Revue de Pigment, fournisseur de logiciels de planification d'entreprise

Par Léon Levinas-Ménard

Dernière mise à jour: décembre, 2025

Pigment est un SaaS de planification et de gestion de la performance (EPM) fondé à Paris et soutenu par des investisseurs, positionné comme une couche de modélisation unique pour la planification financière et opérationnelle : les utilisateurs construisent des modèles multidimensionnels (dimensions/indicateurs/« blocs »), écrivent des formules qui recalculent automatiquement les blocs dépendants, définissent des contrôles d’accès, et publient des rapports et des scénarios aux parties prenantes. Au-delà des cas d’utilisation en FP&A et consolidation, Pigment commercialise des applications prédéfinies pour le S&OP et la planification de la demande et des stocks, et offre des capacités de prévision via des fonctions statistiques intégrées (par exemple, prévision des séries temporelles de type ETS) ainsi qu’une fonctionnalité séparée « Predictions » décrite comme une prévision basée sur le machine learning avec prise en charge des facteurs externes. Pigment fournit également des fonctionnalités à destination de l’IA (par exemple, un « Analyst Agent » et des pages liées à l’IA), mais le niveau de détail technique public varie selon la fonctionnalité : certaines mécaniques fondamentales de modélisation sont documentées précisément (vérifications de dépendance, atténuation des références circulaires via PREVIOUS/PREVIOUSBASE, etc.), tandis que les composants ML/IA sont partiellement expliqués à un niveau systémique (par exemple, une architecture Predictions scalable horizontalement utilisant Dask) sans divulguer de manière cohérente les classes de modèles, les procédures d’entraînement/évaluation, ou des benchmarks reproductibles.

Aperçu de Pigment

Pigment vend une plateforme de planification accessible via navigateur, centrée sur un modèle sémantique partagé pour la planification, la simulation, et le reporting à travers plusieurs fonctions (finance, ventes, RH, supply chain). Le fournisseur met en avant le remplacement de la planification centrée sur les tableurs par un modèle centralisé qui soutient la collaboration, les autorisations, l’auditabilité, et l’analyse de scénarios.¹² Dans une optique adjacente à la supply chain, Pigment publie des pages dédiées à la planification de la supply chain, au S&OP, et à la planification de la demande et des stocks, présentant le produit comme un moyen de connecter les plans de demande, de stocks, et de capacité avec les résultats financiers au sein d’un espace de planification unique.³⁴⁵

D’après la documentation disponible, le « moteur de modélisation » de Pigment est piloté par des formules : lorsque les formules changent, les blocs dépendants sont recalculés, et la plateforme empêche ou gère activement les dépendances circulaires à l’aide de fonctions spécifiques (par exemple, PREVIOUS pour l’itération à l’intérieur d’un bloc ; PREVIOUSBASE pour des configurations itératives multi-blocs), avec des contraintes explicites telles que des limites sur les « indicateurs autorisés » et des implications de performance documentées.⁶ Cela constitue une preuve concrète que Pigment n’est pas « juste du CRUD + des tableaux de bord » : le système de base est un moteur de calcul suivi des dépendances pour des modèles de planification multidimensionnels.

Pigment vs Lokad

Pigment et Lokad abordent la « planification » à partir de points de départ fondamentalement différents. Pigment est principalement une plateforme de planification d’entreprise et de gestion de la performance : son livrable principal est une couche de modélisation interactive à l’échelle de l’organisation (dimensions/indicateurs, formules, workflows, autorisations, rapports) qui permet aux utilisateurs d’élaborer des plans, de lancer des scénarios, et d’harmoniser les parties prenantes — éventuellement complétée par des outils de prévision (fonctions statistiques et « Predictions » orienté ML) et une assistance basée sur l’IA pour les requêtes.³⁴⁶⁷ Lokad, en revanche, est conçu comme une plateforme d’optimization quantitative de la supply chain : elle se concentre sur la production de recommandations décisionnelles (par exemple, achats, allocation de stocks, planification de la production) dans un contexte d’incertitude en utilisant une prévision probabiliste et des objectifs d’optimization explicites, implémentés de manière programmatique via son DSL Envision et exécutés sous forme de pipelines computationnels reproductibles.⁸⁹¹⁰

