Tout le monde développe des agents d'IA. Après avoir testé concrètement des agents de programmation d'IA populaires, et après avoir utilisé des outils et des plateformes de création d'agents d'IA avec des benchmarks pour évaluer leurs performances en situation réelle , nous avons établi une liste des 50 meilleurs agents d'IA open source . Cliquez sur les en-têtes de catégorie pour accéder directement à notre sélection :

Comment concevoir les agents IA ?

Un agent d'IA est bien plus qu'un simple modèle linéaire logique (MLL) doté d'instructions. Techniquement, il s'agit d'un système composable qui combine planification, mémoire, utilisation d'outils et exécution itérative. Il forme une boucle structurée autour d'un MLL capable de prendre des décisions, d'effectuer des actions et de s'adapter aux nouvelles informations.

Voici comment les envisager :

• Autonomie et flux de travail : les agents d’IA vont de l’automatisation de tâches basiques basée sur des flux de travail prédéfinis aux systèmes entièrement autonomes capables de décomposer les objectifs, de gérer la mémoire et d’interagir avec les outils. Le principal défi technique réside dans le maintien du contexte entre les étapes et la coordination des opérations en plusieurs phases.

• Contexte et contrôle : Le véritable défi des agents d’IA consiste à garantir que le modèle de langage naturel (MLN) dispose du contexte approprié à chaque étape. Cela implique de gérer le contenu fourni au MNL et de s’assurer que l’agent exécute les tâches pertinentes en fonction d’un contexte à jour.

• Intégration des outils : La création d’agents performants exige une intégration fluide avec les outils externes, les API et les sources de données. Des frameworks comme LangChain facilitent l’intégration de ces ressources externes, mais la maîtrise du flux de travail est essentielle pour adapter le comportement de l’agent aux nouvelles entrées.

• Avantages des frameworks d'agents : Tous les systèmes d'agents, qu'il s'agisse de flux de travail simples ou d'agents autonomes complexes, peuvent tirer parti des fonctionnalités essentielles offertes par les frameworks d'agents . Ces fonctionnalités peuvent être développées sur mesure ou réutilisées à partir d'une plateforme open source existante, selon vos besoins.

Nouvelles normes

• Protocole MCP (Model Context Protocol) : norme du secteur pour la communication entre les agents et les sources de données externes. LangGraph intègre MCP pour permettre aux agents de se connecter facilement aux bases de données et aux outils locaux sans nécessiter de surcouches personnalisées.
• Protocole Stripe Agentic Commerce (ACP) : Première norme industrielle opérationnelle permettant aux agents IA de gérer les paiements, les stocks et les expéditions en toute sécurité, il active le « paiement agent », où l’agent peut finaliser un achat pour l’utilisateur via une interface de chat.

Qu'est-ce qu'un agent IA exactement ?

Il n'existe pas de définition consensuelle de ce qui constitue un « agent d'IA ».

• L'IA traditionnelle définit les agents comme des systèmes qui interagissent avec leur environnement.
• L'enquête de Simon Willison auprès des praticiens présente diverses définitions de travail proposées par les acteurs du secteur. ²
• La définition de Anthropic décrit les principes de conception pour la construction d'agents d'IA efficaces et alignés. ³
• Les grands cabinets de conseil mettent l'accent sur le rôle des agents dans l'automatisation des flux de travail et de la prise de décision au sein des entreprises. ⁴ .

Bon nombre d'entre eux incluent explicitement des flux de travail et placent l'autonomie à l'extrémité d'un spectre.

