site peut supprimer la concurrence pour trésorerie, composants et capacité. La réduction de scénarios exige donc des tests économiques sur des issues inédites, et la décomposition une coordination explicite des ressources partagées. Le benchmark publié n’explique pas quelles interactions ni quel périmètre décisionnel ont été conservés pour obtenir son temps d’exécution. (11) Résoudre répétitivement des plans à prévision ponctuelle ne prouve pas que ces coûts d’incertitude entrent dans le calcul.

Le communiqué extrapole aussi ce calcul CPU de onze minutes à des charges auparavant traitées durant la nuit qui deviendraient disponibles en moins d’une minute. (11) La préparation des données, la génération du modèle et le traitement aval ne sont pas mesurés. Ni cette promesse élargie de vitesse ni la valeur économique du plan calculé ne découlent des temps de solveur rapportés.

La technologie de NVIDIA et la contribution de o9

NVIDIA a publié cuOpt sous licence Apache 2.0 et documente le remplacement du solveur dans les outils de modélisation existants avec des modifications minimales, ainsi qu’une interface en ligne de commande pour tester des fichiers de modèle standards. (40) Le solveur est disponible aux autres fournisseurs aux mêmes conditions. Son adoption ne donne à o9 aucun avantage algorithmique exclusif.

Le récit de o9 décrit intégration, benchmarks et réglage des paramètres. Il n’identifie aucune modification du solveur écrite par o9 ni amélioration par rapport à cuOpt non modifié. (12) L’annonce confère à la plateforme un halo tiré du solveur et du matériel NVIDIA, tout en laissant indéfinie la contribution numérique propre à o9. Une ingénierie distinctive en supply chain montrerait une formulation, un algorithme ou un processus décisionnel complet amélioré, avec des gains mesurés après coûts de calcul et d’exploitation. Le temps de solveur publié n’établit aucun de ces résultats.

Agents et productivité de la planification

Les agents composites de o9 de 2024 ont été entraînés sur les séquences de tâches d’experts en planification et utilisés pour des analyses prévisionnelles et des explications rétrospectives. Son exposé neurosymbolique de 2026 décrit un LLM interprétant une question, une couche intermédiaire numérique et à règles réalisant les analyses, puis un LLM retournant une synthèse. La division 10–80–10 annoncée n’a ni unité de travail définie ni répartition mesurée du temps de calcul, du coût ou de l’erreur. (20, 9)

La principale question opérationnelle est la quantité de travail qui disparaît. Un agent peut produire une explication plus vite tout en laissant le planificateur responsable de la même décision. Diagnostiquer sans cesse des exceptions et modifier des paramètres est un aboutissement médiocre pour l’automatisation lorsqu’un meilleur calcul pourrait traiter les cas ultérieurs sans intervention.

o9 rapporte certaines réductions du travail client. Les responsables des restaurants ZAMP consacraient 30% de temps en moins à passer commande. Hormel a signalé 52% de personnes en moins modifiant manuellement les recommandations de déploiement des stocks, et 35% de modifications de production en moins après l’introduction de référents fonctionnels. (13, 32) Ces chiffres concernent certaines tâches et certains comportements. Ils ne donnent ni effectif total, ni effort de support, ni travail par produit et lieu à qualité de décision comparable.

Le cas de la chaîne de cafés part d’environ six heures quotidiennes consacrées aux commandes, aux stocks et aux prévisions, puis décrit une automatisation avec intervention manuelle minimale. Il cite les heures économisées parmi les KPI affectés sans rapporter la charge restante. (31) La comparaison des coûts doit inclure le travail du client, du fournisseur et du partenaire d’intégration, maintenance, tests et reprise compris. Elle doit aussi montrer comment ce total augmente avec l’activité. Faire mieux qu’un ancien processus manuel constitue une référence insuffisante face à la productivité désormais accessible avec un logiciel de décision exécutable.

Histoire technologique : percées récurrentes, suivi incomplet

Depuis une décennie, o9 présente des technologies successives comme des percées dans la décision d’entreprise. Son histoire technique donne corps à un thème persistant : un modèle métier partagé au service d’une coordination plus rapide.

Le brevet US12051026B2, délivré en juillet 2024 et revendiquant une priorité de septembre 2014, décrit un moteur de dépendances identifiant les calculs affectés par un changement de données et les recalculant dans l’ordre requis. Il relie des mesures hiérarchiques et non hiérarchiques entre modèles de planification et permet de sauvegarder des scénarios. Les scénarios fondés sur des objectifs remontent depuis les résultats souhaités, avec des indications de maximisation/minimisation et des priorités. (44)

Cette conception répond à un problème d’ingénierie concret : garder cohérents des calculs liés sans tout relancer à chaque changement. Par exemple, un coût d’intrant révisé peut se propager aux coûts produit et marges projetées partout où le modèle les relie.

L’exposé neurosymbolique de 2026 ajoute LLM, extraction de connaissances et analyse causale autour de l’EKG. (9) La valeur prédictive des relations nouvellement inférées dépend de leur validation. La propagation des dépendances exécute les relations fournies ; elle ne peut établir qu’elles prédisent l’effet d’une intervention. Une modification de prix peut, par exemple, actualiser le chiffre d’affaires de manière cohérente tout en reposant sur une réaction erronée de la demande. Sans validation de cette réaction, accélérer la production de scénarios peut accélérer une mauvaise décision tarifaire.

