L'analyse d'Agents of AI, fournisseur de logiciels supply chain

Dernière mise à jour : avril 2025

Retourner à Étude de marché

Agents of AI se positionne comme un fournisseur d’“AI agents” couvrant plusieurs fonctions d’affaires — de l’optimization de la supply chain et de l’engagement client à la gestion des leads et à l’analyse des risques. Le marketing de l’entreprise se déploie principalement via des articles de blog vantant des avantages tels que la prévision de la demande en temps réel, le contrôle automatisé des stocks et une prise de décision proactive basée sur l’analytics prédictif. Cependant, des pages clés telles que “About”, “Solutions” et “Technology” offrent peu d’informations sur l’historique ou de détails techniques. En contraste avec des platforms telles que Lokad, qui offrent une approche mature, axée sur les données et techniquement rigoureuse de l’optimization de la supply chain basée sur des algorithmes de prévision et d’optimization propriétaires, Agents of AI présente une suite plus large mais moins étayée d’“agents” modulaires. Cette analyse se penche sur les fonctionnalités revendiquées par l’entreprise, son modèle technologique et sa valeur stratégique — ainsi que sur les lacunes notables qui nécessitent une validation technique supplémentaire avant une adoption massive.

Aperçu de la solution

Agents of AI se présente comme un fournisseur d’“AI agents” pour une gamme de fonctions d’affaires. Son portefeuille de produits est principalement communiqué par une série d’articles de blog et comprend des solutions pour :

• L’optimization de la supply chain: Les revendications incluent l’automatisation de la coordination logistique, une prévision de la demande améliorée en temps réel, une gestion dynamique des stocks et des mesures de durabilité (Supply Chain Optimization AI Agents) ¹.
• CRM et engagement client: Le fournisseur détaille la notation automatisée des leads, le routage et la personnalisation des communications avec les clients comme aspects de son offre d’agents CRM (How AI Agents Revolutionize CRM) ².
• Gestion des leads: De même, des agents sont décrits qui simplifient la gestion des leads grâce à une évaluation automatisée et un accompagnement (Lead Management AI Agents) ².

Des récits supplémentaires s’étendent à des domaines tels que la négociation, l’efficacité énergétique, la performance RH, la gestion des risques et la détection des fraudes. Malgré ce large champ d’action, le site web fournit presque aucune information sur l’histoire de la fondation de l’entreprise, la composition de l’équipe ou l’infrastructure technologique sous-jacente — comme en témoignent les sections “About” et “Technology” peu fournies, et même une page “Solutions” manquante (About) ¹.

Fonctionnalités et avantages revendiqués

Chaque agent est commercialisé à travers un récit cohérent, ponctué de mots à la mode, mettant en avant des résultats commerciaux clairs et pragmatiques. Par exemple, l’agent d’optimization de la supply chain prétend automatiser les décisions de réapprovisionnement, atténuer les retards et améliorer la gestion des fournisseurs grâce à des analyses en temps réel (Supply Chain Optimization AI Agents) ¹. De même, les agents CRM et de gestion des leads prétendent tirer parti de modèles prédictifs pour améliorer les taux de conversion et l’engagement client (How AI Agents Revolutionize CRM, Lead Management AI Agents) ². D’autres produits — couvrant la négociation, l’efficacité énergétique, la performance RH, la gestion des risques et la détection des fraudes — promettent des opérations rationalisées grâce à une surveillance et une prise de décision autonomes, bien que leurs descriptions restent largement génériques et non étayées par des données techniques ou des indicateurs de performance ³.

