Retour aux études de marché
Sigma Computing fournit des logiciels cloud pour analyser les données d’entrepôts de données, construire des applications métier et automatiser des workflows. Son interface de tableur génère des requêtes de base de données ; tables de saisie, actions, éléments Python et agents transforment les classeurs en applications. Pour les équipes supply chain, Sigma propose des modèles de planification de la demande, des analyses de fournisseurs et de coûts rendus, ainsi que des workflows de planification configurables. 1 3 8
Note globale supply chain : 4,8/10
| Dimension | Note |
|---|---|
| Profondeur supply chain | 3,2/10 |
| Substance des décisions et de l’optimisation | 3,6/10 |
| Intégrité du produit et de l’architecture | 6,0/10 |
| Transparence technique | 6,6/10 |
| Sérieux de l’éditeur | 4,4/10 |
La substance technique de Sigma consiste à faciliter la construction, l’exploitation et l’inspection des applications de données. Son compilateur, son architecture d’exécution, sa représentation programmatique des classeurs et ses outils d’évaluation documentés constituent une ingénierie réelle. Ils ne fournissent pas la logique économique déterminant quoi acheter, produire ou allouer en présence d’incertitude. 2 10 12
La proposition supply chain fait ressortir cette distinction. Le modèle de planification actuel organise corrections de prévisions et examen des exceptions ; le discours agentique plus large promet de supprimer les passages de relais manuels. Parallèlement, l’avis d’utilisation de l’IA recommande de vérifier les résultats avant de s’y fier et décline toute responsabilité pour leurs inexactitudes. La question est de savoir qui calcule, vérifie et maintient la décision, avec quel travail résiduel et quelle responsabilité financière. 4 17 26
Sigma Computing face à Lokad
Considérons le réapprovisionnement d’un produit saisonnier dont le fournisseur peut livrer en retard. Sigma peut réunir les enregistrements pertinents dans un classeur, laisser les utilisateurs modifier les hypothèses, exécuter des calculs fournis par le client et transmettre les résultats par des actions configurées. Sa page supply chain met l’accent sur les prévisions partagées, les entrées de scénarios et l’analyse des coûts. 3 Le client ou l’équipe d’implémentation doit définir la politique de commande et son traitement de l’incertitude.
L’optimisation des stocks de Lokad se concentre sur le calcul de décisions opérationnelles à partir de prévisions probabilistes et de conséquences économiques. Ses Supply Chain Scientists maintiennent la logique numérique qui produit ces décisions. La comparaison oppose un environnement général de construction d’applications à un service supply chain organisé autour de la maintenance d’un processus de décision économique.
Pour le produit saisonnier, le calcul important porte sur la demande possible, les dates de réception, les stocks restants et la valeur d’autres usages du capital. Une requête plus rapide ou une correction plus commode ne résout pas ce calcul. Inversement, une méthode de commande solide a toujours besoin de données fiables, de tests et de maintenance. Sigma documente une infrastructure utile pour ces tâches ; une application supply chain développée par le client doit être évaluée sur sa propre implémentation et ses résultats.
La perspective de Lokad intègre le coût du processus de décision à son économie. Cela inclut les personnes qui maintiennent formules, intégrations, permissions et exceptions, même si leur interface ressemble à un tableur.
Le mécanisme supply chain réel
La page supply chain actuelle illustre les points de commande par la demande hebdomadaire multipliée par le délai d’approvisionnement, plus le stock de sécurité, avec une couverture cible et des transferts approuvés par un responsable. Elle affiche séparément la variabilité des délais fournisseurs. 3 Le lien manquant est la manière dont cette variabilité modifie le choix économique d’une commande ou d’un transfert. Un indicateur de risque placé à côté d’une règle déterministe ne rend pas cette règle ajustée au risque.
Le modèle de planification de la demande conserve une file de révision
Le tutoriel actuel de Sigma décrit un plan par produit et par mois fondé sur des moyennes mobiles et des corrections de planificateurs. Les utilisateurs résolvent chaque exception signalée avant approbation, avec le choix de rétablir la base, saisir une autre valeur ou accepter l’écart. L’IA résume le cycle, explique les exceptions et recommande l’approbation. Le calcul de base se rabat sur les années antérieures, puis sur zéro en l’absence d’historique. 4
Il s’agit d’un processus administratif de planification, doté d’un point de départ numérique simple. Sa question structurante est de savoir si les personnes ont résolu les exceptions. La question économiquement importante est de savoir si une autre décision d’achat ou de production donnerait un meilleur résultat.