Cette différence revêt une importance technique. Les documents publics de Pigment mettent en avant la flexibilité du modèle, la collaboration, et la rapidité d’itération des scénarios, avec une certaine assistance en prévision et par IA, mais fournissent peu de preuves publiques que la plateforme résout systématiquement de grands problèmes combinatoires contraints (par exemple, l’optimization en nombres entiers mixtes pour les décisions supply chain) comme résultat produit de premier ordre ; les pages de supply chain de Pigment sont présentées comme un moyen de connecter les plans et d’améliorer la réactivité plutôt que de démontrer l’architecture d’un optimiseur, ses fonctions objectifs, et sa gestion des contraintes à grande échelle.³⁴⁵ Le récit technique public de Lokad, en comparaison, met en avant « prévisions probabilistes → décisions optimisées » comme sortie principale du produit, incluant des descriptions publiées de prévision probabiliste/quantile et de méthodes orientées optimization, ainsi que des preuves de travaux techniques axés sur la prévision (par exemple, la participation au concours de prévision M5).¹¹⁸

Commercialement, Pigment ressemble à un fournisseur EPM/IBP à forte croissance : plusieurs levées de fonds importantes et un positionnement de planification transversal étendu.¹²¹³ Lokad ressemble à un fournisseur spécialisé en optimization de la supply chain qui met l’accent sur des applications d’optimization sur mesure définies par du code plutôt que sur une couche de planification d’entreprise généralisée.⁸⁹

Historique de l’entreprise, financement et étapes clés

Pigment a été fondé en 2019 (Paris) par Éléonore Crespo et Romain Niccoli, se positionnant dès le départ comme une alternative moderne aux outils EPM/de planification traditionnels.²¹⁴ Les rapports publics documentent une série de levées de fonds : une série A en 2020, une série C en 2023, et une grande série D en 2024, indiquant un appétit constant des investisseurs et une montée en échelle commerciale significative.¹⁴¹⁵¹²¹³

Aucune activité d’acquisition (Pigment n’ayant acquis d’autres entreprises ou n’ayant pas fait l’objet d’acquisitions) n’a été identifiée dans les sources publiques examinées pour ce rapport. Cette absence doit être interprétée avec prudence : elle peut refléter l’absence d’acquisitions, ou un manque de divulgations publiquement indexées.

Capacités produit et techniques

Modèle de planification : blocs multidimensionnels, formules et recalcul

La documentation de Pigment fournit des détails exceptionnellement précis sur le comportement de son moteur de modélisation lorsque les formules créent des cycles de dépendance. La plateforme recalcule les blocs dépendants lorsque les formules changent et effectue des vérifications pour détecter les dépendances circulaires ; elle offre des mécanismes permettant d’exprimer des calculs itératifs (dépendances décalées dans le temps) sans créer de boucles infinies, tels que PREVIOUSBASE pour des configurations itératives multi-blocs.⁶ La même documentation décrit comment Pigment consolide les formules provenant d’un cycle de dépendance en une « formule de base unique » pour le calcul, et met en garde contre l’impact sur les performances et les modes d’échec de débogage lorsque la formule de base fusionnée devient invalide.⁶

Cela constitue une preuve forte que la valeur fondamentale de Pigment réside dans un moteur de calcul couplé à un modèle de planification multidimensionnel, et non simplement dans une surcouche de workflow autour des tableurs.

Modèles et cas d’utilisation orientés supply chain

Pigment maintient des pages dédiées à la supply chain décrivant des cas d’utilisation pour le S&OP et la planification de la demande et des stocks (y compris des « plans résilients », la simulation de scénarios, et l’alignement de la supply chain avec la finance).³⁴⁵ Une étude de cas concrète indique que Danone a utilisé Pigment pour le S&OP et la planification de la demande à long terme, avec un « temps d’implémentation » de trois mois, et décrit le remplacement de processus fortement dépendants d’Excel par un modèle Pigment personnalisé développé en partenariat avec un intégrateur.⁷ Bien qu’il s’agisse toujours de matériel marketing, cela constitue au moins une référence nommée et attribuable avec des détails d’implémentation et un périmètre déclaré.

