Rechercher dans le radar

Miro et Fortience lancent SCM Decision Canvas pour les workflows de décision S&OP

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

Miro et Fortience lancent un SCM Decision Canvas pour la planification de la chaîne d'approvisionnement

Stord opens live fulfillment data to AI workflows through MCP

Descartes ajoute des workflows de sélection de transporteurs auditables à MyCarrierPortal

B2Wise lance CommWise.ai pour des workflows de planification IA extensibles

Microsoft déploie 111+ agents supply chain après avoir repensé les workflows et les données partagées

Incorta Intelligence fait passer l'analytique des tableaux de bord aux décisions

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

o9 reconnu dans les rapports Gartner 2026 sur la planification de la supply chain et l'intelligence décisionnelle

Kodiact lance une plateforme de simulation native AI pour les décisions sur les matières directes

Aily Labs et AWS s'associent pour déployer à grande échelle des agents d'intelligence décisionnelle

Sunstice lance la couche IA agentique Helios pour des décisions de chaîne d'approvisionnement plus rapides

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

Lyric nommé Exemple de Fournisseur dans le panorama du marché Gartner 2026 de l'Analytique et de la Prise de Décision pour la Supply Chain

SAP pousse l'orchestration des commandes basée sur l'IA vers une couche décisionnelle

La demande de compétences en AI dans la supply chain croît plus vite que les talents disponibles

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

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

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

River Logic et TenglerConsulting s'associent pour l'optimisation de la chaîne de valeur en Europe

C3 AI présente la résilience aux tarifs douaniers comme un cas d'usage AI d'entreprise pour la supply chain

Ingénieur logiciel Applied AI/ML — IA Supply Chain et Decision Intelligence

Architecte Senior de Solutions EMEA, IA Appliquée pour la Supply Chain

Chef de Produit Senior, Supply Chain

Manager / Senior Manager, Conseil en Planification Supply Chain Pilotée par l'IA

Replay Disponible : Construire un Moteur de Décision de Chaîne d'Approvisionnement AI Agentique avec Claude Code

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

EVENT: La nomination du CMO d’o9 met à l’épreuve le récit d’« enterprise decision system »

ÉVÉNEMENT : Le Sommet Agentic AI Supply Chain se déroule à Delhi

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

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

EVENT: MyExobrain revient au Supply Chain Event 2025 pour présenter ses agents de décision AI

EVENT: IA, de l'Investigation à l'Action

# EVENT: Forum IA en Distribution remet en question les revendications de planification autonome

ÉVÉNEMENT : Le Gartner Supply Chain Leaders Forum ouvre ses portes à Windsor

EVENT : Chain Reaction 2026 examine la prise de décision par AI dans les Supply Chains

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

FAILURE: Les programmes IBP peuvent déployer le logiciel plus vite que les droits de décision

ÉVÉNEMENT : Konekti remporte le Concours Européen des Start-ups de la Supply Chain 2026

EVENT: Les risques cachés de la chaîne d'approvisionnement AI s'invitent dans l'agenda de gouvernance de la planification

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

ÉVÉNEMENT : La session du MIT fait passer la discussion sur l'IA de la supply chain de l'analytique à la prise de décision agentique

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

WARNING: Les agents spécialisés de planning peuvent se multiplier plus vite que leur modèle de gouvernance

ÉVÉNEMENT : Le webinaire MIT SCALE teste ce que l'IA peut et ne peut pas résoudre en planification

ÉVÉNEMENT : Les conférences OMP Asia placent la vélocité décisionnelle et la planification autonome à l'agenda APS

ÉVÉNEMENT : Atelier CFO établit le lien entre l'IA et les décisions opérationnelles Achats et Supply Chain

EVENT : RAISE 2026 réunit les leaders de l'IA d'entreprise à Paris

FAILURE: Les plans de capacité deviennent mathématiquement corrects mais opérationnellement faux lorsque les contraintes sont obsolètes

L'orchestration de workflows est le plan de contrôle pour les agents Supply Chain

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

Les agents d'approvisionnement ont besoin de limites d'autonomie avant la refonte des flux de travail

Le modèle de maturité IA d'Heather Sye révèle l'écart entre les expérimentations et la transformation du modèle opérationnel

La confiance par défaut peut supprimer le goulot d’étranglement exécutif des décisions Supply Chain

Aperçu sponsorisé : Comment l'AI redéfinit la prise de décision dans la supply chain

Les équipes humain–IA nécessitent des règles de fonctionnement pour la planification et l'exécution

L'IA rend l'insight Supply Chain moins coûteux—mais la latence décisionnelle reste le goulot d'étranglement

L'IA ne tue pas l'APS. Elle revalorise la pile logicielle de la Supply Chain.

Les prix Supply Chain sont une preuve faible sauf si le mécanisme de décision est visible

La S&OP a besoin d'une mémoire décisionnelle, pas d'un énième tableau blanc collaboratif

Les projets de planification AI échouent souvent en amont : le vrai problème peut être les données de référence ou le flux de travail

L'adoption de l'AI échoue lorsqu'elle n'est pas liée à une vision Supply Chain

Les mises en production de la fonction Achats sont des migrations d'autorité, pas des dates de lancement de logiciel

L'IA supply chain nécessite plus que de l'automatisation

Les acheteurs logistiques s'attendent à ce que l'AI améliore la visibilité et les décisions avant l'autonomie

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

Les chaînes d'approvisionnement alimentées par l'AI nécessitent une refonte du travail, pas seulement de l'automatisation

Les agents de Supply Chain ont besoin de preuves de transaction, pas de maîtrise conversationnelle

Les métriques d’adoption de l’IA ne signifient rien sans métrique de qualité décisionnelle

IA et planification de la chaîne d'approvisionnement : des décisions plus rapides exigent une responsabilité plus claire

o9, Kinaxis, OMP et Anaplan : quatre visions différentes du Supply Chain Planning piloté par l’IA

L'expansion de l'IA industrielle dépend d'une architecture opérationnelle interopérable

Les programmes d'IA industrielle devraient compter les décisions modifiées, pas les entreprises participantes

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

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

L’exception management devient la couche de contrôle du Planning AI

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

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

Le Hybrid Expert est-il l'avenir des projets APS et de supply chain pilotés par l'IA ?

# 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.

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

Comment valider un cas d'usage AI d'inventaire avant d'acheter un logiciel

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

Comment choisir un logiciel de supply chain quand chaque éditeur a une histoire d'AI

Cartographier le portefeuille IT de la supply chain avant d'ajouter une autre application IA

Amazon Bedrock

Microsoft Azure AI Foundry

Aera Technology

MyExobrain

project44

Writer

AIMMS

o9 Solutions

DeepSeek

xAI

GAINS

Aptean

IBM watsonx

AI21 Labs

C3 AI Supply Chain Suite

Logility

John Galt Solutions

SAP

Oracle Supply Chain Management

Mistral AI

Daybreak AI

REMIRA

Agility Robotics

Siemens Digital Industries Software

ASCM

Jean-François Nordmann