Un écart à une moyenne mobile peut être commercialement judicieux. Ramener le plan à cette moyenne peut être nuisible. Aucune de ces opérations n’établit la valeur du stock, l’effet de la substitution, le coût d’une livraison manquée ou le meilleur usage d’une capacité partagée. Un récit expliquant l’écart n’ajoute pas ces grandeurs à la décision.
Le workflow pose aussi un problème de passage à l’échelle. Si l’assortiment ou la fréquence de planification augmente, une file d’exceptions par produit et période peut croître avec eux. Des explications plus rapides peuvent réduire le temps par examen tout en conservant l’obligation de révision. Aucune charge résiduelle mesurée n’est fournie pour ce modèle.
Une incohérence précise dans les instructions de prévision
Le même tutoriel décrit MovingAvg([Units], 2, 2) comme une moyenne mobile sur deux périodes, décalée de deux périodes pour éviter des données courantes incomplètes. 4 La référence de la fonction Sigma indique que cette expression calcule la moyenne de la ligne courante, des deux lignes précédentes et des deux suivantes. 5
La formule publiée ne réalise donc pas le décalage annoncé. Sur un historique chronologique, une fenêtre centrée peut inclure des observations qui n’existaient pas à la date d’émission de la prévision. Évaluer cet historique lissé comme s’il s’agissait d’une prévision antérieure introduirait de l’information future.
L’incohérence concerne le modèle de référence public ; le classeur privé n’a pas été exécuté pour cette analyse. Elle reste un avertissement concret sur la rigueur prévisionnelle d’un produit présenté pour la planification opérationnelle. Une évaluation valide doit figer l’information disponible à chaque date de décision et conserver le produit, le site et l’horizon appropriés.
L’ancienne fonction de prévision ML est moins largement disponible
Sigma a introduit une intégration de prévision Snowflake en octobre 2024. La documentation actuelle indique qu’elle n’est plus accessible aux nouvelles organisations. Pour les utilisateurs existants, elle appelle la fonction de prévision de Snowflake, nécessite un réentraînement manuel lorsque les données sources changent et ne permet pas de marquer les versions des sorties prévisionnelles. 6 7
Il s’agit d’un changement substantiel de cycle de vie. Une annonce historique ne peut être considérée comme une capacité actuelle sans restriction. Elle illustre aussi le travail de maintenance caché derrière la promesse de données en direct : des enregistrements à jour n’impliquent pas automatiquement un modèle entraîné à jour.
Python et les modèles externes offrent d’autres voies d’implémentation. 13 Leur disponibilité n’établit pas une méthode livrée pour représenter conjointement demande, délais, défaillances fournisseurs et coûts interdépendants. Les exemples supply chain publics de Sigma ne montrent pas ces incertitudes entrant dans un calcul décisionnel monétaire commun.
L’article agentique de novembre 2026 présente le demand sensing et les mises à jour rapides comme des usages de grande valeur. 26 Une fréquence de rafraîchissement accrue est une propriété d’exécution. Sa valeur économique dépend de l’amélioration apportée par le nouveau signal à l’horizon où un engagement peut encore changer. Renommer des ajustements fréquents de prévision n’établit pas ce résultat.
Architecture et composants logiciels
L’article Sigma Workbook de 2022 explique une véritable conception informatique. Les opérations du classeur deviennent un graphe de requêtes, résolu puis compilé en SQL pour l’entrepôt de données du client. Le service assure l’intermédiation de l’accès et de l’exécution. Les résultats reviennent au navigateur, où un moteur C++ compilé en WebAssembly peut évaluer localement des opérations supplémentaires. La réutilisation des résultats de l’entrepôt et les tables matérialisées réduisent les travaux répétés. 2
La documentation d’architecture actuelle prolonge cette conception et expose le SQL généré ainsi que les informations de durée. 1 Le compilateur SQL constitue la contribution d’ingénierie de Sigma. La base connectée assure une grande partie du stockage et de l’exécution des requêtes ; ses performances ne doivent pas être confondues avec un algorithme Sigma de prévision ou d’optimisation.