Prévision, ML, et « Predictions »

Pigment expose des fonctions de prévision statistique dans la documentation et les ressources communautaires (par exemple, des fonctions de prévision ETS).¹⁶¹⁷ Par ailleurs, Pigment positionne « Predictions » comme une fonctionnalité orientée ML pour la prévision, incluant une documentation « Choisir le modèle de prédiction » qui décrit les options de configuration sans toutefois, dans la page publique, spécifier les familles d’algorithmes exactes, la méthodologie d’entraînement, les métriques de validation, ou des benchmarks reproductibles.¹⁸

Le blog d’ingénierie de Pigment fournit la preuve technique la plus substantielle concernant le sous-système Predictions. Dans un article sur la montée en charge des prévisions, Pigment décrit une architecture utilisant un cluster Dask pour exécuter de nombreuses prévisions en parallèle et déclare que « chaque série temporelle est prévisionnée indépendamment », permettant ainsi une montée en charge horizontale.¹⁹ Cela vient étayer l’affirmation selon laquelle la prévision de Pigment est implémentée comme un véritable pipeline de calcul (et non comme une simple étiquette UI superficielle), mais cela laisse encore, publiquement, des questions clés concernant le ML sans réponse : quels modèles sont utilisés, comment le feature engineering est géré (au-delà des affirmations sur les « facteurs externes »), comment la dérive est surveillée, et quels compromis entre précision et coût sont atteints en production.

Assistants IA et composants « agentiques »

Pigment commercialise des capacités destinées à l’IA (par exemple, « Pigment AI », « Analyst Agent Overview ») et dispose de contenus d’ingénierie décrivant un « Insights Assistant » et une « IA agentique », incluant des références à des frameworks courants d’agents LLM (par exemple, LangGraph) et des considérations de conception système.²⁰²¹ Ces sources étayent le fait que Pigment implémente des fonctionnalités d’assistant IA en tant que caractéristiques du produit. Cependant, d’un point de vue technique sceptique, ces documents sont mieux interprétés comme une augmentation de la couche UX (requêtes, synthèse, actions guidées) plutôt que comme la preuve que les décisions centrales de planification sont optimisées de bout en bout par l’IA ; la documentation publique ne fournit pas de démonstrations reproductibles montrant que la couche IA produit de manière fiable des décisions de planification sous des contraintes strictes.

Preuves de l’architecture et de la pile technologique

Pigment ne publie pas de livre blanc d’architecture canonique dans les sources examinées ici. Cependant, plusieurs signaux indépendants convergent vers une pile plausible :

Un profil « tech » sur Welcome to the Jungle liste des technologies de base incluant PostgreSQL, .NET (C#), React, D3.js, TypeScript, Google Cloud Platform, Kubernetes (GKE), et CircleCI.²²
Le blog d’ingénierie de Pigment indique l’utilisation d’outils de l’écosystème Python (par exemple, Dask) pour mettre à l’échelle les charges de prévision.¹⁹
La documentation produit de Pigment démontre un moteur de modélisation personnalisé capable d’analyse de dépendance et de gestion des calculs itératifs (PREVIOUS/PREVIOUSBASE), impliquant un runtime de calcul non trivial intégré au modèle de planification.⁶

Pris ensemble, les preuves publiques montrent que Pigment est un SaaS cloud-native avec un frontend web moderne, un noyau backend basé sur .NET, et des sous-systèmes de calcul spécialisés pour la prévision.

Déploiement, déploiement progressif et assurances opérationnelles

Le contenu de l’étude de cas de Pigment fournit un exemple de déploiement : l’implémentation chez Danone est décrite comme passant de la recherche/construction/test/déploiement en « seulement trois mois », impliquant un partenaire d’implémentation et une itération répétée des modèles (plusieurs versions testées en une journée).⁷ Cela suggère un schéma de déploiement plus proche du « modélisation de solution + gestion du changement » que du « installer le logiciel et partir », même si Pigment est livré en tant que SaaS.

En matière de sécurité et de conformité, la page de sécurité de Pigment affirme la conformité SOC 2 Type 2 et SOC 1 Type 2, ainsi que des références au GDPR/CCPA ; elle décrit également l’intégration d’identité d’entreprise (SSO SAMLv2, approvisionnement SCIM, MFA), le chiffrement en transit (TLS 1.3, HSTS) et au repos (AES-256), ainsi que des objectifs RTO/RPO déclarés et un programme d’assurance sécurité (tests de pénétration, bug bounty, audits, scans de vulnérabilité).²³ Ce sont des affirmations opérationnelles spécifiques, bien que les détails de certification indépendants devraient être vérifiés via le « trust report » référencé de Pigment si utilisé pour des achats.²³

