Torna alla ricerca di mercato
Asper.ai è un’impresa software di proprietà di Fractal che serve aziende di beni di consumo confezionati. La piattaforma attuale combina pianificazione della domanda e gestione della crescita dei ricavi: prezzi, promozioni, assortimento, mix di prodotti e investimenti commerciali. Una piattaforma dati sottostante riunisce le informazioni commerciali, mentre l’interfaccia conversazionale AskAsper consente di esplorare scenari e raccomandazioni. I sistemi esistenti di pianificazione delle risorse aziendali e gestione delle promozioni commerciali conservano i record delle transazioni e ricevono piani e decisioni approvati. 1
Punteggio complessivo per la supply chain: 4,4/10.
| Dimensione | Punteggio |
|---|---|
| Profondità nella supply chain | 4,6/10 |
| Sostanza delle decisioni e dell’ottimizzazione | 4,6/10 |
| Integrità del prodotto e dell’architettura | 4,4/10 |
| Trasparenza tecnica | 4,0/10 |
| Serietà del fornitore | 4,2/10 |
Asper affronta problemi commercialmente rilevanti. Prezzi, spese promozionali e sostituzione dei prodotti appartengono a una valutazione economica della domanda. I casi più vecchi riportano anche automazione delle previsioni e miglioramenti della produttività dei pianificatori. La debolezza è il passaggio da queste capacità all’attuale promessa di crescita coordinata e agentica: l’evidenza pubblica dimostra assistenza previsionale e raccomandazioni commerciali molto più chiaramente di un sistema ripetibile che migliori il profitto dopo i costi di implementazione e gestione. 1 6 7
I brevetti descrivono raccomandazioni probabilistiche di azioni e valutazione delle modifiche dei pianificatori, senza dimostrarne l’implementazione nell’attuale piattaforma commerciale. Le descrizioni di deployment comprendono diversi servizi cloud e l’offerta attuale include consulenza, adozione e sviluppo delle competenze. Il costo di mantenere questa combinazione pesa direttamente sui ritorni promessi. 10 11 12 13 15
Asper.ai e Lokad a confronto
Asper parte dall’organizzazione della pianificazione commerciale: combinare le sue previsioni, analizzare opportunità di ricavo, simulare prezzi e promozioni e instradare le decisioni nei processi di approvazione esistenti. Lokad parte dalle decisioni stesse: quali unità acquistare, produrre, allocare o scontare, considerando domanda e fornitura incerte, vincoli operativi e conseguenze finanziarie di ogni alternativa. La promessa attuale di Asper di preservare i flussi esistenti facilita l’adozione; conserva però anche buona parte della macchina organizzativa la cui produttività andrebbe messa in discussione. 1 Si veda l’approccio di Lokad all’ottimizzazione delle scorte.
La distinzione conta quando una promozione sembra attraente. Più vendite previste possono coincidere con vendite perse a prezzo pieno, trasferimenti costosi, rifornimenti insufficienti o rimanenze dopo l’evento. Asper copre esplicitamente effetti di prezzi e promozioni. Il materiale pubblico non espone come ricevimenti incerti dai fornitori, impieghi concorrenti delle scorte e conseguenze finanziarie entrino in un calcolo decisionale comune. Il brevetto sulla gestione delle deviazioni offre un punto di partenza utile — probabilità, azioni alternative, vincoli e guadagni o perdite —, ma non dimostra il trattamento effettivamente distribuito di quel preciso problema di supply chain. 1 10
Introduction to Supply Chain di Lokad spiega la prospettiva di progettazione più ampia: automatizzare decisioni numeriche, esprimerne l’economia e migliorare la logica con l’accumularsi delle conoscenze. Il confronto rilevante di produttività include le persone che mantengono corrispondenze dei dati, modelli, eccezioni e regole commerciali. Una riunione di revisione delle previsioni più breve cattura solo una parte di questo lavoro.