| Couche | Composants et responsabilités documentés |
|---|---|
| Compilateur de requêtes | Une offre d’emploi actuelle de l’éditeur précise du travail backend en Rust et des fondations frontend en TypeScript. |
| Services backend | Un autre poste d’ingénierie cite Rust, Go, GraphQL, Node et Kubernetes dans sa description. |
| Calcul dans le navigateur | L’article de 2022 décrit du C++ compilé en WebAssembly. |
| Plateforme de données du client | Les requêtes s’exécutent sur la connexion choisie à l’entrepôt ou à la base de données. |
| Exécution Python | Procédures stockées Snowflake ou calcul Databricks, selon la connexion. |
| Modèles d’IA | Fournisseurs configurés de modèles hébergés dans l’entrepôt ou externes. |
Les offres de recrutement, l’article, les guides de configuration de l’exécution et l’avis IA identifient ces couches distinctes. 24 25 2 14 15 17
Cette architecture possède un centre cohérent, mais ses coûts dépassent l’abonnement Sigma. Une application en fonctionnement peut consommer requêtes d’entrepôt, rafraîchissements de matérialisations, calcul Python, appels de modèles et services d’intégration. Elle nécessite aussi des personnes pour conserver la cohérence de ces composants.
Le guide Python de Sigma pour Snowflake recommande un entrepôt distinct pour éviter que Python ne ralentisse les requêtes SQL et explique l’arbitrage mémoire-crédits. 14 La configuration Databricks utilise du calcul généraliste et recommande une politique d’arrêt automatique d’au moins trois heures. 15 Ce sont des choix d’exploitation concrets, avec des conséquences financières. Une interface de type notebook ne rend pas le calcul gratuit et ne supprime pas la planification des ressources.
La propriété des données ne supprime pas la dépendance applicative
Les données des tables de saisie et les journaux de modification résident dans des schémas désignés du client. Sigma déconseille de modifier directement les tables sous-jacentes et demande de créer des vues dans l’entrepôt pour interroger les données. Supprimer un élément de table de saisie ne supprime pas ses données stockées. 16
Le client conserve sa plateforme de données, mais l’application dépend toujours des structures, formules et sémantiques d’exécution de Sigma. Extraire des résultats est plus simple que remplacer l’application maintenue. Nettoyage, conservation et migration nécessitent donc un plan explicite.
Les API actuelles de classeurs sous forme de code constituent un contrepoids utile. La fonction bêta prend en charge des représentations JSON ou YAML, la récupération et la mise à jour, ainsi que la validation sans créer de classeur. La représentation exclut les enregistrements sources et certaines configurations, dont le partage et les versions marquées. 12 Elle améliore révision et automatisation, tout en laissant une application propre à Sigma à maintenir.
Agents : l’exécution est réelle, la compétence économique reste à la charge de l’application
Les agents Sigma peuvent interroger des données configurées, utiliser des outils et s’exécuter selon un calendrier. Ils ne sont pas limités à la conversation. 8 L’interface MCP actuelle permet aussi de rechercher du contenu, interroger des données, construire des classeurs et appeler des agents configurés. 11
Ces interfaces peuvent supprimer copies et ressaisies. Elles n’établissent ni la pertinence d’une règle de réapprovisionnement ni la valeur des actions choisies. Un connecteur MCP est une couche d’accès peu coûteuse par rapport à la construction et à la validation d’une méthode de décision supply chain. Construire et valider cette méthode reste la partie coûteuse de l’application.
La contribution plus substantielle de Sigma est la possibilité d’inspecter et de modifier une logique applicative réutilisable. La gestion programmatique des classeurs peut aider un agent à améliorer des formules ou des workflows sur tout un portefeuille, plutôt qu’à imiter un planificateur parcourant des enregistrements un à un. Cette possibilité exige des preuves de changements fiables, de tests de régression et d’une baisse de l’effort total de maintenance.
Les paramètres d’approbation changent de sens hors du chat
La documentation de création d’agents indique qu’un outil d’action peut exiger une approbation dans un chat. Elle indique aussi que les demandes d’approbation sont ignorées lors d’une exécution automatique. Le guide d’évaluation fait la même distinction pour les appels programmatiques. 9 10
La page supply chain actuelle présente un workflow plus restrictif : les agents planifiés proposent des changements, puis un planificateur approuve avant toute modification. 3 Tenir cette promesse nécessite un contrôle applicatif explicite ; le seul paramètre d’approbation du chat ne suffit pas.
Un paramètre d’approbation du chat n’est donc pas une barrière générale d’autorisation. Une application d’achat a besoin de limites imposées dans les outils ou le service aval : fournisseurs permis, quantités, montants et transitions d’état. Sinon, placer un workflow conversationnel testé sur une exécution planifiée change ses propriétés de sécurité.
Ce n’est pas un simple détail documentaire. Le même agent peut sembler correctement contrôlé pendant l’examen interactif et fonctionner avec un autre circuit d’approbation en production. Les tests doivent couvrir le mode d’invocation réel.