Période et technologie Éléments datés Conséquence pour la promesse actuelle
Gestion des décisions dans le cloud, 2016 L’annonce d’août décrivait la plateforme mPower pour les ventes, la supply chain, les produits et le compte de résultat. (16) Planification transversale et alignement financier constituaient déjà la proposition ; leur présence n’est pas une nouvelle capacité d’IA.
Intelligence augmentée, 2017 Le lancement de février promouvait l’IA et la création de valeur en 30–60 jours pour un premier processus central. (17) Le communiqué ne fournit aucune référence de coût pour mesurer les promesses de productivité ultérieures.
Supply chain autonome, 2019 Le communiqué de mai annonçait des assistants numériques et des recommandations automatisées améliorant les bénéfices. (51) La promesse d’autonomie ne s’accompagnait d’aucune mesure de la couverture des décisions sans intervention ni du travail humain restant.
Machine learning et jumeaux numériques, 2021–2022 Octobre 2021 a apporté l’intégration de Vertex AI Forecast de Google ; octobre 2022 a ajouté Supply Sensing prédictif. (19, 8) Des algorithmes externes et des alertes à plus longue échéance ont été annoncés, mais leurs résultats économiques incrémentaux restent non chiffrés dans ces récits.
Programmes bêta d’IA générative, 2023 L’annonce d’août décrivait une R&D précoce et des programmes bêta clients. (52) De nouvelles capacités LLM entraient en essais clients ; leurs bénéfices opérationnels restaient à venir.
IA générative et agents composites, 2024 L’annonce de juillet organisait les agents autour des séquences suivies par les experts en planification. (20) Automatiser la séquence de tâches d’un expert laisse à évaluer sa logique de décision et sa charge récurrente.
Adoption du ML par les clients, 2025 Mankind Pharma rapportait des gains opérationnels alors que son cas d’octobre présentait encore la prévision ML et MEIO comme étapes futures. (22, 45) Le récit du déploiement étaye les améliorations du système de planification installé ; il ne permet pas de les attribuer à des méthodes encore prévues.
APEX et IA neurosymbolique, 2026 L’annonce de mars associait les LLM à l’EKG existant. L’exposé technique présente le cœur symbolique comme un investissement de quinze ans. (21, 9) La nouvelle interface et l’orchestration nécessitent une contribution propre mesurée au-delà du moteur préexistant.
Optimisation GPU, juillet 2026 Un benchmark LP utilisait le solveur public cuOpt de NVIDIA et du matériel B200. (11, 40) L’intégration n’attribue pas automatiquement le mérite de l’innovation amont ; les améliorations numériques propres à o9 et les gains nets de planification restent à établir.

Le communiqué de mai 2019 reliait l’EKG et l’IA/ML à une supply chain « autonome » et à des recommandations maximisant les bénéfices. Les fonctions invoquées comprenaient traitement du langage, courriels étiquetés, connexions aux capteurs, stockage Hadoop et algorithmes R/Python clients. Il ne rapportait aucune couverture mesurée de l’autonomie, charge de repli ou résultat économique. (51) Une recherche peut faire ressortir une rupture tout en laissant sa résolution économique et son exécution au planificateur. Le saut entre ces fonctions et une supply chain autonome est un signal de surpromesse.

En août 2023, o9 a explicitement décrit l’IA générative appliquée aux décisions de gestion comme un travail précoce et annoncé des programmes bêta clients. (52) Son lancement APEX de mars 2026 rapportait que plusieurs pilotes d’IA étaient passés en production en 2025. (21) Ces annonces laissent inexpliqués le périmètre et la réalisation de la promesse d’autonomie de 2019 : quelles décisions fonctionnaient sans surveillance, où les personnes restaient nécessaires et quels gains économiques subsistaient après le coût d’exploitation. Les nouvelles capacités LLM ne peuvent étayer rétrospectivement cette ancienne promesse. Répéter les annonces de percées sans rendre ces comptes affaiblit la crédibilité de la proposition d’autonomie actuelle.

Nomenclature logicielle et coût d’exploitation

L’environnement de planification de o9 combine stockage propriétaire en mémoire, traitement distribué des données, configuration client et outils numériques externes. Ses articles d’architecture, formations et recrutements d’ingénieurs décrivent plusieurs couches distinctes.

Couche Composants et rôle documentés Sources
Modèle de planification GraphCube propriétaire en mémoire, échangeant avec le data lake du client ; le brevet décrit recalcul guidé par dépendances et scénarios liés Explication du stockage de mars 2024 et brevet du modèle de graphe. (23, 44)
Traitement distribué des données Delta Lake et Apache Spark ; Integration 3.0 utilise datastores, datanodes et pipelines de transformation Article d’architecture de mars 2024 et atelier actuel d’intégration. (24, 26)
Ingénierie des données de mise en œuvre SQL Server, MySQL, Delta Lake, Spark, T-SQL et PySpark dans les missions d’intégration Offre Associate Architect de o9, référence JR102899. (25)
Modèles et extensions clients Règles et requêtes IBPL, concepteurs de modèles/rapports/mises en page et algorithmes Python clients Atelier technique et cas de la chaîne de cafés. (28, 31)
Exécution d’applications tierces, conception brevetée Registres de conteneurs gérés, API d’orchestration et stockage partagé isolé par locataire, application et exécution Brevet d’exécution de conteneurs de juillet 2026. (48)
Optimisation numérique Heuristiques, solveurs LP/MIP, moteurs externes et combinaison cuOpt/B200 démontrée Page de planification des approvisionnements et benchmark de juillet 2026. (2, 11)
Connexion Snowflake Voie d’intégration des données client avec échange d’entrées et de sorties de planification entre systèmes Annonce Connected Application de mai 2026. (30)

L’article sur le stockage décrit explicitement l’importation des données pertinentes dans GraphCube tout en conservant le data lake client comme source de référence. (23) Cette architecture engendre des coûts de synchronisation, mémoire et reprise. Les transformations Spark et Delta Lake ajoutent une autre couche d’exécution et de stockage. L’offre d’emploi confie aux ingénieurs pipelines par lots, validation, défauts de déploiement et support continu des intégrations. (25)

Un modèle logique partagé ne fait pas disparaître ces coûts physiques. La plateforme doit déplacer et transformer les données, entretenir des définitions compatibles et reprendre après l’échec d’une étape. L’architecture publique ne chiffre pas ces coûts pour une charge représentative de planification. L’article de passage à l’échelle rapporte une multiplication par trente des croisements de données chez un distributeur anonyme, sans chiffres associés de matériel, de traitement ou de coût d’exploitation. (24)

La promesse de passage à l’échelle illimité est particulièrement mal étayée par ce dossier. Les propres formations de la plateforme couvrent optimisation des performances et gestion de mémoire pour éviter le plantage des instances clients. (1, 29) Ce sont des limites pratiques d’exploitation à budgéter par les acheteurs. La mesure utile est le coût de production et de maintenance des décisions à l’échelle requise, plutôt que le volume de données accueilli par la plateforme.