Dall’anticipazione della domanda al RGM agentico
L’entità britannica fu costituita nel novembre 2019 come Samya.ai Limited e adottò il nome Asper.ai nel novembre 2022. Fractal acquisì Samya nel giugno 2021. 2 4
| Periodo | Affermazione pubblica o direzione del prodotto | Cosa dimostra la documentazione |
|---|---|---|
| 2020 | Dynamic Demand AI usava 200 fattori esterni e apprendimento automatico automatizzato per anticipare la domanda. | Il lancio descriveva consultazioni con oltre 100 pianificatori e prove di valore con cinque aziende di beni di consumo. Non pubblicava una valutazione controllata delle affermazioni su previsioni o ricavi. |
| 2021 | Fractal acquisì Samya, promuovendo deep learning, apprendimento per rinforzo, metodi probabilistici e un vantaggio di dieci volte. | L’annuncio non definiva grandezza, riferimento o esperimento alla base di quel vantaggio. |
| 2022 | Asper fu lanciata con un motore decisionale autonomo per domanda, scorte, prezzi e promozioni. | L’annuncio descriveva contemporaneamente i moduli di pianificazione della domanda e prezzi/promozioni come versioni di prova limitate. |
| 2023 | I casi descrivevano pianificazione della domanda a basso intervento e miglioramenti di produttività dei pianificatori. | I processi documentati mantenevano modifiche dei pianificatori e separavano i casi ad alto rischio per l’attenzione umana. |
| 2025 | Fractal annunciò un investimento graduale di $20 milioni. | Il perimetro dichiarato copriva ancora domanda, gestione della crescita dei ricavi, pianificazione delle scorte ed esecuzione commerciale. |
| Attuale | Agentic RGM combina agenti commerciali, AskAsper e una piattaforma dati. | La descrizione attuale si concentra su decisioni commerciali governate e sulla conservazione dei processi aziendali esistenti. |
Il primo linguaggio sull’IA era già ampio. Nel 2022, «autonomo» descriveva una suite i cui moduli pubblicizzati erano ancora in prova limitata. I documenti clienti successivi offrono un racconto più circoscritto e credibile: automatizzare parte della produzione delle previsioni e aiutare i pianificatori a gestire il resto. La presentazione agentica attuale richiede prove di cosa sia cambiato nel sistema numerico decisionale, oltre all’aggiunta di un’interfaccia conversazionale. 5 6 7
Esiste continuità nel problema commerciale affrontato. Anticipazione della domanda, fattori esterni, intervento dei pianificatori ed effetti sui ricavi ricorrono lungo tutta la documentazione. La continuità è molto minore nella documentazione tecnica pubblica: i collegamenti attuali a prodotti, risorse e filosofia dell’IA portano in gran parte a una pagina di prossima pubblicazione, mentre casi utili sopravvivono in PDF archiviati. La maturazione del prodotto dovrebbe rendere meccanismi e risultati più facili da esaminare. 1 6 7
Cosa rivelano i metodi numerici
Raccomandazioni probabilistiche nei brevetti
Una domanda di brevetto Samya pubblicata nel 2021 descrive un sistema di gestione delle deviazioni. Un utente specifica un caso d’uso e metriche; modelli interconnessi prevedono deviazioni, assegnano probabilità, ne seguono gli effetti e raccomandano azioni. Le rivendicazioni includono esplicitamente distribuzioni degli esiti delle azioni, vincoli operativi specificati dall’utente e guadagni quantificati dall’agire o perdite dal rinunciare. Un meccanismo di feedback registra le azioni per migliorare previsioni successive. 10
È una prova sostanziale del tentativo di superare una singola previsione seguita da un avviso. Il progetto pubblicato collega incertezza, azioni alternative e metriche connesse. Tuttavia, una metrica configurabile può rappresentare ricavi, errore previsionale o un altro obiettivo. Il brevetto non stabilisce se il prodotto distribuito valuti coerentemente tutte le conseguenze rilevanti, apprenda effetti causali con affidabilità o coordini scorte scarse fra decisioni concorrenti. Sono questioni di implementazione con conseguenze economiche dirette. 10
Un secondo brevetto, concesso nel 2025 con priorità del 2020, riguarda le modifiche alle previsioni. Confronta le previsioni modificate con i risultati effettivi, individua distorsioni sistematiche e assegna punteggi di competenza alle entità che effettuano gli aggiustamenti. Raccomanda poi miglioramenti alle previsioni successive. Può evidenziare interventi dannosi dei pianificatori, ma il risultato centrale resta una previsione modificata. Un miglioramento predittivo non determina, da solo, la quantità d’ordine o il prezzo migliori. 11