Technologie revendiquée et modèle opérationnel

La narration d’Agents of AI se centre sur une approche “agentique” où des modules logiciels autonomes surveillent en continu les flux de données — allant des flux de capteurs aux journaux de transactions — et exécutent des décisions telles que des ajustements d’itinéraire ou le scoring des leads. L’entreprise met en avant l’utilisation du machine learning, du natural language processing et de l’analytics prédictif à la fois pour l’analyse historique et pour une réponse en temps réel. Cependant, les détails techniques sont rares ; il n’existe ni schémas architecturaux, ni références API, ni divulgations spécifiques sur les types de modèles, les points d’intégration ou même la pile technologique de base. La page “Technology” du site est remarquablement vide, laissant les clients potentiels sans corroboration indépendante sur la manière dont ces agents fonctionnent ou sont intégrés aux systèmes d’affaires existants ³.

Lacunes, ambiguïtés et points de scepticisme

Une analyse critique du contenu révèle plusieurs préoccupations :

• Manque de transparence : Les informations essentielles concernant l’histoire de l’entreprise, l’expertise de son équipe et la documentation technique détaillée sont soit absentes, soit extrêmement limitées. Cette opacité se retrouve sur des pages clés qui décriraient normalement la technologie et la méthodologie d’intégration (About) ¹.
• Dépendance aux mots à la mode : Les descriptions de produits emploient fréquemment une terminologie AI tendance — telle que “autonomous”, “predictive” et “agentic” — sans expliquer comment ces fonctionnalités sont réalisées ou validées.
• Incertitude quant au déploiement : Bien que le contenu laisse entendre une intégration avec des systèmes ERP ou supply chain existants, les précisions sur les modèles de déploiement (SaaS cloud versus sur site) et l’interopérabilité des API ne sont pas abordées.
• Revendications trop généralisées : Des avantages tels qu’une amélioration des taux de conversion, une réduction des retards et une meilleure prise de décision sont affirmés sans fournir de références indépendantes, d’études de cas ou d’indicateurs de performance détaillés qui étayent ces revendications ⁴.

Agents of AI vs Lokad

Alors qu’Agents of AI offre une large gamme d’“AI agents” applicables à de multiples fonctions d’affaires, son approche diverge nettement de celle de Lokad — une entreprise adoptant une approche quantitative ciblée de l’optimization de la supply chain. La plateforme de Lokad se caractérise par :

• Une architecture éprouvée, native du cloud, basée sur la prévision probabiliste, le deep learning et un langage spécifique au domaine (Envision) conçu spécialement pour des applications supply chain.
• Une documentation technique exhaustive et une longue expérience d’améliorations itératives avec un ROI mesurable pour des défis complexes de supply chain.
• Un pipeline d’exécution étroitement intégré qui produit des résultats concrets et exploitables (par exemple, des commandes de réapprovisionnement spécifiques et des recommandations tarifaires) plutôt que de simples revendications d’automatisation.

En revanche, Agents of AI fournit une collection plus généraliste d’« agents » avec un étayage technique minimal et manque de la documentation détaillée ou de la maturité démontrée qu’affiche Lokad. En ce sens, les dirigeants supply chain évaluant les deux solutions pourraient trouver que l’approche, rigoureusement conçue et axée sur les données, de Lokad est mieux adaptée pour répondre aux complexités inhérentes de l’optimization de la supply chain ⁵.

Conclusion

Agents of AI présente un concept innovant en offrant une suite modulaire d’agents IA qui promettent d’automatiser et d’optimiser diverses fonctions d’affaires, y compris les opérations supply chain. Toutefois, d’importantes lacunes en termes de transparence technique — couplées à une dépendance aux mots à la mode génériques et à un manque de données de performance détaillées — soulèvent des questions quant à l’efficacité pratique de sa solution. En contraste avec des plateformes établies telles que Lokad, qui offrent une approche mature et quantitativement robuste grâce à des techniques avancées de prévision et d’optimization, l’offre d’Agents of AI pourrait nécessiter une validation indépendante supplémentaire avant que les entreprises ne puissent y recourir en toute confiance pour des applications critiques. Les organisations envisageant cette solution devraient demander une documentation technique complète et des études de cas indépendantes pour vérifier ses revendications.

Sources