Rechercher dans le radar

Petco Mexico choisit RELEX pour la prévision et le réapprovisionnement pilotés par l’IA

Runnings sélectionne RELEX pour unifier la prévision, le réapprovisionnement et la planification retail

Almeera choisit RELEX pour unifier la prévision, le réapprovisionnement et la planification de l'espace dans tout le Qatar

Umai Retail étend Retano SCM avec Leonardo AI et des outils de réapprovisionnement contrôlés par les planificateurs

Sippy prévoit Smart Stock pour anticiper le réapprovisionnement de boissons sans les registres d'inventaire des clients

Stüssy sélectionne RELEX pour connecter les prévisions, le réapprovisionnement et la planification financière des marchandises

Blue Yonder ajoute l'IA agentique à la gestion des stocks, du réapprovisionnement et des retours au détail

Sandman connecte la tarification AI avec la prévision et le réapprovisionnement dans RELEX

Vekia renforce le réapprovisionnement automatique comme cas d'usage concret d'IA pour la planification retail

Amart remplace la planification héritée par des prévisions et un réapprovisionnement pilotés par l'IA

Une comparaison 2026 des solutions de planification met l’accent sur prévision, réapprovisionnement et automatisation

The Body Shop choisit RELEX pour remplacer la planification manuelle par une plateforme pilotée par l’IA

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

Blue Ridge lance une plateforme de planification Supply Chain native IA sur Databricks

Viome et Solvoyo apportent l'automatisation des décisions pilotée par l'AI à la planification de la supply chain

IFS Softeon lance Fulfillment Flow pour coordonner les décisions d'entrepôt assistées par AI

Neighborhood Intelligence sélectionne RELEX pour connecter l'inventaire retail et la planification financière merchandising

Circus commercialise une couche d'approvisionnement standardisée pour les robots de maintenance autonomes

Amart Furniture remplace sa planification héritée par RELEX

Parfetts introduit l'IA agentique dans ses opérations de données fournisseurs

Claire's ouvre un centre de distribution en Illinois pour améliorer le flux des stocks et la planification

Le client Slimstock Freedom of Movement utilise la planification alimentée par l'IA pour la croissance du retail

Rapport RELEX : l'AI s'intègre aux décisions centrales de la supply chain alors que la volatilité persiste

MIT et Mecalux développent GENESIS pour les décisions d'inventaire multi-entrepôts

SymphonyAI inclus dans le paysage Forrester des plateformes de planification retail

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

Netstock lance AI Pack pour la visibilité de la chaîne d'approvisionnement et les décisions d'inventaire des PME

Walmart et Symbotic étendent leur accord d'automatisation à 25 centres de distribution régionaux aux États-Unis

Community Coffee sélectionne RELEX pour une planification unifiée de la demande, des stocks et du S&OP

Domino's China atteint 1 550 magasins dans 75 villes

Senior Architecte Solution — Réapprovisionnement et Allocation Retail

Consultant Senior/Manager – Planification de la demande et de la réapprovisionnement RELEX

Planificateur de la demande, places de marché numériques HEYDUDE - Crocs, Inc.

Architecte en apprentissage automatique (scientifique principal)

Responsable Planification End-to-End, Épaules

Associate Director, Demand Planning & achats

Responsable de Programme de Service, Planification de la Supply Chain et de la Maintenance, Laboratoires

Analyste en Planification de la Supply Chain (Jeune Diplômé) — 2 postes ouverts

Responsable Supply Chain Intérimaire — Industrie Agroalimentaire

Analyste spécialiste de la chaîne d'approvisionnement — Prévisions et planification de l'approvisionnement, Data & AI

Consultant Supply Chain RELEX

Directeur de Domaine, Supply Chain

Spécialiste Instock AVS

Responsable Distribution

Scientifique Appliqué, Data et Science pour les Magasins d'Alimentation Mondiaux

Planificateur Demande et Stock – Import et Négoce Alimentaire

Associate Manager Stratégie Supply Chain Client

Spécialiste Support Technique

Customer Success Manager — SaaS Supply Chain

Product Manager — Marques de pneus

DISRUPTION: La cyberattaque de Co-op interrompt les commandes de stock et le réapprovisionnement

ÉVÉNEMENT : Le webinaire Algo examine quand les supply chains doivent utiliser le push piloté par les prévisions versus le pull piloté par la demande

