L’IA dans les logiciels de planification de la supply chain – Analyse comparative

Résumé : Le tableau et la matrice ci-dessous résument la manière dont les principales solutions de planification de la supply chain utilisent l’IA pour planifier la demande et gérer la chaîne d’approvisionnement, ainsi que la manière dont les utilisateurs les évaluent sur G2, site de ranking de référence dans l’industrie du software. 

‍

‍

Flowlity se distingue comme un leader : la solution applique l’IA à davantage de cas d’usage que la plupart des concurrents (de la prévision de la demande à la planification des approvisionnements automatisée) et obtient l’un des meilleurs scores de satisfaction utilisateurs. Les grands éditeurs historiques de suites intégrées (p. ex. Blue Yonder, SAP) annoncent des capacités d’IA mais présentent en pratique bien moins de cas d’usage réellement pilotés par l’IA ; les retours de leurs clients laissent penser que l’adoption de ces fonctionnalités reste limitée. Parallèlement, des acteurs spécialisés comme Lokad et ToolsGroup sont également en pointe sur l’IA, mais Flowlity combine de manière unique une IA avancée avec une expérience plus simple et conviviale — d’où une satisfaction supérieure.

‍

Flowlity – Planification pilotée par l’IA avec une forte satisfaction utilisateurs

Flowlity est un logiciel de planification de nouvelle génération qui adopte pleinement l’IA tout au long du processus de planification. Il applique des techniques avancées d’IA/ML dans plusieurs domaines : prévision de la demande (en tirant parti de données internes et externes), prévision des lancements de nouveaux produits via des recommandations IA par produits similaires, demand sensing à partir de signaux en temps réel, estimation de l’impact des promotions, et même planification autonome des approvisionnements et optimisation des stocks. Par exemple, la planification de la demande de Flowlity nettoie automatiquement les historiques, utilise le machine learning sur des facteurs comme les prix et la météo, et ajuste en continu les prévisions en fonction des signaux de demande en temps réel. Côté stocks et approvisionnements, Flowlity s’appuie sur des modèles probabilistes pour optimiser les niveaux de stock, ajuster dynamiquement les stocks de sécurité et replanifier quotidiennement en fonction des risques anticipés. Cette ampleur de fonctionnalités pilotées par l’IA (couvrant la prévision, les stocks et la planification de bout en bout) est rarement égalée par les concurrents.

Point important : les clients rapportent une excellente satisfaction quant aux résultats et à l’ergonomie de Flowlity. Flowlity affiche une note de 4,9/5 sur G2 (mi-2025) — l’une des plus élevées dans la catégorie planification de la supply chain. Les utilisateurs louent sa facilité d’utilisation et les gains d’efficacité liés à l’automatisation. Les avis soulignent l’amélioration de la précision des prévisions et de l’efficacité de la planification grâce à l’IA de Flowlity (avec des points forts récurrents dans les retours G2 : « Automation », « Forecasting Accuracy », « Planning Efficiency »). Cela montre que, malgré une forte composante IA, l’outil reste convivial, évitant le piège de la complexité de certains systèmes plus anciens. Un indicateur interne situe le CSAT (satisfaction client) de Flowlity au-dessus de 80 %, signe d’une adoption et d’une approbation élevées. La seule critique mineure mentionnée est que, produit plus récent, il continue d’élargir son périmètre fonctionnel (un avis évoquait des « fonctionnalités limitées » sur certains points), mais cela est largement compensé par les bénéfices. En somme, Flowlity est perçu comme une solution de pointe qui associe une IA sophistiquée à la transparence et à la simplicité — un double avantage en termes de capacités et de satisfaction.