Incertezza di domanda e fornitura
Il prodotto commerciale enfatizza fattori di domanda, elasticità dei prezzi e scenari. Né la descrizione attuale né le schede dei marketplace spiegano una distribuzione congiunta di domanda, tempi di consegna dei fornitori, quantità disponibili e altre incertezze della fornitura. Il brevetto sulle deviazioni è abbastanza ampio da discutere più metriche; manca una concreta implementazione supply chain che combini tali incertezze prima di scegliere un’azione. 1 10 12 13
Questa lacuna diventa rilevante quando interagiscono decisioni commerciali e fisiche. Una promozione modifica la domanda proprio quando il riapprovvigionamento può essere inaffidabile. Una raccomandazione di prezzo che tratti la disponibilità futura come input fisso può apparire redditizia mentre sposta costi verso spedizioni urgenti, vendite perse altrove o scorte residue. Più segnali di domanda non risolvono l’incertezza su ciò che può essere effettivamente fornito.
Asper deve anche distinguere le vendite previste dall’effetto di cambiare un prezzo o una promozione. Le promozioni storiche sono scelte da persone che rispondono a domanda attesa, comportamento dei concorrenti e posizioni di magazzino. Un modello che si adatta a quelle osservazioni può riprodurre la selezione senza stimare l’effetto incrementale di un’altra azione. Le descrizioni pubbliche identificano elasticità e ritorni promozionali, ma non espongono il metodo di valutazione controfattuale o il suo errore. 1 13
Cosa misura l’evidenza dei clienti
Il caso archiviato di alimentazione animale offre dettagli operativi utili: 87 clienti, 23 magazzini, più canali commerciali e una previsione mobile di quattro mesi. I casi a basso intervento furono automatizzati; nei casi ad alto intervento, i pianificatori modificavano la previsione di riferimento. I risultati distinguono circa il 60% del portafoglio automatizzato dal 42% del volume dei prodotti guidato da decisioni automatiche. Il documento non dimostra che ordini d’acquisto, rilasci di produzione o prezzi fossero eseguiti automaticamente. 6
Anche i dati di accuratezza richiedono i denominatori originali. Il settanta per cento del portafoglio migliorò; non è una dichiarazione del 70% di accuratezza previsionale. Un terzo del portafoglio sarebbe migliorato di oltre 20 punti percentuali e il caso riporta un miglioramento del 6% su tre canali. La discussione iniziale menziona un errore percentuale assoluto medio superiore al 25%, ma i risultati non forniscono formula coerente, ponderazione, errore finale e protocollo fuori campione. Un compratore non può ricostruire il miglioramento dai numeri pubblicati. 6
Il caso degli alimenti confezionati è più solido sui tempi trascorsi. Riporta un miglioramento del 6,8% dell’accuratezza per due categorie nelle prime otto settimane, oltre il 5% fra categorie nel primo anno, 8,2% nel secondo e produttività dei pianificatori superiore del 40%. L’implementazione comprendeva un workshop esplorativo, mappatura dei processi, prova di valore e configurazione del futuro processo di pianificazione. Le situazioni ad alto rischio continuavano a ricevere attenzione dei pianificatori. 7
Sono benefici dichiarati dei clienti con informazioni significative sull’ambito. Restano casi anonimi privi di metrica previsionale, popolazione di controllo, denominatore di produttività o costi totali di personale e servizi necessari a riprodurre la valutazione. Il caso degli alimenti confezionati non dice se il 40% di produttività significhi meno ore, più articoli per pianificatore o un diverso mix di attività. Nessuno dei casi fornisce profitto netto realizzato dopo implementazione e lavoro ricorrente. 6 7
Le affermazioni dei marketplace ampliano le promesse. AWS descrive un impegno a migliorare l’accuratezza del 5–15%; Microsoft descrive un miglioramento di 10–20 punti e fino all’80% di automazione del portafoglio. Percentuali e punti percentuali sono misure diverse e le schede non stabiliscono riferimenti comuni o lo stesso ambito di prodotto. L’accuratezza per categoria non dimostra nemmeno qualità del riapprovvigionamento a livello SKU: l’aggregazione rimuove molta della variabilità che rende difficili le singole decisioni sulle scorte. 12 13
Componenti software e confini operativi
Le descrizioni pubbliche più concrete dei componenti provengono dalle schede dei marketplace redatte dal fornitore.