DISRUPTION: La cyberattaque de Marks & Spencer bloque les commandes en ligne et perturbe la disponibilité

EVENT: Bosch démontre l'intelligence d'inventaire basée sur l'AI pour les matériaux MRO et de production

RISK: Les workflows Supply Chain autonomes peuvent contourner l’architecture d’approbation

WARNING: L'IA seule ne peut pas gérer la planification des stocks sans contrôles de décision humains

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

ÉVÉNEMENT : Webinaire sur la planification des stocks face au paradoxe des stocks élevés et des ruptures de stock

Fresh Forward met la technologie pratique au service des décisions de la Supply Chain des produits périssables

L'événement Smart Warehousing and Logistics Automation se déroule à Melbourne

Dematic présente l'automatisation intelligente d'entrepôt au CeMAT Australie

o9 examine la planification de la croissance du chiffre d'affaires dans un contexte de volatilité persistante de la demande

EVENT : Algo organise le webinaire « The Trillion-Dollar Forecast » sur la prévision comme outil de scénarios

EVENT: IBF examine la preuve de valeur de l’IA en prévision et Demand Planning

ÉVÉNEMENT : B2Wise organise un atelier de planification d'usine demand-driven à Paris

Les jumeaux numériques n'ont d'importance que lorsqu'ils modifient les décisions de réapprovisionnement et de routage

La fraîcheur des données EDI est une contrainte décisionnelle pour le réapprovisionnement piloté par l'IA

OR-Transformer teste le réapprovisionnement IA temps réel à l'échelle de 1 024 articles

Planification retail : quand la disponibilité des stocks oriente les décisions marketing

L'engorgement des stocks est généralement créé avant l'entrepôt

La gestion prédictive des risques d'inventaire nécessite un plan de secours opérationnel et un responsable des pertes financières

L’optimisation stochastique devient la couche gouvernée entre l’IA et le MRP

Les éditeurs de planning mid-market convergent vers le même récit IA — mais pas vers la même architecture

Erik Bush reformule le problème des stocks à mille milliards de dollars comme un échec du modèle opérationnel

Le manufacturier américain en expansion pour un dixième mois : PMI ISM à 55,5 % en octobre 2026

Le Paradoxe Humain : Pourquoi la préparation à l'IA dans la supply chain ne peut pas se mesurer uniquement par la formation

Le rééquilibrage des DC est une décision réseau, pas une recommandation de transfert de stock

Claude et Power BI illustrent l'écart entre la promesse et la validation de l'allocation des stocks assistée par IA

Pourquoi des décisions IA plus rapides nécessitent des jalons basés sur des résultats physiques de la supply chain

Infor reformule l'optimisation des stocks comme une décision de fonds de roulement

Gartner : l'IA pourrait rendre obsolète le comptage des stocks hospitaliers

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

La sélection de robots d'entrepôt devrait commencer par les conditions opérationnelles

L'optimisation par IA des entrepôts se déplace au-dessus de la couche de contrôle des équipements

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

La prévision de la demande en continu change les hypothèses d'infrastructure derrière l'IA de planification

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

Prévision vs. réel : pourquoi la conception du protocole fragilise les plans d’approvisionnement clinique

Tillamook transforme la planification de la chaîne logistique en moteur de croissance

Les éditeurs de planning AI-first se différencient surtout par l’ownership du modèle

La forecast accuracy est un input de la décision — pas le résultat métier

L’Inventory Planning DTC devient une gouvernance du cash-flow par classe de SKU

La plateforme d’Inventory Planning n’est pas l’operating model

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

Martín Chávez montre comment Claude peut accélérer la planification Demand Driven et l’analyse DDMRP

# 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.

Détection des valeurs aberrantes dans la Supply Chain 101 : Créer une équipe d'analyse du demand-sensing simple avec des agents AI

Expérience : créer une entreprise de Supply Chain as a Service avec OpenOPC

Afresh

GreyOrange

StockIQ Technologies

Autone

Vekia

GAINS

Slimstock

SymphonyAI Retail CPG

ToolsGroup

RELEX Solutions

Netstock

Flowlity

C3 AI Supply Chain Suite

Solvoyo

Blue Yonder

Lokad

Wiliot

Trax Retail

Crisp

ForwardX Robotics

KNAPP

Hai Robotics

Geek+

Locus Robotics

Oracle Supply Chain Management

Aptean

Amazon Bedrock

REMIRA