‍

Blue Yonder – Promesses audacieuses en IA, adoption limitée sur le terrain

Blue Yonder (anciennement JDA) est une suite de planification bien établie qui met en avant ses capacités IA/ML, mais les faits suggèrent un décalage entre le discours marketing et le niveau de technicité IA. Sur le papier, la plateforme Luminate Planning de Blue Yonder met en avant des fonctionnalités comme des prévisions de la demande pilotées par le machine learning, des projections « neutres » issues de centaines de variables, et même des control towers de supply chain alimentées par l’IA pour la gestion des exceptions. Par exemple, le site de Blue Yonder affirme utiliser « la puissance combinée des méthodes statistiques, du machine learning (ML) et de l’IA pour un demand sensing et des prévisions précis et transparents ». L’éditeur communique aussi sur des « analyses de scénarios sans limites » et des insights prédictifs en planification de l’approvisionnement. Toutefois, des experts du secteur et des analyses indépendantes restent sceptiques. Beaucoup de clients de Blue Yonder s’en tiendraient à des méthodes de prévision traditionnelles et n’utiliseraient pas réellement les fonctionnalités IA avancées mises en avant. Des connaissances internes (et des analyses comme la revue du marché par Lokad) suggèrent que les « promesses magiques d’IA/ML » de Blue Yonder s’accompagnent souvent de peu de détails techniques ou de preuves d’adoption — laissant penser que l’IA reste surtout un mot-clé pour la majorité des déploiements. En bref, Blue Yonder propose peut-être des capacités IA, mais leur usage effectif sur le terrain semble minime, en partie à cause de la complexité et du caractère « boîte noire » de ces fonctions, qui découragent les planificateurs.

Les retours utilisateurs sur les outils de planification de Blue Yonder sont mitigés — globalement positifs sur les fonctions cœur, mais mentionnant peu une valeur transformatrice de l’IA. Blue Yonder Demand Planning obtient 4,1/5 sur G2. Les utilisateurs apprécient l’orientation retail et les capacités de prévision (« Très bon pour le retail… idéal pour la gestion du temps. Bon pour l’inventaire. »). Plusieurs avis indiquent qu’une fois l’outil maîtrisé, il est efficace. Cependant, la courbe d’apprentissage est souvent jugée raide — « un peu déroutant de prime abord…learning curve élevée » — reflet d’une UI ancienne et d’une configuration complexe. Aucun avis G2 ne met explicitement en avant l’« IA » dans la planification Blue Yonder ; les bénéfices semblent provenir des fonctionnalités standard. On note aussi une frustration latente sur l’ergonomie et les coûts — p. ex. « ce serait mieux si les prix étaient plus compétitifs » et si l’outil devenait plus convivial pour certaines tâches.

En résumé, Blue Yonder demeure un leader historique au portefeuille large et à la communication appuyée sur l’IA, mais il faut considérer ces promesses avec esprit critique. L’impact réel de son IA paraît limité — peu de clients s’appuient réellement sur le ML pour la prévision ou sur une planification automatisée à grande échelle. La satisfaction client est correcte sans être exceptionnelle : l’outil couvre bien les fondamentaux mais n’a pas déclenché de révolution IA chez ses utilisateurs. Le cas Blue Yonder illustre l’« AI washing » dans les systèmes legacy : beaucoup de discours, mais, à l’examen, « presque aucun client n’utilise l’IA » au quotidien (pour reprendre une source interne).

‍

SAP IBP – Plateforme robuste, un peu d’IA en prévision (peut mieux faire)

SAP Integrated Business Planning (SAP IBP) est une autre solution de grande suite, intégrée à l’écosystème SAP. IBP couvre la planification de la demande, des stocks et des approvisionnements, en lien étroit avec SAP ERP. La plateforme intègre certains éléments modernes d’IA/ML, principalement pour la prévision de la demande. SAP IBP propose des modèles statistiques de prévision et a introduit des techniques de machine learning pour le demand sensing et la prédiction de tendances court terme (SAP propose un module « Demand Sensing » qui ajuste quotidiennement les prévisions à partir de données aval). On trouve aussi des algorithmes d’optimisation pour l’approvisionnement et les stocks (p. ex. optimisation multi-étages), davantage issus de la recherche opérationnelle (programmation linéaire) que de l’IA au sens ML. Globalement, les cas d’usage IA de SAP IBP se concentrent sur le renforcement des prévisions et quelques automatisations. Le marketing de SAP mentionne que « des modèles de machine learning pilotent les actions de production, d’inventaire, de transport et d’achats », mais les détails concrets restent rares — ce qui laisse penser qu’au-delà de la prévision, la planification dans IBP est surtout fondée sur des règles ou des solveurs (non auto-apprenants).