Modifier ce que le système optimise

L’atelier technique de o9 enseigne construction de modèles, requêtes IBPL, règles de données et tableaux de bord. Son atelier EKG enseigne l’intégration guidée par métadonnées via une interface low-code sur PySpark et Spark SQL. (28, 27) Ces activités créent des dépendances exécutables. Quelqu’un doit les comprendre et les tester lorsque produits, contraintes, données ou règles métier changent.

L’article de o9 sur la planification de la demande reproche aux anciens systèmes de rendre les utilisateurs dépendants de fournisseurs informatiques ou de consultants pour modifier les modèles. (18) Config 2.0 propose Git, processus collaboratifs, résolution des conflits et correctifs urgents ; les parcours de formation comprennent stratégie de tests, responsabilités de publication, reprise et optimisation des performances. (29) Ces contrôles aident les développeurs à maintenir la logique client. Ils exposent aussi le travail spécialisé continu que masque la simple expression « plateforme configurable ».

Le récit du déploiement chez Hormel décrit des référents fonctionnels participant à la conception, aux tests, à la formation, à la communication avec la direction et au support après démarrage. (32) Ces responsabilités appartiennent au coût total de possession, aux côtés des abonnements, de l’infrastructure, des services du fournisseur et de la planification courante. Réduire les modifications manuelles peut économiser du travail, mais l’effort nécessaire pour maintenir cette réduction doit également être compté.

La maintenance la plus déterminante change le problème résolu. Une mauvaise allocation récurrente peut révéler que l’objectif omet un coût, qu’un champ ERP signifie autre chose que ce que suppose le modèle ou qu’une action utile manque au calcul. Ces découvertes exigent de réviser le calcul et son interprétation de l’activité. L’holimisation explicite ce travail : diagnostiquer l’échec, réviser la formulation, rejouer ou tester les décisions en parallèle, puis déployer la correction dans des conditions contrôlées. (50)

La démonstration fournisseur de o9 propose de revoir les hypothèses de délai, d’autres fournisseurs et les règles de planification après identification de retards saisonniers par un planificateur. (10) Considérons une étape diagnostique supplémentaire : si une rupture récurrente provient de la façon dont l’ERP enregistre les dates de réception, relever le paramètre de délai peut masquer l’erreur d’interprétation. Si plusieurs produits dépendent du même envoi retardé, ajuster leurs réserves individuellement peut laisser leur exposition commune non modélisée. La correction doit atteindre la sémantique des données et les dépendances pertinentes, puis être évaluée face aux conséquences opérationnelles qui ont révélé le défaut.

Les outils de création et de publication de o9 permettent des changements de modèle. La démonstration étudiée ne suit pas une modification d’objectif ou de structure décisionnelle à travers tests, déploiement et résultats économiques ultérieurs. Elle ne chiffre pas non plus l’effort d’ingénierie. Celui-ci entre dans le coût de possession : remappage des données, reformulation, tests de régression, délais de déploiement et travail manuel conservé parce que le modèle révisé coûte trop cher à exécuter. Exécuter rapidement la formulation initiale dit peu du coût nécessaire pour la rendre économiquement adéquate.

Responsabilité quant aux résultats économiques

Le rapport annuel FY2024–25 de Mankind Pharma décrit un changement opérationnel précis : passer de prévisions nationales à une planification par implantation d’agent de stockage et d’expédition pour plus de 1 200 SKU. Il attribue à ce changement avec o9 une baisse de la probabilité de perte de vente de 3–4% à moins de 0,5%, ainsi qu’une réduction des jours de stock. Le même rapport décrit des programmes simultanés d’entreposage, d’achat et de logistique. (45) Une planification géographique plus fine peut révéler des ruptures cachées par le total national, tandis que relier demande, approvisionnements et logistique permet au réapprovisionnement d’y répondre plus tôt.

Le récit de o9 d’octobre 2025 rapporte séparément 20% de stock en moins et 80% de pertes de service en moins, plus de 400 utilisateurs et un an et demi de mise en œuvre. Il présente la prévision par machine learning et l’optimisation multi-échelons des stocks comme des étapes ultérieures. (22) Ces résultats étayent la valeur des changements de planification déjà déployés. Ils ne peuvent établir la contribution du ML et de MEIO encore décrits comme futurs. Les deux sources ne donnent pas de définition commune de la perte de service.

La comparaison pertinente est le rendement de ce modèle opérationnel déployé. Planification plus fine, données partagées, changements de processus et améliorations logistiques simultanées offrent plusieurs voies d’amélioration du service. Identifier leurs contributions exige le calendrier et le périmètre de chaque changement, coûts de mise en œuvre et récurrents compris. Quatre cents utilisateurs indiquent une adoption ; leur nombre ne mesure ni les heures économisées ni l’effort pour pérenniser les gains. Les référents fonctionnels de Hormel assurent eux aussi un travail continu de conception, tests, formation et support. (32) Ces obligations doivent être chiffrées avant d’attribuer des rendements nets au logiciel.

L’annonce APEX de o9 promet des améliorations répétées de croissance, marges et flux de trésorerie, puis étaye son récit d’exécution par les nombres de déploiements et l’adoption. (21) Une mise en service mesure la livraison du logiciel. Le test commercial exige des rendements après ses coûts de maintenance et d’exploitation, face à une référence et sur une période définies.