Les outils d’évaluation sont plus utiles que les assurances générales
Sigma publie un workflow d’évaluation concret : cas versionnés, résultats attendus, exécutions par API, traces et vérification de l’usage correct des outils. Il distingue examen humain, contrôles déterministes et jugement par LLM, y compris la nécessité de calibrer le juge. 10
Ces mécanismes peuvent soutenir des améliorations contrôlées. Ils demandent toujours au client de définir la réussite. Un agent peut appeler le bon outil, retourner des valeurs correctes de la base et exécuter un achat économiquement mauvais. Les tests applicatifs doivent donc inclure la pertinence des hypothèses et les conséquences métier résultantes.
C’est le problème de l’holimisation : un résultat inattendu peut exiger de revoir le problème, pas seulement de corriger une requête. Une correction réutilisable pourrait modifier la valorisation des pénuries, la prise en compte des substituts ou les actions disponibles. Sigma fournit les outils de développement ; le raisonnement supply chain et la validation opérationnelle restent à construire.
Sécurité Python : contrôles documentés et choix de configuration déterminants
Sigma autorise explicitement l’écriture de Python, l’importation de bibliothèques et les appels d’API. L’édition exige une permission dédiée, et l’exécution utilise l’identité choisie sur la plateforme de données. OAuth emploie les identifiants individuels de l’utilisateur ; les autres modes peuvent utiliser un rôle configuré ou un compte de service. 13
La voie Snowflake documente des procédures stockées avec les droits de l’appelant, une préparation administrative et un accès externe optionnel via des règles réseau configurées. 14 C’est une conception précise du contrôle, plus solide qu’un label de certification ou qu’une vague promesse de gouvernance. Elle rend aussi les choix de déploiement déterminants : le code reçoit l’autorité de son identité d’exécution.
La voie Databricks délègue l’exécution à un cluster configuré et décrit installation des bibliothèques, trafic réseau sortant et permissions d’attachement ou de redémarrage des ressources de calcul. 15 La sécurité dépend du cluster, de l’identité, des dépendances et du réseau configurés par le client. Ce sont des responsabilités d’ingénierie de production, même lorsque l’auteur du code est analyste.
Un paquet compromis ou un script généré peut abuser de tous les accès aux données et destinations externes qui lui sont accordés. L’environnement d’exécution doit borner les dégâts. Sigma expose des contrôles de configuration significatifs ; les voies documentées n’établissent pas que chaque application client hérite automatiquement d’un environnement étroitement isolé.
La frontière de l’entrepôt n’est pas toute la frontière des données
La page d’architecture insiste sur l’exécution locale à l’entrepôt et sur les données qui y restent. 1 L’avis IA décrit explicitement la transmission des prompts, données clients et informations utilisateurs au fournisseur de modèles choisi ; les modèles externes utilisent les identifiants configurés du client. 17
La frontière pratique dépend de la fonction activée. Reporter les requêtes dans l’entrepôt peut éviter une copie analytique supplémentaire, alors que résultats de requêtes, usage dans le navigateur et traitement IA externe déplacent toujours de l’information. L’examen de sécurité doit suivre ces trajets réels.
La restauration exige aussi un traitement distinct. L’historique des classeurs permet de restaurer des versions antérieures, mais la documentation avertit que restaurer une modification historique individuelle ne remet pas le contenu des tables de saisie dans son état d’alors. 27 Restaurer la structure de l’application ne restaure pas nécessairement l’état métier, encore moins une commande déjà transmise à un autre système.
Productivité, maintenance de configuration et responsabilité
Les économies d’Armstrong concernent une charge opérationnelle précise
Le cas Armstrong Transport Group rapporte 150 000 dollars de coûts de prestataires externes évités grâce à l’automatisation du calcul des commissions, avec la suppression de plusieurs jours de travail manuel mensuel. Il rapporte aussi 40% de croissance du volume confié aux transporteurs sous contrat sur dix-huit mois, dans un projet plus large de modernisation des données. Les modèles d’IA prédictive sont décrits comme un travail futur. 28
L’exemple des commissions identifie une tâche et un coût qui peuvent réellement disparaître. La croissance du volume est une autre mesure : elle n’isole pas la contribution du logiciel et n’établit pas une amélioration des marges. Combiner les deux en un rendement général de planification autonome ferait perdre la précision utile du cas.