Les utilisateurs notent SAP IBP assez favorablement — 4,3/5 de moyenne sur G2 (200+ avis) — signe d’une expérience globalement positive. Les clients apprécient sa couverture de bout en bout et l’interface de type Excel pour les grilles de planification. En mode cloud, l’outil facilite la collaboration inter-équipes et le one-number plan. En revanche, les critiques récurrentes concernent les performances et l’UX : p. ex. « le système était lent… certaines opérations auraient pu être automatisées mais s’avéraient inconsistantes et lentes ». Plusieurs avis signalent qu’il est « difficile de savoir quel algorithme est utilisé » et que la mise en place de l’automatisation demande des efforts importants — manque de transparence qui peut freiner la confiance (et donc l’usage) dans les fonctionnalités IA. Un utilisateur a même souhaité que la plateforme « soit plus adaptable aux nouvelles technologies d’IA », signe que l’intégration IA reste en deçà des attentes. L’interface repose encore sur des compléments Excel susceptibles de planter ou de faire perdre du travail — reflet d’un outil mature mais alourdi par son héritage.

En substance, SAP IBP est fiable pour une planification complète et a amorcé l’intégration de l’IA (notamment en demand sensing), mais on est loin d’une solution véritablement pilotée par l’IA. Les utilisateurs constatent des gains par rapport au manuel, tout en réclamant davantage d’automatisation et d’IA. Les niveaux de satisfaction (et la large adoption visible dans les avis) montrent que SAP IBP répond bien aux besoins fondamentaux, mais devra accélérer sur l’IA pour rester à la pointe. Comme le dit une critique, les grands éditeurs ont « évolué au fil des ans à un rythme approprié », mais rattrapent encore l’innovation IA. IBP illustre cela : un socle solide, seulement modestement augmenté par l’IA.

‍

Kinaxis – Scénarios « what-if » rapides, peu d’IA au-delà des prévisions

Kinaxis RapidResponse est connu pour ses simulations what-if en temps réel et sa planification concurrente — pionnier de l’analyse de scénarios en mémoire pour la supply chain. Historiquement, Kinaxis s’est peu focalisé sur le machine learning, privilégiant l’agilité avec l’humain au centre. Ces dernières années, l’éditeur a ajouté quelques fonctionnalités IA, surtout en planification de la demande : prévisions ML et demand sensing (avec acquisition d’une société IA à l’appui). Le marketing évoque l’IA/ML pour améliorer les prévisions sur tous les horizons et des analyses pour détecter des patterns. Mais en dehors des prévisions, l’approche de planification de Kinaxis repose davantage sur des algorithmes et des simulations pilotées par les utilisateurs que sur l’automatisation IA. Par exemple, il ne génère pas automatiquement des plans d’approvisionnement ou de stock via ML ; sa force est de permettre des scénarios rapides (« concurrent planning »). Le nombre de cas d’usage IA reste donc limité — essentiellement la prévision — le reste étant plutôt basé sur des règles (certes rapides et intégrées).

Les avis reflètent ces forces et faiblesses. Sur G2, Kinaxis obtient 4,0/5 en moyenne ; les utilisateurs apprécient sa capacité à remplacer de gros fichiers Excel et à permettre une planification dynamique. Les planificateurs aiment l’« agilité » pour la planification intégrée et la simulation en quelques minutes. Les critiques visent l’ergonomie et les performances : plusieurs notent que Kinaxis « n’est pas un outil convivial » et qu’il y a une forte courbe d’apprentissage. Des parties de l’interface sont jugées confuses ou non intuitives sans spécialisation. La lenteur à grande échelle revient souvent — « parfois, le traitement prend trop de temps… c’est lent » — ce qui interroge au regard du branding temps réel. Certains mentionnent aussi des soucis mineurs de fiabilité (rapports qui ne se génèrent pas automatiquement, etc.).

On note l’absence d’enthousiasme particulier autour de l’IA/ML dans les commentaires. Les clients de Kinaxis tirent profit de cycles de planification plus rapides, pas nécessairement de décisions pilotées par l’IA. Un utilisateur décrit même Kinaxis comme « peu connu en dehors du PMO », soulignant un besoin de notoriété. En résumé, Kinaxis est une plateforme puissante pour la collaboration rapide et les scénarios what-if ; elle a commencé à intégrer l’IA en prévision, mais reste loin d’une solution centrée sur l’IA. La satisfaction est correcte, sans être au sommet, l’UX complexe et l’automatisation limitée atténuant l’expérience par rapport à des outils plus modernes et AI-first.