| Descrizione del prodotto | Componenti citati | Implicazione operativa |
|---|---|---|
| Scheda AWS di previsione della domanda | Redshift, Amazon EMR ed ElastiCache | Data warehouse, elaborazione distribuita e caching richiedono ciascuno sincronizzazione dei dati, scelte di capacità e manutenzione operativa. |
| Scheda dell’applicazione Microsoft | Cosmos DB, Azure Database for PostgreSQL, Kubernetes Service, Azure OpenAI e macchine virtuali | Due servizi database, orchestrazione dei container, erogazione dei modelli e un servizio IA esterno creano più interfacce da gestire e proteggere. |
| Panoramica attuale della piattaforma | Integrazione con le piattaforme cloud e dati esistenti dei clienti | L’infrastruttura dati del cliente resta parte dell’assetto operativo anziché scomparire nell’applicazione. |
Le descrizioni AWS e Azure sono offerte separate; la documentazione pubblica non le collega a versioni dell’attuale piattaforma Agentic RGM. Anche la scheda AWS combina la dichiarazione che il prodotto è costruito con servizi AWS con metadati che lo classificano come servizi professionali e indicano «No» per «Deployed on AWS». Questo ne indebolisce l’utilità come specifica di deployment. I compratori necessitano della topologia effettiva, delle responsabilità di servizio e del percorso di aggiornamento della propria installazione. 12 13
Una posizione di Lead Data Scientist presso Asper descrive costruzione e manutenzione di pipeline di modelli, distribuzione, monitoraggio del comportamento e aggiornamento insieme a team tecnici e aziendali. Python e SQL figurano fra le competenze ricercate. Il punto concreto è il lavoro ingegneristico continuo: nuovi segnali esterni, prodotti che cambiano e modelli che si deteriorano richiedono pipeline mantenute e revisioni deliberate. 14
Asper si descrive chiaramente come uno strato decisionale sopra ERP e gestione delle promozioni commerciali. Approvazione e sincronizzazione dei risultati necessitano comunque di gestione dei guasti: quale sistema è responsabile di una decisione, cosa accade se una scrittura fallisce e come una richiesta ripetuta evita esecuzioni duplicate. Il materiale pubblico non fornisce contratto API, semantica dei tentativi ripetuti, schema di versionamento dei modelli o procedura di recupero operativo. 1
Confini di sicurezza
La scheda Azure cita Kubernetes e definisce sicura l’applicazione. La politica di privacy del sito descrive la protezione generale delle informazioni personali. Nessuna spiega isolamento dei carichi dei clienti, privilegi degli agenti commerciali, accesso alle credenziali di produzione, restrizioni di rete in uscita o recupero da un modello o un’integrazione compromessi. Questi meccanismi contano quando le raccomandazioni possono diventare azioni commerciali approvate. 13 16
La piattaforma attuale promette limiti e verificabilità, ma non descrive come un corridoio di prezzo o una regola commerciale siano imposti indipendentemente dall’agente che propone l’azione. La traccia di un’azione non sicura non la impedisce. La valutazione della sicurezza resta quindi debole finché permessi d’esecuzione, imposizione dei limiti e recupero non siano tecnicamente esaminabili. 1