Le cadre rétrospectif propose de retracer les décisions et d’expliquer les écarts. (9) Il pourrait renforcer la responsabilité s’il distingue une mauvaise recommandation d’une modification client, d’un échec d’exécution et d’une issue défavorable mais plausible sous l’incertitude initiale. Le récit public n’explique pas comment ces diagnostics se traduisent en responsabilité fournisseur ou en remèdes lorsqu’un projet manque son objectif économique. Sans cette limite, les exigences de meilleures données, de meilleurs processus et de plus forte adoption peuvent rester sans fin tandis que les rendements promis par le produit ne sont toujours pas testés.

Python des praticiens et sécurité en production

Le cas de la chaîne de cafés décrit l’équipe de data science d’un client exécutant ses propres algorithmes Python sur o9 pour la prévision et le réapprovisionnement par magasin. (31) Cela crée une exigence de sécurité en plus de l’exigence de calcul. Le code de praticiens opérant sur des données de production doit être considéré comme potentiellement défectueux ou compromis, paquets importés et ajouts générés par IA compris. Les droits d’un utilisateur légitime ne rendent pas fiables tous les programmes qu’il exécute.

o9 décrit plusieurs contrôles pertinents. Sa page de sécurité énumère des fonctions d’identité et des cadres ISO/SOC. Son article Responsible AI d’avril 2026 va plus loin : les agents ont des identités explicites, des droits limités sur les outils vérifiés avant exécution, des pistes d’audit et des mécanismes d’arrêt. (34, 47) Un brevet de juillet 2026 décrit des images de conteneurs tierces analysées pour détecter des vulnérabilités avant admission dans des registres internes, un déploiement autorisé, des configurations de ressources et une isolation des chemins de stockage entre locataires, applications et exécutions. (48) Ces publications traitent de gouvernance des agents et d’une conception de déploiement de conteneurs ; elles n’identifient pas les règles effectivement imposées à l’exécution du Python client décrit dans l’étude de cas.

La distinction compte une fois le code lancé. Un paquet compromis peut tenter d’envoyer les données qu’il lit légitimement vers une destination externe. Un accès en lecture seule à la base n’empêche pas cette divulgation. Un script défectueux peut épuiser les ressources ou produire des résultats de planification corrompus sans exploiter de vulnérabilité connue. Analyser une image ne prouve pas que le comportement d’un programme est sûr pour les données et l’autorité reçues. L’environnement d’exécution doit imposer des restrictions que le programme ne peut retirer.

Les documents publiés précisent insuffisamment ces restrictions : connexions sortantes du code arbitraire bloquées ou non par défaut, identifiants accessibles, limites des écritures et personnes autorisées à modifier les droits. Le brevet décrit des contextes de sécurité et des réseaux configurables, sans donner les règles effectivement applicables aux programmes des praticiens. (48) Le seul conditionnement en conteneurs ne résout pas ce problème. Kubernetes recommande lui-même un cloisonnement renforcé pour le code non fiable, car les conteneurs ordinaires partagent le noyau de l’hôte. (49)

Le Python client constitue donc un signal d’alerte de sécurité important tant que son confinement en production n’est pas démontré. Le périmètre requis couvre accès aux données, trafic réseau, secrets, consommation de ressources et promotion du code et des dépendances en production. Laisser les praticiens établir cette frontière transférerait l’ingénierie de sécurité à des personnes dont le métier est l’analyse de supply chain.

Accès technique et portabilité

Le portail Guide annonce des API d’interface pour accéder aux données GraphCube et une documentation de configuration des instances clients. Ses liens API et wiki mènent à des pages d’autorisation. (33) Les plans de formation exposent les sujets enseignés, sans fournir d’implémentation publiquement reproductible des décisions numériques de la suite.

Les algorithmes Python clients et la configuration gérée par Git donnent aux clients le contrôle de certaines parties de leur solution. Les documents publics n’expliquent pas comment exporter et exécuter indépendamment de o9 un modèle décisionnel complet, règles propriétaires et orchestration des solveurs comprises. (29, 31) Cela limite la portabilité de l’investissement d’ingénierie.

Note en supply chain

Profondeur en supply chain : 3,8/10

Sous-note /10 Fondement
Cadrage économique 5 Scénarios financiers, coûts de stock et priorités de rentabilité sont explicites ; la valorisation incrémentale conjointe reste inexpliquée.
Décisions comme résultat final 5 Des commandes d’achat et de transfert sont produites ; les processus plus larges conservent l’arbitrage humain.
Clarté conceptuelle en supply chain 4 Les relations transversales sont modélisées, mais les données partagées sont régulièrement confondues avec des décisions optimisées.
Indépendance vis-à-vis des doctrines centrales obsolètes 3 Prévisions consensuelles, objectifs de service et classes ABC restent centraux.
Résistance au théâtre des KPI 2 Précision agrégée et chiffres d’automatisation par tâche étayent des promesses plus larges sans mesures correspondantes.

Moyenne arithmétique : (5 + 5 + 4 + 3 + 2) / 5 = 3.8.

Cadrage économique — 5/10. L’analyse de l’allocation identifie des priorités de rentabilité aux côtés des coûts de stock et scénarios financiers. Le processus publié n’établit pas comment ces priorités comparent la contribution attendue de l’unité suivante ni comment les calculs coordonnent achats, production et choix commerciaux.

Décisions comme résultat final — 5/10. L’application de distribution génère explicitement des commandes d’achat et de transfert de stock. Le processus d’entreprise plus large dépend encore de personnes comparant les scénarios et engageant les choix déterminants. (3, 41)

Clarté conceptuelle en supply chain — 4/10. o9 traite les relations entre fonctions et horizons. Sa proposition centrale de graphe ne précise pas comment les ressources rares sont allouées lorsque des plans réalisables s’opposent économiquement.

