Rechercher dans le radar

o9 présente l'IA Responsable comme la préparation d'entreprise pour la planification agentique

E2open positionne l'AI agentique comme une couche intégrée pour la gestion connectée de la chaîne d'approvisionnement

Blue Yonder présente la visibilité multi-entreprise et l'AI agentique comme une couche de résilience

OMP présente UnisonIQ comme une couche d'AI agentique pour la prise de décision supply chain

Willow lève 7 millions de dollars pour gouverner l'accès en entreprise des agents IA autonomes

SAP positionne les agents et assistants Joule comme une nouvelle couche IA pour la gestion de la chaîne d'approvisionnement

ARIS lance Process Context for Enterprise AI pour ancrer les agents dans les workflows opérationnels

Compri lève 3,2 millions d'euros pour étendre ses agents d'approvisionnement autonomes

Pigment améliore ses Agents IA avec un contexte web en direct et des citations de sources

RELEX introduit l'IA agentique pour le diagnostic de la planification des approvisionnements

Daybreak lève 15 millions de dollars alors que la planification de la supply chain entre dans l'ère des agents AI

Anthropic publie un guide pour les startups natives AI destiné aux fondateurs qui construisent avec des agents

Microsoft Dynamics 365 montre comment l'IA agentique relie les données de la chaîne d'approvisionnement, les décisions et l'exécution

Aptean apporte l'IA agentique Logility DemandAI+ à la planification de la chaîne d'approvisionnement

Colibri S&OP positionne les agents AI au sein de workflows de planification de la chaîne d'approvisionnement accessibles

Oracle présente des applications d'IA agentique Fusion Claw pour la planification et l'exécution supply chain

Anaplan étend la planification d'entreprise pilotée par l'AI avec Custom Analyst et Agent Studio

Coupa Inspire 2026 met en avant Navi Agent Studio pour les tâches autonomes de chaîne d'approvisionnement et d'achats

Infor élargit son offre Industry AI avec plus de 100 agents et des améliorations de l'Agentic Orchestrator

Board et Microsoft intègrent l'IA agentique dans la planification d'entreprise

SymphonyAI intègre l'IA agentique dans les décisions clés de merchandising retail

Pigment présente l'architecture Graphite pour une planification évolutive et gouvernée

Descartes ajoute un Agent Control Plane pour gouverner les workflows logistiques interentreprises

Pigment enrichit Modeler Agent avec l’historique applicatif pour expliquer les changements de planification

Accenture investit dans Aera Technology pour alimenter les chaînes d'approvisionnement basées sur l'AI

ToolsGroup lance Decion pour des chaînes d'approvisionnement autonomes pilotées par l'AI

GAINS annonce une croissance record portée par sa plateforme de supply chain pilotée par l'AI

Le playbook d’Anthropic annonce l’essor des modèles opérationnels natifs IA

DataLeo lance un Radar Supply Chain AI couvrant planification, opérations et gouvernance des décisions

SKU Science maintient la planification de la demande légère et pertinente pour les PME et les équipes e-commerce

Responsable Produit Numérique — IA pour la Fabrication et la Supply Chain

Directeur ou directrice, Supply Chain Data & AI - BD (Becton, Dickinson and Company)

e.l.f. Beauty recrute un responsable produit IA pour les opérations intelligentes

FAILURE: Une gouvernance uniforme peut conduire à l’échec des déploiements d’agents IA

WARNING: Les dépenses en logiciels de Supply Chain à base d'IA agentique devraient exploser, augmentant la pression sur la gouvernance

RISK: Les agents IA ne doivent pas gérer les chaînes d'approvisionnement sans contexte physique et supervision humaine

SAP examine les bases de données nécessaires pour l'IA agentique

EVENT: MyExobrain met en évidence l'écart d'adoption de l'IA agentique après le Gartner Supply Chain Symposium

L'accountability de l'IA supply chain se concentre sur le journal de l'agent

Événement : Panel sur l'orchestration de la supply chain pour examiner l'IA agentique et la propriété des décisions humaines

EVENT: Le webinaire Alkemys met en avant les agents IA pragmatiques dans la Supply Chain

RÉGLEMENTATION : L'application de l'EU AI Act et les obligations de transparence de l'Article 50 commencent

RISK: Les agents de planification longue durée exigent des limites explicites de décision et d’override

RISK: Les conseils d’administration manquent de modèles de gouvernance pour les droits décisionnels des agents