Payload rapporte des économies substantielles dans la production de rapports
Le cas nommé Payload indique que construire, tester et déployer un rapport client standardisé est passé d’environ 9 500 à 1 400 dollars, avec une réduction de 50% des effectifs BI dédiés. Il décrit aussi un délai passé de quatre à six jours à quatre à six heures. 18
Ce sont des mesures de travail pertinentes pour un produit analytique. La baisse de 9 500 à 1 400 dollars représente toutefois environ 85% ; l’affirmation de plus de 600% d’économies confond un rapport avec une réduction. La donnée sous-jacente peut être utile sans accepter le pourcentage gonflé.
Le cas porte sur le développement de rapports et l’analytique intégrée. Il ne mesure ni les décisions autonomes de stock ni l’effet additionnel des agents Sigma de 2026. Un dossier économique actuel devrait inclure licences, consommation de l’entrepôt, maintenance et nouvelles charges créées à mesure que les applications se multiplient.
Blue Bottle sépare le moteur de prévision de l’interface
Dans un entretien de janvier 2020, Blue Bottle décrivait un cabinet distinct de machine learning construisant son modèle de demande de pâtisseries. Sigma mesurait les écarts entre commandes et prédictions, et le personnel accompagnait les cafés. L’amélioration rapportée de 8% de la précision des commandes ne comportait ni définition de métrique ni rapprochement économique. 19
La répartition du travail est instructive. Des analyses utiles et un suivi humain peuvent améliorer les opérations sans que l’éditeur analytique fournisse le moteur prédictif. La même distinction vaut lorsqu’un agent moderne appelle un modèle externe.
La maintenance de configuration est de la maintenance logicielle
Les applications adossées aux entrepôts accumulent formules, relations entre tables, prompts, identifiants, calendriers, permissions et actions aval. Chacun fait partie du processus métier exécutable. Une interface initiale simple peut diffuser le développement plus vite que l’organisation ne diffuse la capacité à tester et maintenir.
Le propre récit de Sigma de mars 2026 sur un modèle d’attrition montre le travail nécessaire. Il décrit des prototypes via Sigma et des notebooks Python, des retours d’experts, un objectif de rappel de 85%, puis une intégration en production via dbt, avec surveillance du modèle et gestion de son cycle de vie. 20 C’est une application interne de rétention client chez Sigma, pas un benchmark supply chain. Elle montre qu’un usage maintenable de la plateforme requiert de l’ingénierie au-delà de la rédaction d’un tableau de bord.
La mesure pertinente de productivité inclut les personnes qui diagnostiquent les échecs, actualisent la logique, vérifient le comportement des modèles et maintiennent les intégrations. Supprimer une demande à un analyste peut être précieux. La remplacer par du travail non compté d’utilisateurs métier n’établit pas d’économie nette.
L’allocation de responsabilité de l’IA affaiblit la proposition d’autonomie
L’avis IA recommande une vérification manuelle avant décisions ou actions, y compris la supervision des pipelines automatisés, et décline la responsabilité des inexactitudes produites par l’IA. 17 Parallèlement, le discours supply chain actuel présente les agents comme supprimant les passages de relais manuels et agissant dans des limites prédéfinies. 26
La proposition économique reste incomplète. Si toute sortie importante nécessite une vérification humaine, ce travail appartient au dossier économique. Si le client automatise sans cette vérification, la responsabilité d’un résultat insuffisant reste largement à sa charge.
Un déploiement crédible préciserait les décisions automatisées, les pertes acceptables, la période d’évaluation, le travail humain restant et qui répare la logique défaillante. Les contrôles de permissions et les traces d’audit répondent à d’autres questions que celle de savoir si le processus de décision acheté mérite son coût.
Histoire technologique et intégrité de la feuille de route
| Période | Éléments | Conséquence |
|---|---|---|
| 2020 | Blue Bottle utilise un cabinet de prévision externe et Sigma pour l’analyse et l’accompagnement. | La pertinence opérationnelle précède les agents IA actuels ; la prédiction était fournie séparément. |
| 2022 | L’article Workbook publie la conception interface-vers-SQL et le mécanisme d’exécution dans le navigateur. | Une ingénierie originale soutient le noyau analytique. |
| 2023 | Sigma annonce des tables de saisie générées par IA et des fonctions en langage naturel. | L’extension LLM suit l’apparition de l’IA générative. |
| 2024 | Snowflake ML Forecasting est lancé en bêta. | Une capacité de l’entrepôt est exposée via Sigma. |
| 2026 | Les agents sont annoncés en avril et documentés comme bêta dans les notes de juin. | La surface d’exécution dépasse les rapports. |
| Analyse actuelle | ML Forecasting n’est pas disponible pour les nouvelles organisations ; les classeurs sous forme de code restent en bêta. | Disponibilité et maturité doivent être vérifiées fonction par fonction. |
Les publications datées et les manuels actuels étayent cette séquence. 19 2 21 7 22 23 6 12
L’architecture sous-jacente montre une continuité. L’historique ne permet pas d’attribuer les anciens résultats clients aux agents actuels, et les nouvelles affirmations de planification demandent davantage que cette continuité. Une fonction prévisionnelle peut devenir moins accessible alors que le discours commercial s’élargit vers la planification autonome.