Indépendance vis-à-vis des doctrines centrales obsolètes — 3/10. Une prévision réconciliée et des objectifs de service segmentés organisent le processus documenté. Les recommandations de prévisibilité ajoutent agrégation, règles spécifiques et collaboration pour les articles difficiles, laissant irrésolues leur économie d’allocation et leur charge récurrente. (5, 6)

Résistance au théâtre des KPI — 2/10. L’analyse de précision relève des agrégats hebdomadaires associés à des bénéfices détaillés de production et un titre ZAMP nettement supérieur au chiffre par magasin rapporté séparément. L’absence de définitions et de comparaisons économiques empêche ces pourcentages d’étayer la qualité décisionnelle promise.

Substance des décisions et de l’optimisation : 4,4/10

Sous-note /10 Fondement
Profondeur de la modélisation probabiliste 4 Stocks stochastiques et probabilités de perturbation sont annoncés ; leur représentation conjointe et leur validation ne sont pas exposées.
Substance distinctive en optimisation ou ML 4 Solveurs externes et algorithmes clients sont documentés ; les temps LP ne valident pas le modèle économique.
Traitement des contraintes réelles 6 Capacité, rangs fournisseurs, périssabilité, différenciation retardée et rééquilibrage du réseau sont décrits.
Automatisation des décisions et productivité du travail 4 Des économies par tâche et moins de modifications manuelles sont rapportées ; le travail total et sa croissance restent inconnus.
Résilience face à la complexité opérationnelle réelle 4 Des outils d’édition de modèles existent ; corriger les formulations erronées en préservant les interactions économiques reste insuffisamment démontré.

Moyenne arithmétique : (4 + 4 + 6 + 4 + 4) / 5 = 4.4.

Profondeur de la modélisation probabiliste — 4/10. MEIO annonce la variabilité de la demande et des approvisionnements, mais l’analyse de l’incertitude ne trouve aucune projection conjointe divulguée de la demande et des réceptions futures alimentant la sélection des commandes. Les recommandations sur la faible prévisibilité décrivent règles et agrégation sans suivre l’incertitude restante jusqu’aux allocations. Les probabilités, leur calibration et leur effet sur les décisions restent indéfinis.

Substance distinctive en optimisation ou ML — 4/10. o9 intègre des solveurs numériques et prend en charge des algorithmes clients. La publication cuOpt n’établit aucune amélioration numérique propre à o9, et son benchmark LP laisse formulation économique et approximations sans validation. Taille du modèle et proximité des objectifs des solveurs ne prouvent pas de meilleures décisions sous incertitude.

Traitement des contraintes réelles — 6/10. Rééquilibrage des stocks, durée de conservation, capacité fournisseur et différenciation retardée traitent des contraintes opérationnelles concrètes. Leur traitement conjoint avec les prix et les usages concurrents du capital reste peu clair. (2, 4)

Automatisation des décisions et productivité du travail — 4/10. Les récits clients identifient moins d’effort de commande et de modifications manuelles. Ils ne mesurent ni l’équipe d’exploitation complète, ni les coûts de support, ni le travail supplémentaire éliminé par les agents au-delà de l’automatisation antérieure.

Résilience face à la complexité opérationnelle réelle — 4/10. o9 permet l’édition de modèles et les règles réutilisables, mais le processus d’amélioration ne démontre pas la révision d’un objectif, d’une interprétation de données ou d’une structure de décision erronés, puis leur validation par les résultats d’exploitation suivants. La performance LP ne peut établir cette capacité. Les restrictions du solveur risquent aussi de faire disparaître par simplification des interactions économiques nouvellement reconnues lorsque la formulation change.

Intégrité du produit et de l’architecture : 4,6/10

Sous-note /10 Fondement
Cohérence architecturale 5 Un modèle commun relie les applications ; plusieurs couches d’exécution et leur sémantique économique restent incomplètement décrites.
Clarté des frontières du système 6 Data lakes, stockage de planification, solveurs externes et sorties aval ont des rôles identifiables.
Sérieux en matière de sécurité 4 Droits des agents et conception de sécurité des conteneurs sont documentés ; le confinement imposé au Python client reste inexpliqué.
Sobriété logicielle et coût de possession 3 Infrastructure, configuration et révisions du modèle décisionnel exigent une ingénierie durable ; les coûts totaux ne sont pas chiffrés.
Compatibilité avec les opérations programmatiques et assistées par agents 5 Extensions Python, IBPL et configuration Git soutiennent le développement ; la reproductibilité complète du modèle reste peu claire.

Moyenne arithmétique : (5 + 6 + 4 + 3 + 5) / 5 = 4.6.

Cohérence architecturale — 5/10. La publication sur le modèle de graphe explique recalcul guidé par dépendances et scénarios liés. La nomenclature logicielle révèle des couches distinctes de stockage, transformation et calcul ; leur intégration exige toujours des définitions cohérentes, des règles entretenues et des calculs économiques coordonnés.

Clarté des frontières du système — 6/10. L’explication du stockage identifie la source de référence client et la copie de planification. L’annonce Snowflake décrit entrées et résultats retournés. Cela délimite concrètement les responsabilités d’intégration. (23, 30)

Sérieux en matière de sécurité — 4/10. L’évaluation du code des praticiens trouve des droits limités d’agents et un brevet décrivant analyse d’images, déploiement autorisé et chemins de stockage isolés. Le dossier public ne relie pas ces contrôles à des règles imposées concernant réseau, identifiants, écritures et changements de droits du Python client. L’extensibilité avec accès aux données de production exige ce confinement pour limiter les dégâts des erreurs et dépendances compromises.

Sobriété logicielle et coût de possession — 3/10. La charge de maintenance comprend développement des modèles, tests d’intégration, réglages et support. Réviser objectifs, interprétations des données et décisions disponibles entraîne aussi des coûts d’ingénierie et de déploiement. Les récits clients ne chiffrent pas cet effort ni ne le relient à des améliorations durables des rendements et de la productivité du travail.