Nous partageons ces points de vue et, par conséquent, nous ne proposons pas de définition stricte. Nous énumérons plutôt les facteurs qui provoquent un système d'IA. être considéré comme plus actif :

• Environnement et objectifs :
  • Les systèmes d'IA dans des environnements complexes, tels que ceux comportant de multiples tâches et des changements inattendus, sont autonomes.
  • Les systèmes d'IA qui poursuivent des objectifs sans instructions préalables sont dits autonomes.
• Interface utilisateur et supervision : les systèmes d’IA capables d’apprendre les langues naturelles et les systèmes nécessitant moins de supervision de l’utilisateur sont dits « agentifs ».
• Conception du système : Les systèmes qui utilisent des modèles de conception tels que l’utilisation d’outils (par exemple, la recherche Web, la programmation) ou la planification (par exemple, la réflexion, la décomposition en sous-objectifs) sont des systèmes agents.

Pour une explication plus détaillée, nous avons précédemment listé ces facteurs et expliqué comment ils définissent les systèmes d'IA agentifs .

Ces agents sont-ils totalement autonomes ?

Pas encore. La plupart des agents d'IA open source améliorent l'autonomie des LLM en permettant l'utilisation d'outils, la prise de décision et la résolution de problèmes, mais ils nécessitent toujours des entrées structurées et une intervention humaine.

Des exemples comme Devon et PR-Agent suivent une logique prédéfinie ou des flux de travail d'apprentissage par renforcement plutôt que de démontrer un comportement pleinement autonome. D'autres agents d'IA ne possèdent toujours pas les capacités d'apprentissage autonome et de généralisation.

Quand (et quand ne pas) utiliser des agents d'IA

Toutes les applications LLM ne nécessitent pas une complexité agentielle. De nombreux cas d'utilisation sont mieux pris en charge par une génération augmentée par récupération légère (RAG) .

Les systèmes multi-agents introduisent une surcharge architecturale : gestion de la mémoire, orchestration des outils, gestion des erreurs et boucles de contrôle, ce qui augmente la latence et le coût. Par exemple, nos tests ont montré que le taux de réussite des agents d’IA diminuait après 35 minutes d’interaction humaine.

Pour atténuer ces risques, il est essentiel de tester les systèmes multi-agents dans des environnements contrôlés et de mettre en œuvre des garde-fous robustes avant leur déploiement.

Les agents sont particulièrement utiles lorsque les étapes ne peuvent être facilement prédites ou programmées. Ils sont notamment adaptés aux situations où :

• Les tâches sont dynamiques et comportent plusieurs étapes , avec une logique de branchement ou des sous-objectifs peu clairs.
  
• L'utilisation des outils est conditionnelle ou adaptative , ce qui oblige le système à choisir l'outil à invoquer en fonction des entrées ou de l'état antérieur.
  
• Une mémoire à long terme ou un contexte est nécessaire , à travers les sessions ou les étapes d'exécution.
  
• L'exécution doit répondre aux retours d'information de l'environnement , tels que les résultats d'API, les résultats de recherche ou les actions ayant échoué.
  
• Une collaboration avec l'humain dans la boucle est nécessaire , où l'autonomie et la supervision doivent être combinées (par exemple, des copilotes IA).

En revanche, les flux de travail ou les appels LLM sans état sont préférables lorsque :

• La logique des tâches est statique ou prévisible , comme le remplissage de formulaires ou la transformation de contenu.
  
• Une faible latence est essentielle , notamment dans les interactions avec les utilisateurs.
  
• Il est essentiel de minimiser les coûts , notamment en évitant les appels LLM récursifs et les orchestrations complexes.

En savoir plus

Voici nos derniers indicateurs de performance concernant l'infrastructure couramment utilisée par les systèmes multi-agents :

• Navigateurs distants : comment l’infrastructure du navigateur permet aux agents d’interagir avec le Web en toute sécurité.
• Comparatif des serveurs MCP pour navigateurs : Meilleurs serveurs MCP pour l’utilisation d’outils et l’accès Web.

Exemples d'agents d'IA open source

Certains outils décrits comme des « agents d'IA » ne sont en réalité pas si « agents » que cela ; ces systèmes ( par exemple, Devon PR-agent ) sont en grande partie des flux de travail d'IA basés sur l'apprentissage par renforcement, avec des LLM organisés selon des chemins de code prédéfinis.