La meilleure preuve d’une feuille de route sérieuse est le compilateur maintenu, les API explicites et le processus d’évaluation vérifiable. Le point le plus faible est le saut de ces outils généraux vers une capacité supply chain livrée dont l’économie et le traitement conjoint de l’incertitude restent non spécifiés.
Note supply chain
Profondeur supply chain
| Critère | Note |
|---|---|
| Cadrage économique | 4/10 |
| Aboutissement opérationnel des décisions | 4/10 |
| Clarté conceptuelle sur la supply chain | 3/10 |
| Absence de doctrines centrales obsolètes | 2/10 |
| Résistance au théâtre des KPI | 3/10 |
Moyenne : 3,2/10
Cadrage économique — 4/10. Les coûts peuvent entrer dans les applications construites par le client, mais le workflow documenté ne fournit pas d’objectif économique commun aux choix opérationnels. 3
Aboutissement opérationnel des décisions — 4/10. Les actions peuvent atteindre d’autres systèmes. La logique choisissant les engagements supply chain reste une responsabilité distincte d’implémentation. 8
Clarté conceptuelle sur la supply chain — 3/10. L’accès rapide aux enregistrements est utile ; il ne résout pas la distinction entre une correction prévisionnelle et une commande économiquement justifiée. 26
Absence de doctrines centrales obsolètes — 2/10. Le processus de référence conserve interventions prévisionnelles et révisions successives. Sa couche d’IA ne supprime pas cette structure. 4
Résistance au théâtre des KPI — 3/10. Certaines références de travail sont concrètes, mais le pourcentage Payload est mal calculé et une meilleure présentation des prévisions ne prouve pas une amélioration économique. 18
Substance des décisions et de l’optimisation
| Critère | Note |
|---|---|
| Profondeur de la modélisation probabiliste | 2/10 |
| Substance distinctive en optimisation ou ML | 4/10 |
| Prise en compte des contraintes réelles | 3/10 |
| Automatisation des décisions et productivité du travail | 5/10 |
| Résilience face à la complexité opérationnelle réelle | 4/10 |
Moyenne : 3,6/10
Profondeur de la modélisation probabiliste — 2/10. Des modèles externes peuvent être intégrés, mais l’offre supply chain divulguée n’établit pas une incertitude conjointe utilisée pour choisir les engagements. 8 13
Substance distinctive en optimisation ou ML — 4/10. Le compilateur est une ingénierie originale substantielle. Ses transformations de requêtes résolvent un autre problème que l’optimisation économique de la supply chain. 2
Prise en compte des contraintes réelles — 3/10. Les développeurs peuvent coder des règles applicatives. La faisabilité opérationnelle couplée et les arbitrages économiques exigent leur propre modèle maintenu. 9
Automatisation des décisions et productivité du travail — 5/10. L’exécution planifiée et les économies nommées de production de rapports soutiennent une productivité réelle. Le travail supply chain récurrent et les gains propres aux agents restent non mesurés. 8 18
Résilience face à la complexité opérationnelle réelle — 4/10. Évaluation et versionnement soutiennent les corrections réutilisables. Les preuves supply chain publiées ne démontrent pas le diagnostic et la reformulation d’un modèle décisionnel économiquement inadéquat. 10 27
Intégrité du produit et de l’architecture
| Critère | Note |
|---|---|
| Cohérence architecturale | 7/10 |
| Clarté des frontières du système | 7/10 |
| Sérieux en matière de sécurité | 5/10 |
| Parcimonie logicielle et coût de possession | 4/10 |
| Compatibilité avec les opérations programmatiques et assistées par agents | 7/10 |
Moyenne : 6,0/10
Cohérence architecturale — 7/10. Une architecture définie de compilation et d’exécution relie analyse, applications et extensions. 1 2
Clarté des frontières du système — 7/10. Les guides détaillés identifient où s’exécutent code et modèles. Le discours général sur la localité à l’entrepôt masque certains déplacements de données propres aux fonctions. 14 17
Sérieux en matière de sécurité — 5/10. Des contrôles concrets d’identité et de sortie réseau sont documentés. Le comportement d’approbation et la configuration d’exécution gérée par le client créent encore des frontières déterminantes à concevoir. 14 9