Compatibilité avec les opérations programmatiques et assistées par agents — 5/10. Code Python client, requêtes sur les règles et configuration versionnée peuvent soutenir des améliorations durables. La documentation publique ne montre pas l’exécution et les tests reproductibles du modèle économique complet à travers ces couches. (28, 29, 31)

Transparence technique : 3,8/10

Sous-note /10 Fondement
Documentation technique publique 5 Brevet de modèle de graphe, articles d’architecture, plans de formation et benchmark de solveur exposent des mécanismes ; les guides actuels de mise en œuvre exigent une autorisation.
Inspection sans médiation du fournisseur 4 Les clients peuvent développer modèles et extensions ; les formulations sous-jacentes restent largement non divulguées au public.
Portabilité et visibilité du verrouillage 2 Export et exécution indépendante d’un modèle décisionnel complet sont inexpliqués.
Transparence de la méthode de mise en œuvre 5 Formations, missions d’ingénierie et récits clients identifient un travail substantiel de mise en œuvre et de maintenance.
Densité des preuves derrière les affirmations techniques 3 Les temps de solveur sont détaillés ; les promesses causales, prédictives et autonomes sont beaucoup moins validées.

Moyenne arithmétique : (5 + 4 + 2 + 5 + 3) / 5 = 3.8.

Documentation technique publique — 5/10. L’analyse du brevet fournit des mécanismes concrets d’évaluation des dépendances et de génération des scénarios, aux côtés des documents publics d’architecture et de LP. La vérification d’accès trouve toujours des guides actuels restreints ; la conception historique n’offre pas une description reproductible du moteur décisionnel complet actuel.

Inspection sans médiation du fournisseur — 4/10. Les algorithmes clients et modèles configurables sont inspectables dans leur périmètre de développement. Les sources étudiées n’exposent pas l’objectif complet, le traitement de l’incertitude et le chemin d’exécution derrière l’optimisation de toute la suite.

Portabilité et visibilité du verrouillage — 2/10. Git peut préserver l’historique de configuration sans rendre portable le comportement d’un moteur propriétaire. La documentation publique laisse inconnus le coût et la faisabilité du transfert de la solution client complète vers une autre plateforme.

Transparence de la méthode de mise en œuvre — 5/10. Ateliers, offre d’ingénierie et récits de déploiement identifient modélisation, tests, intégration et responsabilités organisationnelles continues. Besoins en personnel et coûts récurrents ne sont pas chiffrés. (25, 28, 32)

Densité des preuves derrière les affirmations techniques — 3/10. Le benchmark numérique comporte des paramètres concrets. Prédiction des perturbations, attribution causale et proposition élargie de productivité des agents manquent d’une validation comparable des résultats.

Sérieux du fournisseur : 3,8/10

Sous-note /10 Fondement
Sérieux technique de la communication publique 4 Des détails précis sur les solveurs coexistent avec un discours d’échelle illimitée et des extrapolations non étayées.
Intégrité de la feuille de route technologique 3 La promesse d’autonomie de 2019 reste non évaluée tandis que les annonces suivantes introduisent des bêtas LLM et des pilotes d’IA passant en production.
Clarté conceptuelle 4 Le modèle d’entreprise est un thème constant, mais la coordination des planificateurs reste centrale dans le modèle opérationnel proposé.
Responsabilité économique 3 Résultats et responsabilités clients sont décrits ; critères de rendement net et remèdes à l’échec restent publiquement indéfinis.
Défendabilité dans un monde de logiciels agentiques 5 Modèles métier et intégrations demandent du travail pour être reproduits ; interfaces et solveurs externes différencient moins.

Moyenne arithmétique : (4 + 3 + 4 + 3 + 5) / 5 = 3.8.

Sérieux technique de la communication publique — 4/10. Le récit LP identifie limites et problèmes numériques antérieurs. La communication élargie extrapole ce résultat à la planification nocturne et promeut une échelle illimitée sans benchmark de coût d’exploitation.

Intégrité de la feuille de route technologique — 3/10. L’histoire datée documente une vaste promesse d’autonomie en 2019, suivie de programmes bêta d’IA générative en 2023 et d’un récit ultérieur de pilotes d’IA passant en production en 2025. Les lancements ne rendent pas compte de la réalisation de la promesse initiale. Le déploiement Mankind sépare également les gains rapportés du ML et de MEIO encore prévus pour plus tard. Ce suivi insuffisant mine la crédibilité des percées successivement annoncées.

Clarté conceptuelle — 4/10. Un modèle d’entreprise commun constitue une orientation d’ingénierie cohérente. Prévisions consensuelles, séquences de tâches d’experts et corrections de paramètres conservent un rôle important, laissant inachevée la progression vers des décisions économiquement autonomes.

Responsabilité économique — 3/10. L’analyse Mankind associe gains de service déclarés par le client, effort de mise en œuvre documenté et capacités prévues ultérieurement. Les résultats n’isolent pas la contribution du logiciel et n’établissent pas les rendements après coûts récurrents. Les engagements publics laissent toujours indéfinis les obligations organisationnelles et les remèdes en cas d’objectif économique manqué.

Défendabilité dans un monde de logiciels agentiques — 5/10. Modèles métier, intégrations clients et moteur de planification constituent une ingénierie accumulée. Solveurs externes et interfaces conversationnelles sont plus faciles à obtenir ailleurs. L’avantage durable doit provenir de meilleures décisions et d’un effort d’exploitation total plus faible, encore insuffisamment mesurés.

Note globale : 4,1/10

(3.8 + 4.4 + 4.6 + 3.8 + 3.8) / 5 = 4.08, arrondi à 4,1/10.

o9 offre un environnement étendu pour construire et coordonner des plans d’entreprise. Ses preuves publiques sont beaucoup plus faibles sur le calcul économique conjoint, l’incertitude validée et le travail total requis pour l’exploiter. Le principal risque d’investissement est de payer une organisation de planification sophistiquée sans obtenir un système de décision d’une productivité correspondante.