‍

o9 Solutions – Plateforme IA visionnaire, mais complexité et UX en retrait

o9 Solutions est un entrant plus récent souvent positionné comme une plateforme de planification « pilotée par l’IA ». L’éditeur commercialise une suite d’IBP (Integrated Business Planning) mue par un « Digital Brain » combinant IA/ML, big data et technologies de graphe de connaissances. En théorie, o9 applique l’IA à de nombreux domaines de planification : prévisions (y compris des prédictions granulaires ML), graphes de connaissances de la supply chain pour la planification sous contraintes, et même revenue management. Un avis souligne qu’o9 fournit des « analyses avancées et de l’IA pour des décisions data-driven » et des « capacités prédictives pour anticiper les tendances ». Mis en œuvre, o9 peut produire des insights riches et des simulations dopées à l’IA. L’ambition est d’offrir une plateforme bout-en-bout avec des scénarios en temps réel pilotés par l’IA sur la demande, la supply et le S&OP. Le nombre de cas d’usage IA est donc élevé… sur le papier.

Côté clients, on observe des douleurs de croissance et de complexité. Sur G2, o9 affiche 4,2/5 en moyenne, mais avec une dispersion importante : certains notent 4,5 à 5 pour ses capacités étendues, d’autres sont nettement moins satisfaits (jusqu’à 2,5/5). Les points positifs mentionnent l’ampleur (« couvre tous les aspects de la planification ») et la promesse d’unifier données et fonctions. À l’inverse, les critiques portent sur la « complexité à la mise en œuvre et à l’apprentissage », les « défis d’intégration », et la nécessité de ressources IT dédiées. Un utilisateur évoque un possible « effet d’accablement » face à la variété des fonctionnalités et un besoin important de customisation et de support pour extraire de la valeur. Des problèmes de performance (temps de chargement lents voire plantages avec de gros volumes) sont aussi signalés, ce qui met à mal la promesse de temps réel.

Un thème récurrent : o9 est puissant mais peu convivial out-of-the-box — comme d’autres outils d’entreprise, il peut sembler « non intuitif » et exiger formation ou même du code pour les usages avancés. S’ajoutent des préoccupations sur le support et le prix (support perçu comme inégal, coûts élevés). Au total, o9 apparaît comme une plateforme innovante et riche en IA qui « apporte des insights prédictifs et une collaboration en temps réel », mais qui peine encore à convertir cette vision en une satisfaction clients constamment élevée. Le potentiel IA est parmi les plus forts, mais, comme beaucoup de plateformes ambitieuses, l’exécution et l’ergonomie suivent encore.

‍

ToolsGroup – Planification dopée à l’IA avec résultats probants

ToolsGroup est un spécialiste de la planification (présent depuis les années 1990) qui a réussi à recentrer ses solutions autour de l’IA/ML. Son produit phare, Service Optimizer 99+ (SO99+), est connu pour automatiser la prévision de la demande, l’optimisation des stocks et le réapprovisionnement via des algorithmes auto-apprenants. Les cas d’usage IA incluent : demand sensing (module dédié), prévisions probabilistes (prise en compte de la variabilité), optimisation multi-échelons avec réglages ML, segmentation de la demande et gestion des promotions pilotées par l’IA. L’éditeur met en avant une plateforme de « Decision Intelligence » et un conseiller virtuel (LEA — Logility Expert Advisor, suite à une fusion récente) pour recommander des actions de planification. En pratique, les clients obtiennent souvent de fortes hausses de précision et de service en s’appuyant sur ces fonctions IA.