Manutenzione della configurazione, produttività e responsabilità
La piattaforma dati di Asper incorpora attributi dei prodotti, meccaniche promozionali e tassonomia commerciale. Gli agenti operano con corridoi di prezzo, scale di confezioni e regole commerciali. Codificano conoscenza aziendale reale, ma creano anche configurazione da mantenere. Nuove confezioni, accordi con rivenditori, promozioni e strutture di mercato cambiano le ipotesi dei calcoli. Il costo di rivedere e aggiornare in sicurezza questa logica appartiene al costo totale di proprietà. 1
L’attuale offerta Value Enablement rende esplicito il contributo umano: interventi di esperti, supporto all’adozione, allineamento interfunzionale e capacità RGM sostenuta nel tempo. I servizi di PricingOne comprendono strategia, supporto all’implementazione, analisi e formazione. Anche il white paper Asper del 2023 richiedeva cambiamenti organizzativi e di processo. Il prodotto viene venduto insieme a una modifica sostanziale del lavoro dei team commerciali. 1 15 8
Ciò ridimensiona l’affermazione dell’annuncio del 2025 secondo cui la piattaforma elimina le barriere legate a talenti IA interni, infrastruttura e addestramento dei modelli. Esternalizzare queste attività può essere conveniente. Non ne elimina il costo, il lavoro sui dati del cliente o l’esperienza commerciale necessaria per mantenere l’implementazione. Anche il periodo dichiarato di prova di valore termina prima dell’estensione completa e dei suoi obblighi ricorrenti. 9 1
La questione della produttività dopo il 2022 è più ampia della possibilità per un pianificatore di interrogare un assistente. Quante persone mantengono operative le decisioni e quanto rapidamente può migliorare la logica l’organizzazione? I casi Asper riportano riduzioni del lavoro previsionale. Il materiale pubblico attuale non mostra un processo versionato e verificabile per modificare regole commerciali, rieseguire decisioni sui dati storici, misurare effetti economici e annullare una modifica dannosa. Conservare approvazioni e aggiungere conversazioni può accelerare singole attività lasciando il processo principale di miglioramento ad alta intensità di lavoro. 6 7 1
La scheda AWS di Asper assume un impegno sul risultato: migliorare l’accuratezza previsionale. Non pubblica metrica contrattuale, test di accettazione, rimedio o ripartizione delle responsabilità quando l’obiettivo non viene raggiunto. Il conto economico rilevante deve comprendere margine realizzato e conseguenze sulle scorte dopo costi di software, consulenza e lavoro del cliente. Migliorare un punteggio previsionale non fornisce automaticamente una risposta a quel conto. 12
Punteggio per la supply chain
Ogni sottopunteggio va da 0 a 10. Il punteggio complessivo è la media non ponderata dei 25 sottopunteggi.
Profondità nella supply chain
| Criterio | Punteggio |
|---|---|
| Impostazione economica | 6/10 |
| Esito operativo della decisione | 4/10 |
| Precisione concettuale sulla supply chain | 5/10 |
| Indipendenza da dottrine centrali obsolete | 4/10 |
| Resistenza alla teatralizzazione dei KPI | 4/10 |
Media: 4,6/10.