1. Cadres d'agents (Construisez le vôtre)

Bibliothèques modulaires et kits de développement logiciel (SDK) permettant aux développeurs de créer des agents avec un contrôle total sur la logique, la mémoire, les outils et l'orchestration.

✳️ Certains agents comme SmolAgents et Agno s'intègrent à la fois dans les catégories des frameworks d'agents et de l'automatisation des flux de travail .

Cadres d'agents généraux

Des frameworks axés sur la création d'agents , offrant des outils flexibles et personnalisables pour orchestrer les flux de travail, les configurations multi-agents et les cas d'utilisation généraux.

• LangGraph – Orchestration de workflows LLM basée sur les graphes – LangGraph est un logiciel propriétaire, mais il fournit une bibliothèque open source pour le développement d'agents. Idéal pour les pipelines RAG , la gestion de la mémoire/de l'état des agents et les configurations multi-agents .

• AutoGen – Collaboration asynchrone multi-agents – Conçu pour coordonner les agents utilisant des outils via des API de type messagerie instantanée. Idéal pour automatiser les flux de travail complexes, notamment la génération de code autonome .

• CrewAI – Framework multi-agents sans code/à faible code – L'un des outils les plus faciles à prendre en main, offrant des modèles d'agents prêts à l'emploi ( par exemple, agent de préparation de réunion ).

Cadres d'agents spécialisés

Cadres de référence axés sur des types spécifiques de comportements d'agents ou d'intégrations d'agents.

• Camel – Simulation d'agents basée sur les rôles – Optimisée pour les agents collaboratifs jouant un rôle et utilisant un raisonnement structuré . Idéale pour l'automatisation des flux de travail et la génération de données synthétiques.

• Mastra – Développement d'agents intégrés au frontend – Basé sur JavaScript , idéal pour intégrer des agents dans des applications destinées aux utilisateurs .

• PydanticAI – Contrôle minimal d'agents sûr en termes de types – Fournit une validation rigoureuse et des chemins logiques transparents avec Pydantic .

• Cybersécurité IA (CAI) – Cadre d'agent de cybersécurité piloté par l'IA – Fournit des tests d'intrusion , la découverte de vulnérabilités et des équipes rouges avec des capacités humaines dans la boucle, tirant parti de grands modèles de langage et d'intégrations avec des outils comme Nmap.

• Atomic Agents – Créateur d'agents personnalisés granulaires basé sur le schéma – Conçu pour une structure d'agent granulaire et une logique composable .

• SmolAgents – Kit de développement logiciel (SDK) d'agent léger pour les développeurs – Abstraction minimale , logique de routage via Python au lieu de JSON.

Environnements d'exécution d'agents (Agents autonomes préconfigurés)

Agents préconfigurés et autonomes, prêts à l'emploi (comme une application). Ils prennent généralement en charge l'exécution autonome de tâches à partir d'objectifs formulés en langage naturel.

Entièrement autonome :

• Auto-GPT – Décomposition des objectifs et exécution autonome – Décompose les objectifs en sous-tâches et les réalise à l'aide d'outils, de mémoire et de raisonnement. Propose des agents préconfigurés et une interface à faible code.

• AIlice – Exécution locale de tâches générales – Exécute des tâches complexes sur l'appareil, prend en charge les outils locaux et la manipulation de fichiers. Son objectif est de créer un assistant IA, similaire à JARVIS, basé sur le langage LLM open-source.

• Manus AI – Opérations générales en environnement isolé . Exécute des outils et des flux de travail dans un environnement isolé sécurisé, capable de gérer de manière autonome des opérations multi-domaines et multi-étapes. Acquis par Meta, il s'intègre à l'écosystème « Personal Ambient Meta » de Meta. ⁵

Partiellement autonome :

• BabyAGI – Exécuteur de boucle de tâches itératives – Crée, priorise et exécute des listes de tâches dans une boucle de rétroaction. Idéal pour les expériences de génération de tâches.