EVENT: Arnaud Morvan anime une session Alpes Supply Chain sur l'IA dans la Supply Chain

WARNING: Seules 21 % des entreprises déclarent avoir une visibilité sur leurs agents IA

SECURITY: Le NIST signale de nouvelles menaces liées aux accès autonomes des agents IA

SECURITY: Le NIST appelle à des contrôles fondés sur les actions des outils d’agents IA

WARNING: L’accès des agents IA aux outils crée un périmètre de sécurité non documenté

ATTENTION : L'IA dans la supply chain nécessite une gouvernance au-delà de l'automatisation

EVENT : Comment j'ai programmé mon système de planification avancée en mode vibe

EVENT: INDL-9 examine la couche de travail humain sur les données derrière les chaînes d'approvisionnement AI

RISK: L’autonomie de l’IA peut progresser plus vite que la responsabilité humaine

WARNING: Le planning IA peut amplifier la fragmentation sémantique si le sens des données n’est pas gouverné

WARNING: Le NIST identifie les risques de sécurité liés aux outils IA dans le développement logiciel

Les agents IA des fournisseurs introduisent une nouvelle couche de risque tiers dans la Supply Chain

Des bots aux Supply Chains agentiques : l’avantage viendra de l’augmentation des décisions

Les dépenses en agents IA progressent plus vite que la discipline de déploiement en entreprise

Ankur Gupta soutient que la supply chain a besoin de modèles du monde, pas seulement d'agents

Les agents IA atteignent la production plus rapidement que les organisations ne définissent les responsabilités

L'IA multi-agents pour la chaîne d'approvisionnement peut nécessiter la satisficing plutôt que l'optimisation locale

Les agents de planification continue doivent rester connectés aux plans gouvernés

L'IA agentique en logistique nécessite l'orchestration et le contrôle des processus

Les clusters d'agents soulèveront de nouvelles questions d'orchestration pour les chaînes d'approvisionnement

L'adoption d'agents de fabrication progresse plus rapidement que la préparation des données

L'architecture AWS fait passer l'IA multi-agents de la supply chain des tableaux de bord vers l'action

Le lavage d'agents crée un risque de gouvernance dans la planification de la chaîne d'approvisionnement

Pourquoi les boucles de rétroaction détermineront la valeur des agents IA en Supply Chain

L'économie de l'IA agentique nécessite une propriété de la valeur au-delà du suivi des coûts de tokens

Les chaînes d'approvisionnement multi-agents ont besoin d'un plan de contrôle avant d'avoir besoin de plus d'agents

Ce que le « Agent Washing » signifie pour la gouvernance de la planification de la Supply Chain

L'économie des agents évolue plus vite qu'elle ne peut être mesurée

Planificateurs + Agents : Pourquoi la planification de la supply chain nécessite le jugement humain et des agents IA gouvernés

La Supply Chain AI-First : Les Agents ne Créeront pas de Valeur sans Refonte des Décisions

DataLeo évalue la planification agentique comme une couche d’accélération, non comme un remplacement de la structure de planification

Les priorités de l'IA dans le secteur manufacturier : le talent, le modèle opérationnel et les fondations de données avant l'IA agentique

Descartes et l'IA agentique : de la démonstration à une exécution logistique responsable

L'IA d'exécution supply chain nécessite une couche sémantique entre les systèmes et les actions

Les projets d’agents IA échouent lorsque les équipes confondent outils et architecture

Les agents IA longue durée transforment le modèle opérationnel de planification

Kinaxis et le test du « SaaS-pocalypse » : pourquoi les logiciels de supply chain peuvent être différents

Les prévisions du marché de l’IA agentique progressent plus vite que la refonte des processus

Les organisations natives-IA arrivent plus vite que ne l'anticipent la plupart des supply chains

Les Supply Chains auto-pilotées arrivent avant que les entreprises aient défini qui possède la décision

Lora Cecere met en garde contre le cycle de battage médiatique de l'IA dans la planification de la chaîne d'approvisionnement

Une Tour de Contrôle Multi-Agent Open-Source à l'Application de Décision Supply Chain Gouvernée

Créer une matrice de décisions et de permissions pour les agents de planification Supply Chain