Impostazione economica — 6/10. Prezzi, spesa promozionale, mix e margine sono variabili economiche rilevanti. Il prodotto pubblico non espone un calcolo comune che includa rischi di scorte e fornitura insieme agli effetti commerciali. 1 10
Esito operativo della decisione — 4/10. La piattaforma attuale promette esecuzione commerciale approvata, ma i casi documentati dimostrano produzione di previsioni e assistenza ai pianificatori. Le percentuali di automazione non identificano decisioni eseguite di riapprovvigionamento o produzione. 1 6 7
Precisione concettuale sulla supply chain — 5/10. Il brevetto sulle deviazioni collega incertezza, azioni alternative, vincoli operativi e metriche connesse. L’implementazione commerciale dell’incertezza congiunta di domanda e fornitura rimane inspiegata. 10 12
Indipendenza da dottrine centrali obsolete — 4/10. L’offerta mantiene una previsione unificata, flussi S&OP esistenti, modifiche dei pianificatori e approvazioni. L’automazione economica delle decisioni è meno sviluppata pubblicamente della macchina che sostiene tali pratiche. 11 12 13
Resistenza alla teatralizzazione dei KPI — 4/10. I casi conservano ambito e tempistiche utili, ma miglioramenti di accuratezza e automazione del portafoglio mancano delle definizioni necessarie per collegarli a profitto o personale. 6 7 13
Sostanza delle decisioni e dell’ottimizzazione
| Criterio | Punteggio |
|---|---|
| Profondità della modellazione probabilistica | 5/10 |
| Sostanza distintiva dell’ottimizzazione o dell’apprendimento automatico | 5/10 |
| Gestione dei vincoli reali | 4/10 |
| Automazione delle decisioni e produttività del lavoro | 5/10 |
| Resilienza nella complessità operativa reale | 4/10 |
Media: 4,6/10.
Profondità della modellazione probabilistica — 5/10. Il brevetto descrive distribuzioni di deviazioni e risultati delle azioni. L’evidenza pubblica di deployment non ne spiega calibrazione, struttura di dipendenza o applicazione alla fornitura incerta. 10
Sostanza distintiva dell’ottimizzazione o dell’apprendimento automatico — 5/10. I brevetti su metriche interconnesse e modifiche alle previsioni rivelano meccanismi oltre le generiche etichette IA. Implementazione, prestazioni comparative e ruolo nel prodotto attuale non sono esaminabili. 10 11
Gestione dei vincoli reali — 4/10. Il prodotto attuale identifica limiti commerciali e il brevetto consente vincoli per caso d’uso. Non è specificato il trattamento congiunto di capacità fisica, ricevimenti incerti, competizione per le scorte e impegni commerciali. 1 10
Automazione delle decisioni e produttività del lavoro — 5/10. I casi di alimentazione animale e alimenti confezionati riportano ambito effettivo dell’automazione e benefici di produttività dei pianificatori. Nessuno misura tutto il lavoro ricorrente o la produttività nel modificare la logica decisionale. 6 7
Resilienza nella complessità operativa reale — 4/10. I casi multicanale e multimagazzino dimostrano condizioni operative rilevanti. Non rivelano prestazioni durante interruzioni della fornitura, integrazioni fallite o cambiamenti sostanziali di assortimento e regole aziendali. 6 7
Integrità del prodotto e dell’architettura
| Criterio | Punteggio |
|---|---|
| Coerenza architetturale | 5/10 |
| Chiarezza dei confini del sistema | 6/10 |
| Serietà nella sicurezza | 3/10 |
| Parsimonia del software e costo di proprietà | 4/10 |
| Compatibilità con operazioni programmatiche e assistite da agenti | 4/10 |
Media: 4,4/10.
Coerenza architetturale — 5/10. Gli attuali strati dati e decisionale formano un concetto commerciale coerente. La relazione tra offerta AWS, applicazione Azure e piattaforma attuale manca di una mappa pubblica di versioni o distribuzione. 1 12 13
Chiarezza dei confini del sistema — 6/10. Asper lascia esplicitamente i record delle transazioni a ERP o gestione delle promozioni commerciali e descrive la sincronizzazione di piani e risultati. Semantica dei guasti e responsabilità per azioni parzialmente completate restano non specificate. 1
Serietà nella sicurezza — 3/10. Le descrizioni pubbliche identificano infrastruttura cloud e salvaguardie generali, ma non espongono isolamento dei tenant, privilegi degli agenti, protezione delle credenziali o confini d’esecuzione imponibili. 1 13 16
Parsimonia del software e costo di proprietà — 4/10. Servizi cloud nominati, pipeline di modelli mantenute, configurazione commerciale e servizi specialistici creano un obbligo operativo rilevante. Prezzi pubblici e casi clienti non quantificano tale obbligo. 12 13 14 15
Compatibilità con operazioni programmatiche e assistite da agenti — 4/10. AskAsper ed esecuzione approvata offrono una direzione di prodotto orientata agli agenti. Nel materiale mancano contratti API pubblici, modifiche verificabili alle regole e ripristino versionato della logica decisionale. 1
Trasparenza tecnica
| Criterio | Punteggio |
|---|---|
| Documentazione tecnica pubblica | 4/10 |
| Ispezionabilità senza mediazione del fornitore | 3/10 |
| Visibilità di portabilità e dipendenza | 3/10 |
| Trasparenza del metodo d’implementazione | 5/10 |
| Densità delle prove a sostegno delle affermazioni tecniche | 5/10 |
Media: 4,0/10.