Basé sur un navigateur/une interface :

• AgentGPT – Agent autonome déployé via navigateur – Permet aux utilisateurs de créer et d'exécuter des agents de tâches via une interface web. Léger, idéal pour l'expérimentation.

• OpenManus – Agent de navigateur persistant – Conçu pour les flux de travail s'étendant sur plusieurs sessions dans les environnements de navigateur. Utilise des outils comme Playwright pour automatiser les interactions web. Idéal pour une utilisation au sein de pipelines d'automatisation existants. Installation rapide avec Conda.

2. Automatisation et orchestration des flux de travail

Des outils qui automatisent les flux de travail et intègrent plusieurs plateformes ou services, souvent avec la possibilité d'intégrer des agents d'IA.

Automatisation et intégration générales des flux de travail

Des plateformes qui connectent les API, déclenchent des événements et automatisent les tâches, facilitant ainsi la création et l'intégration de flux de travail entre différents systèmes.

• n8n – Automatisation visuelle des flux de travail et intégration d'API – Connecte applications, déclencheurs et flux de données via un éditeur de nœuds. Il combine la création visuelle sans code avec du JavaScript/Python personnalisé et prend en charge plus de 400 intégrations. Vous pouvez héberger vous-même votre application et exécuter des flux de travail d'agents d'IA avec LangChain. Idéal pour les profils techniques.

• PlanExe – Outil de planification LLM vers Gantt/WBS – Planificateur IA similaire à l'étude approfondie de OpenAI. Convertit les objectifs en langage naturel en chronologies structurées grâce à LlamaIndex.

• Agno ✳️ – Générateur de flux de travail et d'agents convivial pour les développeurs – Il convient à la fois comme outil d'automatisation des flux de travail (aidant à automatiser les tâches et les flux de travail) et comme générateur d'agents.

• SmolAgents ✳️ – Kit de développement logiciel (SDK) d'agent léger pour les développeurs – SmolAgents est suffisamment flexible pour s'adapter à la fois comme un SDK d'agent léger (pour les frameworks d'agents) et comme un outil de flux de travail (car il s'intègre aux modèles Hugging Face).

• Windmill – Plateforme de développement open source et moteur de workflow – Convertit les scripts en interfaces utilisateur, API et tâches cron ; prend en charge Python, TypeScript, Go et d’autres langages.

• Activepieces – Plateforme d'automatisation open source – Outil de création de flux de travail visuel auto-hébergé permettant d'automatiser des tâches et d'intégrer des applications avec un minimum de code. Elle prend en charge plus de 280 serveurs MCP pour exécuter des tâches d'IA distribuées et des chaînes d'agents à grande échelle.

• Huginn – Automatisation Web et gestion d'agents – Crée des agents pour automatiser les tâches et la surveillance Web.

• Node-RED – Développement basé sur les flux pour l'IoT et les données en temps réel – Intègre des services et automatise les tâches grâce à un éditeur de flux basé sur un navigateur.

Orchestration des flux de travail multi-agents

Cadres conçus pour coordonner les agents interagissant au sein de flux de travail structurés et intégrer les systèmes multi-agents.

• HyperAgent – Orchestration complète du cycle de vie des agents logiciels – Les agents travaillent ensemble pour planifier, coder et vérifier les tâches d'ingénierie.

• Supercog – agentic – Orchestration modulaire avec blocs logiques réutilisables – Conçu pour une automatisation évolutive, structurée et collaborative.

3. Automatisation et navigation Web

Les agents naviguent de manière autonome sur les sites web et effectuent des tâches en plusieurs étapes, telles que le remplissage de formulaires, l'extraction de données et l'automatisation de la navigation web.