La satisfaction utilisateur est notablement élevée. ToolsGroup est reconnu comme « Leader » dans plusieurs rapports G2, et les avis sont très positifs sur les résultats. La note moyenne avoisine 4,7/5. Les clients citent fréquemment la puissance de l’outil et des « bénéfices importants » comme la réduction des stocks avec peu d’effort grâce à l’automatisation. Les planificateurs décrivent un outil « très puissant » mais « simple, avec une interface très intuitive » — un signal fort que ToolsGroup a su intégrer une IA avancée sans complexifier l’expérience. Un autre avis souligne que le logiciel « facilite la transformation digitale en automatisant les tâches ne nécessitant pas d’intervention humaine », accélérant les réactions aux variations de la supply chain. L’éditeur obtient même des badges du type « Users Love Us » sur G2, et ses clients saluent « la puissance de nos solutions de supply chain pilotées par l’IA ».

Bien que plus petit que SAP ou Blue Yonder, ToolsGroup semble en tête techniquement sur l’usage de l’IA dans son domaine : focalisation sur le niveau de service, modèles probabilistes et automatisation, ce qui résonne chez les entreprises confrontées à la volatilité. Peu de retours négatifs sont visibles ; les éventuels points faibles concernent l’intégration initiale ou la préparation des données, mais ils restent secondaires. Morale : l’IA en planification n’est pas qu’un effet de mode — bien menée, elle produit une forte satisfaction et des gains mesurables. Avec Flowlity, ToolsGroup fait partie des plus avancés en application pratique de l’IA, même si son UI/UX n’est pas toujours la plus moderne (souvent déployé chez des planificateurs/consultants experts). Ses notes rivalisent néanmoins avec celles de Flowlity, montrant qu’un outil très analytique peut aussi ravir ses clients s’il délivre des résultats.

‍

Lokad – Avancé scientifiquement, mais positionnement de niche

Lokad est une solution singulière : fondée sur des principes scientifiques/techniques profonds (prévisions probabilistes, optimisation quantitative), elle séduit les entreprises recherchant des capacités prédictives de pointe. Lokad utilise des distributions de demande probabilistes plutôt que des prévisions uniques, et s’appuie sur un langage propriétaire (« Envision ») pour permettre des optimisations sur mesure de l’inventaire et de la production. Côté IA, Lokad pratiquait déjà « l’IA » (modèles probabilistes, ML pour la détection de motifs, etc.) bien avant l’effet de mode — son fondateur revendique un ancrage mathématique rigoureux et critique volontiers Gartner et les « dinosaures » du secteur. Les cas d’usage incluent des prévisions très granulaires tenant compte des incertitudes, des réapprovisionnements automatisés optimisant service vs coût (via simulations stochastiques), et même la détection d’anomalies/fraude dans les données. Sur le plan technique, c’est extrêmement avancé, au niveau — voire au-delà — de ce que proposent d’autres éditeurs sous le capot.

En contrepartie, Lokad renonce au modèle logiciel « clé en main » à forte UI. C’est davantage une plateforme/moteur nécessitant du code et des compétences data science pour paramétrer les modèles à chaque contexte. L’ergonomie peut donc constituer un frein — ce n’est pas un outil taillé pour l’utilisateur final non technique, mais pour des équipes spécialisées. La base d’utilisateurs est ainsi plus restreinte et les avis publics rares (seulement 2 sur G2, moyenne 4,5★). Ceux qui l’utilisent louent sa puissance (« capacités d’optimisation puissantes… intégration robuste ») et son intégration fluide aux systèmes de données, avec des modèles constamment à jour — gage d’un socle technique solide. Les critiques restent limitées (moins adapté aux très petites entreprises, aspects liés aux environnements Windows, etc.).

En terme de positionnement, Lokad est souvent comparé à Flowlity — tous deux misant sur des approches probabilistes et une IA avancée. La différence se joue sur l’expérience utilisateur et l’adoption. Flowlity propose une SaaS produit packagé, quand Lokad s’apparente presque à un service de modélisation sur mesure encapsulé en logiciel. D’où une satisfaction apparente moindre chez Lokad, liée à une base d’utilisateurs plus technique (qui, elle, respecte l’outil). Pour les organisations disposant des compétences, Lokad peut délivrer une optimisation exceptionnelle ; pour beaucoup d’autres, le besoin de data science interne reste dissuasif. À l’inverse, Flowlity prouve qu’on peut atteindre des résultats comparables en masquant la complexité. Lokad demeure donc une niche : l’un des plus avancés scientifiquement, mais peu largement adopté ou « adoré ». Respecté pour sa science, moins pour son impact grand public, là où des solutions comme Flowlity (plus accessibles et mieux notées) prennent l’avantage.