# Construire un agent de réapprovisionnement autonome gouverné pour SAP S/4HANA avec Claude et MCP ## Introduction La gestion du réapprovisionnement dans les environnements ERP d'entreprise nécessite à la fois une automatisation intelligente et une gouvernance stricte. Ce guide démontre comment construire un agent autonome pour SAP S/4HANA qui utilise Claude via le Model Context Protocol (MCP) pour prendre des décisions de réapprovisionnement tout en maintenant des garde-fous d'entreprise. ## Architecture de l'agent ### Composants principaux L'agent se compose de quatre couches : 1. **Couche MCP** : Expose les fonctions SAP et les données de réapprovisionnement à Claude 2. **Moteur de décision** : Claude analyse les niveaux de stock, la demande et les contraintes 3. **Cadre de gouvernance** : Valide les décisions selon les règles métier 4. **Couche d'exécution** : Exécute les commandes d'achat approuvées dans S/4HANA ### Flux de données ``` SAP S/4HANA → Serveur MCP → Claude → Validateur de gouvernance → SAP S/4HANA ``` ## Mise en œuvre du serveur MCP ### Définir les outils de réapprovisionnement Créez des outils MCP qui exposent les fonctions de réapprovisionnement critiques : ```python from mcp.server import Server from mcp.types import Tool, TextContent import sapnwrfc app = Server("sap-replenishment-mcp") @app.list_tools() async def list_tools() -> list[Tool]: return [ Tool( name="get_inventory_status", description="Récupère les niveaux de stock actuels, le stock de sécurité et le délai pour un SKU", inputSchema={ "type": "object", "properties": { "material_number": {"type": "string"}, "plant": {"type": "string"} }, "required": ["material_number", "plant"] } ), Tool( name="get_demand_forecast", description="Récupère les prévisions de demande pour un SKU sur un horizon temporel", inputSchema={ "type": "object", "properties": { "material_number": {"type": "string"}, "plant": {"type": "string"}, "horizon_days": {"type": "integer"} }, "required": ["material_number", "plant"] } ), Tool( name="get_supplier_info", description="Récupère les informations fournisseur incluant MOQ, prix et performance de livraison", inputSchema={ "type": "object", "properties": { "material_number": {"type": "string"}, "vendor": {"type": "string"} }, "required": ["material_number"] } ), Tool( name="create_purchase_requisition", description="Crée une demande d'achat pour approbation (n'exécute pas)", inputSchema={ "type": "object", "properties": { "material_number": {"type": "string"}, "quantity": {"type": "number"}, "plant": {"type": "string"}, "vendor": {"type": "string"}, "delivery_date": {"type": "string"}, "justification": {"type": "string"} }, "required": ["material_number", "quantity", "plant", "justification"] } ) ] ``` ### Implémenter les appels SAP Connectez les outils MCP aux fonctions SAP via RFC : ```python @app.call_tool() async def call_tool(name: str, arguments: dict) -> list[TextContent]: conn = sapnwrfc.Connection( user=SAP_USER, passwd=SAP_PASS, ashost=SAP_HOST, sysnr=SAP_SYSNR, client=SAP_CLIENT ) if name == "get_inventory_status": result = conn.call('BAPI_MATERIAL_STOCK_REQ_LIST', { 'MATERIAL': arguments['material_number'], 'PLANT': arguments['plant'] }) inventory_data = { 'current_stock': result['STOCK_QUANTITY'], 'safety_stock': result['SAFETY_STOCK'], 'reorder_point': result['REORDER_POINT'], 'lead_time_days': result['LEAD_TIME'], 'in_transit': result['IN_TRANSIT_QTY'] } return [TextContent( type="text", text=json.dumps(inventory_data, indent=2) )] elif name == "get_demand_forecast": result = conn.call('BAPI_DEMAND_FORECAST_GET', { 'MATERIAL': arguments['material_number'], 'PLANT': arguments['plant'], 'HORIZON': arguments.get('horizon_days', 90) }) return [TextContent( type="text", text=json.dumps(result['FORECAST_DATA'], indent=2) )] # Implémenter d'autres outils de manière similaire... ``` ## Invites d'agent pour Claude ### Invite système Définissez la personnalité et les contraintes de l'agent : ```python SYSTEM_PROMPT = """Vous êtes un agent de réapprovisionnement autonome pour SAP S/4HANA. Votre objectif est de maintenir des niveaux de stock optimaux tout en minimisant les coûts et en prévenant les ruptures de stock. Responsabilités : - Surveiller les niveaux de stock à travers les usines - Analyser les prévisions de demande et les tendances - Recommander des quantités