Parcimonie logicielle et coût de possession — 4/10. L’infrastructure d’entrepôt existante peut être réutilisée, mais calcul, appels de modèles, maintenance applicative et intégrations restent des coûts substantiels. 1 15
Compatibilité avec les opérations programmatiques et assistées par agents — 7/10. Représentations en code et API permettent d’automatiser la maintenance des applications, avec des limites fonctionnelles explicites. 12
Transparence technique
| Critère | Note |
|---|---|
| Documentation technique publique | 8/10 |
| Inspection sans médiation de l’éditeur | 7/10 |
| Portabilité et visibilité du verrouillage | 5/10 |
| Transparence de la méthode d’implémentation | 7/10 |
| Densité des preuves derrière les affirmations techniques | 6/10 |
Moyenne : 6,6/10
Documentation technique publique — 8/10. Articles, références de fonctions, guides d’exécution et exemples détaillés exposent mécanismes et limites. 2 5 14
Inspection sans médiation de l’éditeur — 7/10. Les sources publiques permettent de vérifier des affirmations précises et de trouver des contradictions sans démonstration commerciale. L’application réellement déployée reste propre au client. 4 5
Portabilité et visibilité du verrouillage — 5/10. L’emplacement des données et les représentations applicatives sont clairs. Migrer exige toujours de reproduire la sémantique et la configuration Sigma. 16 12
Transparence de la méthode d’implémentation — 7/10. Tutoriels et consignes d’évaluation expliquent un travail substantiel de construction et de test. Ils ne quantifient pas le besoin de personnel sur toute la durée de vie. 10 20
Densité des preuves derrière les affirmations techniques — 6/10. L’architecture analytique dispose d’un soutien concret. L’économie d’une supply chain autonome présente une substance démontrée bien plus faible. 2 26
Sérieux de l’éditeur
| Critère | Note |
|---|---|
| Sérieux technique de la communication publique | 4/10 |
| Intégrité de la feuille de route technologique | 5/10 |
| Clarté conceptuelle | 4/10 |
| Responsabilité économique | 3/10 |
| Défendabilité dans un monde de logiciels agentiques | 6/10 |
Moyenne : 4,4/10
Sérieux technique de la communication publique — 4/10. Une ingénierie vérifiable coexiste avec une explication prévisionnelle erronée et une arithmétique exagérée des économies. 4 5 18
Intégrité de la feuille de route technologique — 5/10. Le noyau analytique présente une continuité, tandis que le retrait d’une fonction prévisionnelle pour les nouvelles organisations limite ce qu’établissent les anciennes annonces. 2 6
Clarté conceptuelle — 4/10. Le rôle de plateforme applicative est clair. Le discours supply chain confond accélération des workflows et méthode de décision adéquate. 26
Responsabilité économique — 3/10. Les mesures de travail chez des clients nommés sont utiles. Les exclusions générales sur les sorties IA et les révisions récurrentes non quantifiées laissent à l’acheteur une large part du risque de performance. 18 17
Défendabilité dans un monde de logiciels agentiques — 6/10. Compilation maintenue, sémantique applicative et outils de déploiement ont une valeur au-delà du chat. La spécialisation supply chain doit encore être fournie ailleurs. 24 12
Sources
[1] Architecture centrée sur l’entrepôt de données
Architecture centrée sur l’entrepôt de données. Description actuelle de l’exécution des requêtes et du cache. Consulté le 4 novembre 2026.
[2] Sigma Workbook : un tableur pour les entrepôts de données cloud
Sigma Workbook : un tableur pour les entrepôts de données cloud. Article PVLDB rédigé par l’éditeur, 2022. Consulté le 4 novembre 2026.
[3] Sigma pour les équipes supply chain
Sigma pour les équipes supply chain. Cas d’usage supply chain actuels. Consulté le 4 novembre 2026.
[4] Modèle d’application de planification de la demande
Modèle d’application de planification de la demande. Application de référence actuelle, formules, workflow d’exceptions et résumés IA. Consulté le 4 novembre 2026.
[5] Référence de la fonction MovingAvg
Référence de la fonction MovingAvg. Sémantique de la fonction et exemple de fenêtre centrée. Consulté le 4 novembre 2026.