‍

Autres éditeurs notables – Hype IA vs réalité

À plus large échelle, de nombreux éditeurs « legacy » ont ajouté un vernis IA sans transformation profonde. Par exemple, Logility (autre acteur historique) met désormais en avant une plateforme SCM « AI-first » avec un assistant IA (leur site vante un Decision Advisor IA guidant les décisions). Si Logility a modernisé des briques, il s’agit essentiellement d’un APS évolué avec une couche IA. Les avis G2 tournent autour de 4,1★, proche de Blue Yonder — bien, sans être exceptionnel. Cela suggère une valeur réelle, mais pas de bond spectaculaire grâce à l’IA. Oracle est un autre grand acteur : Oracle Cloud SCM introduit des « agents IA » pour automatiser certaines tâches de planification et revendique du machine learning en fabrication et optimisation des stocks. Pourtant, la crédibilité d’Oracle en IA supply chain est questionnée par les praticiens — l’éditeur reste souvent en retrait face aux spécialistes SCP, et, comme SAP, sa force tient surtout à l’intégration à son ERP cloud. Ces grands fournisseurs (Oracle, Infor, Manhattan Associates, etc.) mettent presque tous l’IA en avant, mais souvent sous forme d’add-ons ou de pilotes, plutôt que de cœur de déploiement.

Un domaine où l’IA progresse réellement est la planification retail et grande distribution. Relex Solutions est à noter : acteur en forte croissance pour la prévision et le réassort retail, très axé IA (prévision de millions de SKU via ML, optimisation des assortiments magasin par magasin). Les utilisateurs de Relex rapportent souvent des gains de précision et une réduction du gaspillage grâce aux algorithmes. Les avis G2 gravitent autour de ~4★ — positifs, avec quelques critiques sur l’UI et l’intégration. On retrouve le même motif : les solutions spécialisées AI-first (Relex, ToolsGroup, Lokad, Flowlity) délivrent des bénéfices concrets, tandis que les généralistes ajoutent l’IA sans en tirer des avancées aussi marquées.

Enfin, il est essentiel de considérer avec prudence les case studies clients sur les sites éditeurs. Tous affichent des témoignages élogieux (« +X % de service grâce à notre IA ! »), souvent triés sur le volet. Ils ne reflètent ni les résultats typiques ni l’effort requis. Des avis indépendants (Gartner, peer insights) sont plus fiables. D’ailleurs, des critiques récentes de Gartner indiquent que de grands déploiements déçoivent : les « Leaders » du Magic Quadrant auraient des « échecs fréquents… passés sous silence dans leur marketing ». Cela rappelle que la complexité métier, la qualité des données et l’accompagnement du changement — plus que les algorithmes eux-mêmes — déterminent la réussite. Lors de l’évaluation, il faut donc aller au-delà du marketing : se demander combien de décisions de planification sont réellement automatisées ou améliorées par l’IA et comment les utilisateurs perçoivent l’outil.

Conclusion

Flowlity ressort comme un prétendant de premier plan en étayant ses promesses IA par des fonctionnalités tangibles et une forte satisfaction utilisateurs. Avec ToolsGroup, il montre que l’IA peut transformer la planification lorsqu’elle est mise en œuvre de façon centrée utilisateur. Beaucoup d’éditeurs établis rattrapent encore leur retard — ils offrent une large couverture fonctionnelle et commencent à saupoudrer l’IA, mais manquent souvent soit de profondeur d’usage, soit d’adhésion utilisateurs (voire des deux). Les leaders « perçus » (SAP, Blue Yonder, Kinaxis, o9) disposent d’offres solides, mais l’expérience vraiment « pilotée par l’IA » semble provenir d’une nouvelle génération d’outils dont Flowlity fait partie. Pour choisir, il faut dépasser les slogans : évaluer combien de décisions sont effectivement automatisées/améliorées par l’IA et mesurer le ressenti des utilisateurs. À ces deux égards, Flowlity se situe à l’avant-garde — en combinant une IA avancée sur de multiples cas d’usage avec une très forte satisfaction, une combinaison rare et précieuse dans la planification de la supply chain aujourd’hui.

‍