Dossier de sources

Sources consultées le 3 novembre 2026. Les citations externes renvoient à des copies d’archives horodatées et vérifiées.

[1] Plateforme Digital Brain

o9 Solutions : plateforme Digital Brain. Sans date. Périmètre fonctionnel, modèle d’entreprise partagé et promesses de passage à l’échelle.

[2] Planification de supply chain

o9 Solutions : planification de supply chain. Sans date. Familles de solveurs, modélisation de capacité, résultats opérationnels et automatisation.

[3] Digital IBP

o9 Solutions : Digital IBP. Sans date. Scénarios financiers, synchronisation des plans et processus de décision de direction.

[4] Optimisation multi-échelons des stocks

o9 Solutions : optimisation multi-échelons des stocks. Sans date. Coûts de stock, différenciation retardée, rééquilibrage du réseau, conservation et promesses de modélisation stochastique.

[5] Planification collaborative de la demande

o9 Solutions : planification collaborative de la demande. Sans date. Prévision consensuelle, réconciliation automatique et base commune de demande.

[6] Doctrine de planification du réapprovisionnement

o9 Solutions : doctrine de planification du réapprovisionnement. Sans date. Objectifs de taux de service, stocks de sécurité et classification ABC.

[7] Demand sensing

o9 Solutions : demand sensing. Sans date. Signaux externes, fréquence des prévisions, hiérarchie et résultats granulaires.

[8] Lancement de Supply Sensing

o9 Solutions : lancement de Supply Sensing. 2022-10-03. Alertes prédictives de perturbation, probabilités d’événements et mesures proposées.

[9] IA neurosymbolique

o9 Solutions : IA neurosymbolique. 2026-02-11. Architecture des agents, promesse 10–80–10, contexte décisionnel et analyse causale.

[10] Démonstration de connaissances numérisées

o9 Solutions : démonstration de connaissances numérisées. 2026-07-10. Savoir fournisseur apporté par les planificateurs, validation des délais et changements de règles.

[11] Annonce d’optimisation GPU

o9 Solutions : annonce d’optimisation GPU. 2026-07-23. Accélération LP rapportée et extrapolation à la planification nocturne.

[12] Méthodes et résultats du benchmark GPU

o9 Solutions : méthodes et résultats du benchmark GPU. 2026-07-24 (actualisé le 2026-07-29). Dimensions du problème, matériel, temps de solveur, qualité numérique et périmètre du développement.

[13] Récits clients de la distribution et démonstrations

o9 Solutions : récits clients de la distribution et démonstrations. 2025-09-15 (actualisé le 2026-03-12). Chiffres ZAMP de précision et d’effort de commande ; résultats clients et démonstrations distinctes.

[14] Promesse de précision en planification de production

o9 Solutions : promesse de précision en planification de production. 2026-10-19. Précision agrégée hebdomadaire supérieure à 95% et bénéfices de production annoncés.

[15] Données M5 et soumissions de prévisions ponctuelles

Organisateurs de la compétition M5 : données M5 et soumissions de prévisions ponctuelles. 2020–2022. Le recalcul diagnostique utilise les 50 meilleures soumissions ponctuelles publiées sur les jours d’évaluation d_1942–d_1969, avec les 30 490 séries produit/magasin et les observations sans ventes. WAPE divise l’erreur absolue totale par le volume unitaire réel. L’agrégation somme les prévisions initiales sans réajustement ; le classement officiel M5 utilisait WRMSSE.

[16] Gestion des décisions dans le cloud en 2016

o9 Solutions : gestion des décisions dans le cloud en 2016. 2016-08-09. Plateforme cloud mPower et proposition de planification transversale.

[17] Annonce Augmented Intelligence

o9 Solutions : annonce Augmented Intelligence. 2017-02-24. Positionnement d’intelligence augmentée et objectif initial de livraison d’un processus central.

[18] Avenir de la planification de la demande

o9 Solutions : avenir de la planification de la demande. 2017-05-18. Adoption par les ventes, gestion collaborative de la demande et flexibilité du modèle.

[19] Intégration de Vertex AI Forecast

o9 Solutions : intégration de Vertex AI Forecast. 2021-10-12. Intégration des algorithmes de prévision de Google et de signaux externes de demande.

[20] Agents composites

o9 Solutions : agents composites. 2024-07-01. Agents atomiques et composites suivant les séquences de tâches d’experts en planification.

[21] Annonce APEX

o9 Solutions : annonce APEX. 2026-03-26. Promesses économiques et de modèle opérationnel, nombres de déploiements et déploiement de l’IA.

[22] Déploiement de planification chez Mankind Pharma

o9 Solutions : déploiement de planification chez Mankind Pharma. 2025-10-15. Effort de mise en œuvre, utilisateurs, résultats rapportés et projets ultérieurs de ML et MEIO.

[23] Utiliser son data lake comme stockage

o9 Solutions : utiliser son data lake comme stockage. 2024-03-15. Stockage GraphCube, data lakes clients et échange de données.

[24] Répondre aux défis des grands volumes

o9 Solutions : répondre aux défis des grands volumes. 2024-03-15. Delta Lake, Spark, modèles de données communs et exemples anonymes de passage à l’échelle.

[25] Associate Architect, JR102899

o9 Solutions, annonce employeur sur Built In : Associate Architect, JR102899. Sans date. Annonce rédigée par l’employeur sur Built In, référence JR102899. Technologies d’intégration et missions couvrant pipelines, tests, déploiement et maintenance.

[26] Atelier Integration 3.0

o9 Solutions : atelier Integration 3.0. Sans date. Pipelines, datastores, datanodes et Delta Lake d’Integration 3.0.

[27] Atelier d’intégration EKG

o9 Solutions : atelier d’intégration EKG. Sans date. ETL guidé par métadonnées et EKG Configurator sur PySpark et Spark SQL.