Agents Web autonomes et copilotes

Agents autonomes à usage général (compatibles avec le Web) :

• AgenticSeek – Agent de navigation web entièrement autonome – IA entièrement locale. Spécialisé dans l'extraction de données et le remplissage de formulaires, automatisant les tâches web.

• Agent-E – Agent d'automatisation de navigateur compatible DOM – Se concentre sur l'interaction avec les pages Web en analysant le DOM (Document Object Model), idéal pour cliquer sur des boutons et remplir des formulaires.

• AutoWebGLM – Agent web basé sur LLM – Utilise l'apprentissage par renforcement et la simplification HTML pour une meilleure navigation sur les sites web complexes.

Agents de navigation Web basés sur la vision (multimodaux) :

• Extension Autogen WebSurfer – Agent web multimodal – Combine texte et entrées visuelles (captures d'écran) pour améliorer l'interaction web.

• Skyvern – Agent d'IA avec vision par ordinateur – Automatise les flux de travail à l'aide de LLM et de vision par ordinateur, gérant à la fois les éléments textuels et visuels.

• WebVoyager – Agent web basé sur la vision – Utilise du texte et des captures d'écran pour améliorer la navigation sur les sites web riches en images.

Pour en savoir plus sur l'automatisation et la navigation web open source, voici une présentation structurée de certains des meilleurs outils et agents :

Agents d'utilisation de l'ordinateur

Agents de navigation Web

Kits d'outils d'automatisation et de web scraping

Extensions de navigateur et RPA Web optimisées par LLM

aspirateurs et robots d'exploration Web basés sur l'IA

outils de recherche Web IA

4. Programmation et développement

Des agents d'IA conçus pour assister les développeurs dans leurs tâches de codage, en leur fournissant une assistance en temps réel grâce à des suggestions de code, au débogage et à l'automatisation des tâches.

Agents de codage basés sur l'interface de ligne de commande

• Codex C LI – Outil d'interaction multimode (suggérer, modifier, exécuter) – Améliore les flux de travail des développeurs via la ligne de commande en proposant des suggestions et des modifications de code.

• OpenDevin – Assistant de programmation IA open source – Aide à la programmation en proposant des suggestions de code pour différents langages. À noter : OpenDevin a récemment changé de nom pour devenir OpenHands, afin de mieux refléter sa mission d’« IA collaborative ». ⁶

• Aider – Assistant de programmation en binôme IA – Intégré à votre terminal pour vous aider à coder, il prend en charge la saisie semi-automatique, le débogage et l'automatisation des tâches.

Éditeurs de code IA

• Neovim – Éditeur de code intégrant l'IA – Plugins basés sur l'IA offrant la complétion de code et la refactorisation.

• Visual Studio Code (VS Code) – Outil de saisie semi-automatique et de débogage de code basé sur l'IA – Offre des suggestions de code et une saisie semi-automatique via GitHub Copilot, intégré aux environnements IDE pour les développeurs.

• Cursor – Éditeur de code intégrant l'IA – Conçu avec une fonction de saisie semi-automatique de code en temps réel basée sur l'IA.

Générateurs d'applications à partir d'invites ( codage Vibe )

Alternatives open source v0 / lovable / Bolt :

• Dyad – Créateur d'applications d'IA open source – Outil local et sans code pour la création d'applications pilotées par l'IA avec des commandes en langage naturel.

• vx.dev – Créateur d'applications d'IA open source – Un outil local et low-code axé sur la transformation des requêtes en langage naturel en applications.

5. Cybersécurité

Des agents d'IA conçus pour améliorer les opérations de cybersécurité, notamment des tâches telles que les tests d'intrusion, la découverte de vulnérabilités, les exercices d'équipe rouge et la détection autonome des menaces.

• YAWNING TITAN – Simulation de cybersécurité abstraite et basée sur des graphes – Prend en charge la formation d'agents pour des cyberopérations autonomes, en mettant l'accent sur les environnements basés sur des graphes.