Documentazione tecnica pubblica — 4/10. Brevetti e schede dei marketplace rivelano algoritmi e componenti proposti. I collegamenti attuali del prodotto portano spesso a un segnaposto, lasciando un ampio divario tra quei documenti e una guida d’implementazione. 1 10 11 13
Ispezionabilità senza mediazione del fornitore — 3/10. Nessun modello pubblico eseguibile, dataset di valutazione o API decisionale accompagna le affermazioni commerciali. I PDF clienti riportano risultati senza una procedura di misurazione riproducibile. 6 7 1
Visibilità di portabilità e dipendenza — 3/10. La piattaforma lavora sopra l’infrastruttura esistente dei clienti, ma non documenta l’esportazione di modelli addestrati, configurazione commerciale, cronologia delle azioni o logica decisionale eseguibile. 1
Trasparenza del metodo d’implementazione — 5/10. Il caso degli alimenti confezionati descrive esplorazione, mappatura dei processi, prova di valore e configurazione. Il materiale attuale identifica supporto specialistico all’adozione, ma non personale e calendario di manutenzione di un’implementazione completa. 7 1 15
Densità delle prove a sostegno delle affermazioni tecniche — 5/10. Due brevetti sostanziali, descrizioni di componenti cloud e casi archiviati dettagliati sostengono una valutazione tecnica significativa. Il prodotto agentico attuale ha molta meno evidenza sui meccanismi. 10 11 6 13 1
Serietà del fornitore
| Criterio | Punteggio |
|---|---|
| Serietà tecnica della comunicazione pubblica | 4/10 |
| Integrità della roadmap tecnologica | 4/10 |
| Precisione concettuale | 5/10 |
| Responsabilità economica | 4/10 |
| Difendibilità in un mondo di software agentico | 4/10 |
Media: 4,2/10.
Serietà tecnica della comunicazione pubblica — 4/10. Le prime affermazioni di vantaggio decuplicato e suite autonoma superano misure divulgate e stato di rilascio. Documenti clienti più concreti restano disponibili tramite archivi. 4 5 6 7
Integrità della roadmap tecnologica — 4/10. Domanda e pianificazione commerciale forniscono una focalizzazione aziendale coerente. La storia pubblica non segue come il precedente motore autonomo sia diventato l’attuale piattaforma agentica o quali capacità numeriche siano cambiate. 3 5 9 1
Precisione concettuale — 5/10. Decisioni commerciali collegate e misurazione dei bias dei pianificatori affrontano problemi concreti. Le idee analitiche più solide dei brevetti sono solo debolmente collegate alle spiegazioni attuali del prodotto. 10 11 1
Responsabilità economica — 4/10. L’impegno al miglioramento previsionale è esplicito, ma condizioni di accettazione e rimedi non sono pubblicati. I risultati clienti omettono profitto netto realizzato e costi combinati di fornitore, partner e cliente. 12 6 7
Difendibilità in un mondo di software agentico — 4/10. Preparazione dei dati commerciali e conoscenza di settore possono mantenere valore. Uno strato conversazionale sopra flussi ereditati offre un vantaggio più debole, salvo che riduca anche il lavoro necessario per gestire e migliorare le decisioni numeriche. 1 14 15
Fonti
Le seguenti fonti sono state controllate il 4 novembre 2026. I casi e il white paper archiviati conservano le descrizioni storiche dei prodotti e i risultati dichiarati.