Clients, références et études de cas

Des références clients nommées publiquement existent et ne sont pas purement anonymes. Pigment publie des études de cas clients nommées (par exemple, Danone), incluant des cas d’utilisation déclarés et un délai d’implémentation.⁷ Des rapports tiers font également référence à la traction de Pigment et à l’adoption par les clients en termes généraux, parallèlement aux annonces de financement.¹²¹³

Cependant, les lecteurs doivent distinguer :

Références nommées et attribuables (par exemple, une page d’étude de cas dédiée nommant l’entreprise et décrivant le périmètre/le calendrier).⁷
Murs de logos / affirmations d’adoption généralisées qui peuvent ne pas spécifier quels modules, quelles zones géographiques ou la maturité du déploiement.¹²¹³

Évaluation technique sceptique

Ce que Pigment offre (précisément) : un environnement de calcul de planification cloud où les organisations définissent un modèle de planification multidimensionnel (structures de données + formules), exécutent des simulations de scénarios, collaborent sur les entrées des plans avec autorisations et traçabilité, et produisent des rapports ; en option, elles peuvent ajouter des prévisions via des fonctions statistiques et le pipeline « Predictions », et utiliser des fonctionnalités d’interrogation/insights assistées par l’IA.³⁴⁶¹⁹²³

Comment il atteint ces résultats : les preuves soutiennent (1) un moteur de formules suivi des dépendances avec des mécanismes pour résoudre les calculs itératifs/circulaires,⁶ (2) une architecture SaaS cloud avec des contrôles d’identité d’entreprise et de chiffrement courants,²³ et (3) un sous-système de prévision évolutif utilisant le calcul distribué (Dask) pour la prévision parallèle des séries temporelles.¹⁹ Les détails architecturaux publiquement vérifiables sont les plus solides pour la mécanique du moteur de modélisation et moins pour les algorithmes ML/IA exacts utilisés.

Évaluation à la pointe de la technologie : Pigment apparaît techniquement moderne en termes d’ingénierie de plateforme (pile cloud-native, affirmations solides en matière de sécurité, calcul distribué pour les prévisions).¹⁹²²²³ Cependant, de nombreux aspects « IA » restent difficiles à valider de manière externe car Pigment ne publie pas de manière cohérente les classes de modèles, les protocoles d’évaluation, ou des benchmarks reproductibles pour les fonctionnalités Predictions/IA. D’un point de vue sceptique, l’innovation étayée réside dans la couche de calcul de planification et la productisation opérationnelle ; les affirmations les moins étayées sont celles impliquant une prise de décision avancée par l’IA au-delà de la prévision et de l’assistance.

Maturité commerciale : Les multiples levées de fonds en phase avancée de Pigment (y compris une grande série D) et les études de cas d’entreprises nommées indiquent une scale-up commercialement établie plutôt qu’une expérience de produit en phase de démarrage.⁷¹²¹³

Conclusion

Pigment se révèle être avant tout une plateforme de planification d’entreprise interfonctionnelle dotée d’un véritable cœur de calcul : la documentation sur la gestion des dépendances, les calculs itératifs et la recomputation des formules fournit une preuve concrète d’un moteur de modélisation conçu à cet effet plutôt qu’une simple interface utilisateur autour de tableurs.⁶ La position de Pigment en matière de supply chain (S&OP, planification de la demande et de stocks) est soutenue par des pages produits dédiées et au moins une histoire nommée (Danone) qui inclut le périmètre et un calendrier de mise en œuvre indiqué.³⁴⁵⁷ Les affirmations concernant le machine learning et l’IA sont partiellement étayées — notamment par la divulgation par l’équipe d’ingénierie d’une architecture de prévision distribuée (parallélisme basé sur Dask), et par la discussion en ingénierie sur la conception d’un assistant IA — mais la documentation publique reste insuffisante pour vérifier indépendamment les spécificités algorithmiques, les affirmations d’exactitude ou la fiabilité de la prise de décision pilotée par l’IA dans des contextes de planification contraints.¹⁹²⁰²¹

À l’opposé de Lokad, Pigment apparaît comme une couche de planification/modélisation d’entreprise intégrant prévisions et assistance IA, tandis que Lokad se présente comme une plateforme d’optimization de la supply chain dont l’objectif principal est l’optimisation prescriptive des décisions en situation d’incertitude grâce à la modélisation programmatique.⁸⁹¹⁰¹¹