[28] Atelier technique de plateforme

o9 Solutions : atelier technique de plateforme. Sans date. IBPL, construction de modèles, règles, rapports et configuration des mises en page.

[29] Parcours de configuration et de performance

o9 Solutions : parcours de configuration et de performance. Sans date. Config 2.0 avec Git, responsabilités de tests et de publication, reprise et optimisation des performances.

[30] Snowflake Connected Application

o9 Solutions : Snowflake Connected Application. 2026-05-05. Intégration Connected Application, données d’entrée et résultats de planification.

[31] Déploiement chez une chaîne de cafés et algorithmes clients

o9 Solutions : déploiement chez une chaîne de cafés et algorithmes clients. Sans date. Algorithmes Python clients, automatisation de planification et charge initiale des magasins.

[32] Enseignements des déploiements WHOOP et Hormel

o9 Solutions : enseignements des déploiements WHOOP et Hormel. 2026-09-28 (actualisé le 2026-10-08). Référents fonctionnels de Hormel et baisse rapportée des modifications manuelles ; ambitions de planification de WHOOP.

[33] Portail documentaire

o9 Solutions : portail documentaire. Sans date. Descriptions des API d’interface et guides de configuration des instances clients ; accès vérifié via les liens d’autorisation.

[34] Sécurité

o9 Solutions : sécurité. Sans date. Contrôles d’accès, chiffrement, surveillance, cadres d’assurance et divulgation de vulnérabilités.

[35] Joannes Vermorel : Introduction to Supply Chain, texte intégral

Joannes Vermorel : Introduction to Supply Chain, texte intégral. Septembre 2025. Notamment économie, décisions et ingénierie de logiciels productifs.

[36] Joannes Vermorel : la supply chain a besoin de systèmes programmables, pas de produits configurables

Joannes Vermorel : la supply chain a besoin de systèmes programmables, pas de produits configurables. 5 janvier 2026. Approche Lokad de la logique décisionnelle exécutable propre à l’entreprise et de sa maintenance.

[37] Optimisation en nombres entiers mixtes

MOSEK Modeling Cookbook : optimisation en nombres entiers mixtes. Sans date. Coûts fixes de lancement, choix de quantité minimale, formulations non convexes et difficulté de calcul.

[38] Résoudre la forme extensive

mpi-sppy : résoudre la forme extensive. Sans date. Probabilités des scénarios et décisions liées dans les modèles stochastiques transmis aux solveurs généralistes.

[39] Comment reconnaître une formulation MIP faible ?

Gurobi : comment reconnaître une formulation MIP faible ?. Actualisé le 16 avril 2026. Force de la relaxation, bornes, effort de recherche et comportement d’exécution observé.

[40] Accélérer l’optimisation des décisions avec NVIDIA cuOpt open source

NVIDIA : accélérer l’optimisation des décisions avec NVIDIA cuOpt open source. 11 juin 2025. Licence open source, substitution de solveur et interface standard de benchmarks LP/MIP.

[41] Processus d’allocation et de réapprovisionnement

o9 Solutions : allocation et réapprovisionnement. Sans date. Politiques de stock, priorités d’allocation, commandes exécutables, planification sous contraintes et horizons de planification.

[42] Planification en faible prévisibilité

o9 Solutions : gérer la faible prévisibilité. 10 octobre 2025. Description publiée de formation : seuil CoV, agrégation, règles spécifiques et collaboration.

[43] Forecast Value Add

o9 Solutions : explication de Forecast Value Add. 26 mai 2025. Description publiée de formation : évaluer les changements de qualité prévisionnelle.

[44] Modèle informatique unifié de hiérarchie de graphes

o9 Solutions : US12051026B2. Délivré le 30 juillet 2024 ; priorité du 22 septembre 2014. Évaluation des dépendances, recalcul incrémental, modèles de planification liés et scénarios fondés sur des objectifs.

[45] Rapport annuel de Mankind Pharma

Mankind Pharma : rapport annuel 2024–25. Pages imprimées 48–49. Planification des points de distribution avec o9, gains rapportés de service et de stock, et programmes opérationnels simultanés.

[46] Bornes et approximations pour les programmes stochastiques multiétapes

Francesca Maggioni et Georg Ch. Pflug : bornes et approximations pour les programmes stochastiques multiétapes. Prépublication de 2015 ; publié dans SIAM Journal on Optimization en 2016. Croissance des arbres de scénarios, approximations et application aux stocks.

[47] IA responsable et droits des agents

o9 Solutions : approche de o9 en matière d’IA responsable. 30 avril 2026 ; actualisé le 6 mai 2026. Identités d’agents, droits sur les outils, contrôles des règles, pistes d’audit et mécanismes d’arrêt.

[48] Cadre de déploiement et d’exécution d’applications conteneurisées

o9 Solutions : US12694127B1. Délivré le 28 juillet 2026. Analyse et promotion d’images, déploiement autorisé, configuration des ressources et isolation du stockage des applications tierces.

[49] Isolation des conteneurs et code non fiable

Kubernetes : multilocation et cloisonnement des conteneurs. Limites de l’isolation à noyau partagé et confinement renforcé du code non fiable.

[50] Joannes Vermorel : holimisation, pourquoi l’optimisation ne suffit pas

Joannes Vermorel : holimisation, pourquoi l’optimisation ne suffit pas. 12 décembre 2025. Réviser objectifs, contraintes, sémantique des données et décisions disponibles grâce aux retours opérationnels, à l’instrumentation et aux expériences contrôlées.

[51] Annonce de supply chain autonome

o9 Solutions : annonce de supply chain autonome. 2019-05-08. Assistants numériques, promesses d’autonomie et liste des technologies invoquées. Archivé le 1 juin 2019.

[52] Annonce de bêta d’IA générative

o9 Solutions : annonce de bêta d’IA générative. 2023-08-17. Recherche précoce en IA générative, usages proposés et programmes bêta clients.