[1] Agentic RGM e panoramica della piattaforma
Agentic RGM e panoramica della piattaforma. Ambito funzionale attuale, limiti commerciali, AskAsper, piattaforma dati, confini d’integrazione, Value Enablement e tempistiche della prova di valore.
[2] Registro di Asper.ai Limited
Registro di Asper.ai Limited. Costituzione dell’entità britannica e precedente denominazione.
[3] Samya.ai presenta Dynamic Demand AI
Samya.ai presenta Dynamic Demand AI. Lancio del 2020, segnali esterni, consultazione dei pianificatori e prove di valore.
[4] Fractal acquisisce Samya.ai
Fractal acquisisce Samya.ai. Acquisizione e affermazioni sui metodi numerici e sul vantaggio decuplicato.
[5] Fractal annuncia il lancio di Asper.ai
Fractal annuncia il lancio di Asper.ai. Posizionamento di suite autonoma del 2022 e stato di versione di prova limitata.
[6] Caso di pianificazione della domanda nell’alimentazione animale
Caso di pianificazione della domanda nell’alimentazione animale. Caso archiviato di cinque pagine. Ambito previsionale, intervento manuale e automazione di portafoglio rispetto a volume; pagina dei risultati verificata visivamente.
[7] Caso di pianificazione della domanda negli alimenti confezionati
Caso di pianificazione della domanda negli alimenti confezionati. Caso archiviato. Approccio esplorativo e di configurazione, dati di accuratezza per fase e produttività dei pianificatori; pagina dei risultati verificata visivamente.
[8] White paper Dalla previsione all’esecuzione
White paper Dalla previsione all’esecuzione. White paper archiviato del 2023 sul lavoro organizzativo, sui dati e sui processi richiesto per implementare.
[9] Fractal investe $20 milioni in Asper.ai
Fractal investe $20 milioni in Asper.ai. Annuncio d’investimento del marzo 2025, quattro aree di prodotto e affermazioni sull’esternalizzazione degli oneri di sviluppo IA.
[10] Brevetto di previsione delle deviazioni e metriche interconnesse
Brevetto di previsione delle deviazioni e metriche interconnesse. Progetto brevettuale pubblicato per deviazioni interconnesse, esiti probabilistici delle azioni, vincoli e feedback. Un brevetto non dimostra la distribuzione nel prodotto attuale.
[11] Brevetto sulle modifiche alle previsioni e gli attributi cognitivi
Brevetto sulle modifiche alle previsioni e gli attributi cognitivi. Brevetto concesso il 25 marzo 2025, con priorità del 2020, su bias delle modifiche alle previsioni e punteggi di competenza.
[12] Scheda AWS Marketplace di previsione della domanda
Scheda AWS Marketplace di previsione della domanda. Scheda AWS redatta dal fornitore: nomi dei componenti, impegno al miglioramento previsionale, percorso di prezzo e metadati di erogazione.
[13] Applicazione Microsoft Marketplace e componenti Azure
Applicazione Microsoft Marketplace e componenti Azure. Scheda Microsoft redatta dal fornitore: servizi Azure, previsione unificata e RGM, affermazioni di automazione e accuratezza.
[14] Posizione di Lead Data Scientist
Posizione di Lead Data Scientist. Annuncio del datore di lavoro su sviluppo dei modelli, manutenzione delle pipeline, integrazione in produzione e monitoraggio.
[15] Servizi PricingOne e sviluppo delle competenze
Servizi PricingOne e sviluppo delle competenze. Servizi del partner, esperienza commerciale e sviluppo delle competenze. I suoi risultati generali dei clienti non sono attribuiti ad Asper.
[16] Politica di privacy del sito Asper
Politica di privacy del sito Asper. Pratiche di privacy del sito; non contiene una specifica dettagliata dei controlli di esecuzione o isolamento della piattaforma commerciale.