de réapprovisionnement en tenant compte de MOQ, délais et contraintes budgétaires - Fournir une justification claire pour chaque décision Contraintes obligatoires : 1. Ne jamais dépasser les limites d'approbation d'achat (50 000€ par réquisition) 2. Respecter les contrats fournisseurs et MOQ 3. Maintenir le stock de sécurité au-dessus des niveaux minimum 4. Tenir compte de la saisonnalité et des tendances de demande 5. Vérifier le stock en transit avant de commander 6. Expliquer toutes les décisions avec des données Vous avez accès aux outils SAP via MCP pour interroger l'inventaire, les prévisions et les informations fournisseurs. Utilisez toujours des données pour soutenir vos recommandations. """ ``` ### Invite de tâche Créez des invites structurées pour les tâches de réapprovisionnement : ```python def create_replenishment_task(material_number: str, plant: str) -> str: return f"""Analyser les besoins de réapprovisionnement pour : - Numéro de matériel : {material_number} - Usine : {plant} Processus : 1. Récupérer le statut actuel de l'inventaire 2. Obtenir les prévisions de demande pour les 90 prochains jours 3. Vérifier le stock en transit 4. Examiner les informations et performance des fournisseurs 5. Calculer la quantité de commande optimale 6. Vérifier si le réapprovisionnement est nécessaire Si le réapprovisionnement est nécessaire : - Déterminer la quantité optimale (considérer MOQ, remises par paliers) - Sélectionner le meilleur fournisseur - Calculer la date de livraison requise - Créer une demande d'achat avec justification détaillée Fournir le raisonnement complet pour votre décision. """ ``` ## Cadre de gouvernance ### Validateur de règles Implémentez des vérifications de validation avant l'exécution : ```python class GovernanceValidator: def __init__(self, config: dict): self.max_purchase_value = config['max_purchase_value'] self.approved_vendors = config['approved_vendors'] self.required_approvers = config['required_approvers'] def validate_requisition(self, requisition: dict) -> tuple[bool, list[str]]: """Valide la demande d'achat selon les règles de gouvernance""" errors = [] # Vérifier les limites de valeur total_value = requisition['quantity'] * requisition['unit_price'] if total_value > self.max_purchase_value: errors.append( f"Valeur de réquisition {total_value}€ dépasse la limite {self.max_purchase_value}€. " "Approbation de niveau supérieur requise." ) # Vérifier les fournisseurs approuvés if requisition['vendor'] not in self.approved_vendors: errors.append( f"Fournisseur {requisition['vendor']} non dans la liste approuvée. " "Approbation d'achat requise." ) # Vérifier le stock de sécurité if requisition['resulting_stock'] < requisition['safety_stock']: errors.append( "La quantité commandée ne maintiendra pas le stock de sécurité. " "Augmenter la quantité de commande." ) # Vérifier le MOQ if requisition['quantity'] < requisition['moq']: errors.append( f"Quantité {requisition['quantity']} inférieure au MOQ {requisition['moq']}. " "Ajuster à la quantité minimum." ) # Vérifier les contraintes budgétaires budget_available = self.get_budget_available( requisition['plant'], requisition['cost_center'] ) if total_value > budget_available: errors.append( f"Fonds insuffisants. Requis : {total_value}€, Disponible : {budget_available}€" ) return len(errors) == 0, errors def get_budget_available(self, plant: str, cost_center: str) -> float: """Interroge SAP pour le budget disponible""" # Implémenter l'appel SAP pour vérifier le budget pass ``` ### Flux d'approbation Implémentez des approbations multi-niveaux basées sur la valeur : ```python class ApprovalWorkflow: def __init__(self): self.approval_levels = { 'L1': {'max_value': 10000, 'approvers': ['procurement_specialist']}, 'L2': {'max_value': 50000, 'approvers': ['procurement_manager']}, 'L3': {'max_value': float('inf'), 'approvers': ['cfo', 'procurement_director']} } def get_required_approvers(self, requisition_value: float) -> list[str]: """Détermine les approbateurs requis en fonction de la valeur""" for level, config in self.approval_levels.items(): if requisition_value <= config['max_value']: return config['approvers'] return self.approval_levels['L3']['approvers'] def submit_for_approval(self, requisition: dict, approvers: list[str]): """Soumet la réquisition pour approbation humaine""" approval_request = { 'requisition_id': requisition['id'], 'material': requisition['material_number'], 'quantity': requisition['quantity'], 'value': requisition['total_value'], 'vendor': requisition['vendor'], 'justification': requisition['justification'], 'agent_reasoning': requisition['agent_reasoning'], 'approvers': approvers, 'created_at': datetime.now().isoformat() } # Envoyer aux approbateurs via système de workflow self.send_approval_notification(approval_request) return approval_request['requisition_id'] ``` ## Orchestrateur de l'agent ### Boucle d'exécution principale Orchestrez le cycle complet de décision de l'agent : ```python from anthropic import Anthropic class ReplenishmentAgent: def __init__(self, mcp_server_url: str, governance_config: dict): self.client = Anthropic() self.mcp_url = mcp_server_url self.validator = GovernanceValidator(governance_config) self.workflow = ApprovalWorkflow() async def analyze_and_replenish(self, material_number: str, plant: str): """Exécute l'analyse de réapprovisionnement et la génération de décision""" # Créer la tâche pour Claude task_prompt = create_replenishment_task(material_number, plant) # Exécuter la conversation Claude avec accès MCP response = self.client.messages.create( model="claude-3-7-sonnet-20250219", max_tokens=4000, system=SYSTEM_PROMPT, messages=[{ "role": "user", "content": task_prompt }], tools=await self.get_mcp_tools() ) # Traiter la décision de l'agent decision = self.extract_decision(response) if decision['action'] == 'replenish': # Valider selon les règles de gouvernance is_valid, errors = self.validator.validate_requisition( decision['requisition'] ) if not is_valid: self.log_governance_violation(decision, errors) return { 'status': 'rejected', 'reason': errors, 'decision': decision } # Déterminer le flux d'approbation approvers = self.workflow.get_required_approvers( decision['requisition']['total_value'] ) # Soumettre pour approbation approval_id = self.workflow.submit_for_approval( decision['requisition'], approvers ) return { 'status': 'pending_approval', 'approval_id': approval_id, 'approvers': approvers, 'decision': decision } else: return { 'status': 'no_action_needed', 'reasoning': decision['reasoning'] } def extract_decision(self, response) -> dict: """Extrait la décision structurée de la réponse de Claude""" # Parcourir les appels d'outils et analyser la réponse finale # Extraire les détails de la réquisition si créée pass async def get_mcp_tools(self) -> list: """Récupère les définitions d'outils du serveur MCP""" # Se connecter au serveur MCP et lister les outils disponibles pass ``` ## Capacités de surveillance et d'audit ### Journal des décisions Enregistrez toutes les décisions de l'agent pour audit : ```python class DecisionLogger: def __init__(self, db_connection): self.db = db_connection def log_decision(self, decision: dict, context: dict): """Enregistre les décisions de l'agent avec le contexte complet""" log_entry = { 'timestamp': datetime.now().isoformat(), 'material_number': context['material_number'], 'plant': context['plant'], 'decision_type': decision['action'], 'reasoning': decision['reasoning'], 'data_used': decision['data_sources'], 'requisition_details': decision.get('requisition'), 'governance_checks': decision['governance_validation'], 'agent_model': 'claude-3-7-sonnet-20250219', 'approval_status': decision.get('approval_status') } self.db.insert('agent_decisions', log_entry) def get_decision_history(self, material_number: str, days: int = 90): """Récupère l'historique des décisions pour analyse""" return self.db.query( """ SELECT * FROM agent_decisions WHERE material_number = ? AND timestamp > datetime('now', '-' || ? || ' days') ORDER BY timestamp DESC """, (material_number, days) ) ``` ### Tableaux de bord de performance Suivez les KPI de l'agent : ```python class AgentMetrics: def __init__(self): self.metrics = { 'decisions_made': 0, 'requisitions_created': 0, 'governance_violations': 0, 'approval_rate': 0.0, 'avg_decision_time': 0.0, 'stockout_prevention': 0, 'cost_savings': 0.0 } def calculate_performance(self, time_period: str) -> dict: """Calcule les métriques de performance de l'agent""" decisions = self.get_decisions(time_period) return { 'total_decisions': len(decisions), 'auto_approved': len([d for d in decisions if d['auto_approved']]), 'human_reviewed': len([d