[6] Créer des prévisions de séries temporelles avec ML Forecasting
Créer des prévisions de séries temporelles avec ML Forecasting. Restriction actuelle de disponibilité et limites du réentraînement. Consulté le 4 novembre 2026.
[7] Notes de version du 4 octobre 2024
Notes de version du 4 octobre 2024. Lancement daté de l’intégration prévisionnelle Snowflake. Consulté le 4 novembre 2026.
À propos des agents Sigma. Périmètre et modes d’exécution des agents. Consulté le 4 novembre 2026.
[9] Construire des agents Sigma
Construire des agents Sigma. Permissions des outils, comportement d’approbation et configuration. Consulté le 4 novembre 2026.
[10] Construire une suite d’évaluation pour les agents
Construire une suite d’évaluation pour les agents. Méthodes d’évaluation, exécution programmatique et limites des tests. Consulté le 4 novembre 2026.
[11] Utiliser le serveur MCP de Sigma
Utiliser le serveur MCP de Sigma. Capacités MCP actuelles et authentification. Consulté le 4 novembre 2026.
[12] Gérer les classeurs sous forme de code (bêta)
Gérer les classeurs sous forme de code (bêta). Représentation API en bêta et limites. Consulté le 4 novembre 2026.
[13] Écrire et exécuter du Python dans Sigma
Écrire et exécuter du Python dans Sigma. Fonctions Python et identités d’exécution. Consulté le 4 novembre 2026.
[14] Configurer une connexion Snowflake pour Python
Configurer une connexion Snowflake pour Python. Configuration des procédures stockées, accès sortants et ressources Snowflake. Consulté le 4 novembre 2026.
[15] Configurer une connexion Databricks pour Python
Configurer une connexion Databricks pour Python. Configuration du cluster, des bibliothèques et des permissions Databricks. Consulté le 4 novembre 2026.
[16] Présentation des tables de saisie
Présentation des tables de saisie. Stockage des écritures, récupération et comportement de suppression. Consulté le 4 novembre 2026.
[17] Avis d’activation des fonctions IA dans Sigma
Avis d’activation des fonctions IA dans Sigma. Avis d’utilisation de l’IA, mis à jour le 7 novembre 2025. Consulté le 4 novembre 2026.
[18] Payload ouvre une nouvelle source de revenus
Payload ouvre une nouvelle source de revenus. Cas nommé Payload ; coûts et travail de production de rapports. Consulté le 4 novembre 2026.
[19] Blue Bottle : entretien avec Lucy Dana
Blue Bottle : entretien avec Lucy Dana. Entretien avec Lucy Dana, 30 janvier 2020. Consulté le 4 novembre 2026.
[20] Comment nous avons construit un moteur ML de prédiction d’attrition dans Sigma
Comment nous avons construit un moteur ML de prédiction d’attrition dans Sigma. Récit d’implémentation interne d’Irina Tilak, 12 mars 2026. Consulté le 4 novembre 2026.
[21] Retour sur le Databricks Data and AI Summit
Retour sur le Databricks Data and AI Summit. Récapitulatif du 6 juillet 2023 décrivant les fonctions IA annoncées. Consulté le 4 novembre 2026.
[22] De l’analyse à l’action : présentation des agents Sigma
De l’analyse à l’action : présentation des agents Sigma. Annonce des agents du 8 avril 2026. Consulté le 4 novembre 2026.
[23] Notes de version du 12 juin 2026
Notes de version du 12 juin 2026. Notes du 12 juin 2026 identifiant les agents comme bêta. Consulté le 4 novembre 2026.
[24] Ingénieur logiciel — Compilateur
Ingénieur logiciel — Compilateur. Offre de l’employeur ; l’API publique de recrutement indique une mise à jour le 12 août 2026. Consulté le 4 novembre 2026.
[25] Staff Software Engineer — Backend
Staff Software Engineer — Backend. Offre de l’employeur ; l’API publique de recrutement indique une mise à jour le 12 août 2026. Consulté le 4 novembre 2026.
[26] Agents IA pour la supply chain et la planification de la demande
Agents IA pour la supply chain et la planification de la demande. Article de Sean Gross, 2 novembre 2026. Consulté le 4 novembre 2026.
[27] Versions des classeurs et historique
Versions des classeurs et historique. Historique et comportement de restauration des tables de saisie. Consulté le 4 novembre 2026.
[28] Gestion du fret sous contrat chez Armstrong Transport Group
Gestion du fret sous contrat chez Armstrong Transport Group. Cas client nommé sur l’automatisation des commissions et le volume confié aux transporteurs sous contrat. Consulté le 4 novembre 2026.