for d in decisions if not d['auto_approved']]), 'rejection_rate': self.calculate_rejection_rate(decisions), 'avg_order_accuracy': self.calculate_order_accuracy(decisions), 'inventory_turns_improvement': self.calculate_turns_improvement(decisions), 'cost_per_decision': self.calculate_cost_efficiency(decisions) } ``` ## Déploiement en production ### Configuration de l'environnement ```yaml # config.yaml sap_connection: host: "sap-prod.company.com" client: "100" system_number: "00" mcp_server: host: "localhost" port: 8080 agent: model: "claude-3-7-sonnet-20250219" max_tokens: 4000 temperature: 0.0 # Déterministe pour les décisions de production governance: max_purchase_value: 50000 approved_vendors_file: "vendors.json" budget_check_enabled: true require_human_approval_over: 10000 monitoring: log_level: "INFO" metrics_export: true audit_retention_days: 2555 ``` ### Considérations de sécurité ```python class SecurityLayer: def __init__(self): self.encryption = AES256Encryption() self.audit_log = AuditLogger() def secure_sap_credentials(self, credentials: dict) -> dict: """Chiffre les identifiants SAP au repos""" return { 'user': self.encryption.encrypt(credentials['user']), 'password': self.encryption.encrypt(credentials['password']), 'encrypted': True } def validate_tool_access(self, tool_name: str, user_context: dict) -> bool: """Valide que l'agent peut accéder à l'outil SAP""" self.audit_log.log_access_attempt(tool_name, user_context) # Vérifier les permissions basées sur les rôles if tool_name == "create_purchase_requisition": return user_context['role'] in ['procurement_agent', 'admin'] return True ``` ## Gestion des cas limites ### Gestion des données manquantes ```python def handle_missing_data(material_number: str, plant: str) -> dict: """Gestion gracieuse lorsque les données SAP sont incomplètes""" try: inventory = get_inventory_status(material_number, plant) except DataNotFoundError: # Revenir aux paramètres par défaut ou escalader return { 'action': 'escalate', 'reason': 'Données d'inventaire manquantes pour décision', 'requires_human': True } if inventory['forecast_confidence'] < 0.6: # Faible confiance - utiliser une approche conservatrice return { 'action': 'conservative_replenish', 'quantity': inventory['safety_stock'] * 1.5, 'reason': 'Faible confiance de prévision - stock de sécurité augmenté' } return {'action': 'proceed'} ``` ### Scénarios de récupération ```python class RecoveryHandler: def handle_sap_connection_failure(self, error: Exception): """Gérer les pannes de connexion SAP""" self.logger.error(f"Échec de connexion SAP : {error}") # Essayer le système de secours if self.failover_available(): return self.connect_to_failover() # Passer en mode lecture seule self.switch_to_readonly_mode() self.notify_operations_team() def handle_governance_system_failure(self): """Lorsque le système de gouvernance est en panne""" # Arrêter toutes les créations de réquisitions automatiques self.pause_autonomous_actions() # Passer à l'approbation manuelle uniquement self.require_human_approval_all() # Alerter l'équipe de gouvernance self.send_alert("Système de gouvernance en panne - approbation manuelle requise") ``` ## Conclusion Cet agent de réapprovisionnement autonome démontre comment combiner les capacités de raisonnement de Claude avec les garde-fous de gouvernance d'entreprise via MCP. Les éléments clés incluent : 1. **Exposition structurée des données** via les outils MCP pour SAP 2. **Prise de décision guidée** par des invites système claires 3. **Validation multi-couches** via les cadres de gouvernance 4. **Supervision humaine** pour les décisions à enjeux élevés 5. **Traçabilité complète** via les journaux de décision et d'audit Cette architecture peut s'étendre à d'autres processus ERP autonomes tout en maintenant le contrôle et la conformité d'entreprise.

Vérifier si un agent IA Supply Chain est réel ou simplement agent-washé

Credo AI

ToolsGroup

Amazon Bedrock

Anthropic

Immuta

Collibra

BigID

Atlan

DeepSeek

Databricks Mosaic AI

Microsoft Azure AI Foundry

xAI

Mistral AI

Google Gemini Enterprise

OpenAI

SAP

OneTrust

Writer

Cohere

Daybreak AI

GAINS

Colibri S&OP

Informatica

ThroughPut AI

Oracle Fusion Cloud SCM

IBM watsonx

Meta Llama

FuturMaster

RELEX Solutions

Anaplan

Opus Numeris

Rajesh Gangadharan

Alain Matar

Prashant Gopalan