• bumpgen – Agent de gestion de paquets – Met à jour automatiquement les paquets npm (gestionnaire de paquets Node.js).

• Agents LLM de cybersécurité – Tâches de cybersécurité pilotées par LLM – Basés sur AutoGen . Utilisés dans diverses applications de recherche pour démontrer l'automatisation de ChatGPT EDR et l'intégration continue/déploiement continu automatisés pour l'ingénierie de la détection .

6. Création de contenu vidéo par IA

Agents d'IA qui aident à générer, éditer et améliorer le contenu visuel et multimédia, y compris les œuvres d'art , les images et les vidéos .

• Mochi – Génération de vidéos à partir de texte – Convertit des descriptions textuelles en vidéos, notamment des vidéos courtes. Idéal pour générer rapidement des vidéos à partir de descriptions textuelles.

• CogVideo – Génération de vidéos à partir de texte – Convertit des invites textuelles en vidéos haute fidélité, permettant la création de vidéos à partir d'images. Un outil plus avancé pour la génération de vidéos de haute qualité à partir de texte ou d'images.

• Allegro – Génération de vidéos à partir de texte – Convertit des textes en vidéos en mettant l'accent sur la création de contenu original. Cet outil privilégie la synthèse vidéo créative à partir de textes pour produire des récits visuels uniques.

• DALL·E (Versions open source) – Génération de texte en vidéo – Génère des images à partir de descriptions textuelles, transformant des instructions écrites en contenu visuel détaillé et créatif.

7. Finance

Des agents d'IA qui fournissent une amélioration automatisée de l'apprentissage par renforcement ou une analyse des données financières en temps réel .

• FinRL – Apprentissage par renforcement automatisé pour le trading – Apprend et exécute de manière autonome des stratégies de trading basées sur les données de marché, en s'adaptant aux environnements financiers dynamiques.

• Terminal OpenBB – Analyse de données financières – Fournit des informations financières autonomes pour le trading en temps réel, permettant aux professionnels de l'investissement de prendre des décisions de trading éclairées.

8. Santé

Des agents d'IA qui contribuent au diagnostic médical, au suivi des maladies et à l'analyse des données et des rapports médicaux des patients.

• HIA (Health Insights Agent) – Analyse de rapports médicaux – Analyse les rapports médicaux et fournit des informations sur la santé.
  
• Assistant de santé IA – Diagnostic et suivi des maladies – Diagnostique et surveille les maladies à partir des données des patients.

9. Recherche

Des agents d'IA qui facilitent la collecte de données, les analyses de la littérature et la vérification des hypothèses, rationalisant ainsi le processus de recherche.

• ChemCrow – Agent de recherche en chimie autonome – Intègre les LLM avec des outils chimiques pour planifier et exécuter des tâches expérimentales et informatiques complexes en analyse chimique.

• Chercheur GPT – Assistant de recherche général autonome – Effectue des recherches en ligne structurées, analyse le contenu et rédige des rapports de recherche détaillés avec une intervention minimale de l'utilisateur.

10. Analyse des données

Des agents d'IA qui traitent, analysent et interprètent les données afin de fournir des informations exploitables et d'aider à la prise de décision.

Finance

• FinRobot – Agent d'analyse de données financières – Automatise l'interprétation et le reporting des données financières grâce à de grands modèles de langage.

Veille stratégique et interrogation

• Wren AI – Agent d'analyse décisionnelle Text-to-SQL – Convertit les questions en langage naturel en requêtes SQL pour la création de rapports d'activité.

• Entaoai – Outil d'ingénierie des données assisté par GenAI – Fournit une interface de chat pour les tâches d'interrogation et de transformation des données.

• Vanna AI – Agent de traitement du langage naturel vers SQL – Génère des requêtes SQL à partir des instructions de l'utilisateur pour explorer des ensembles de données structurés.

Réseaux sociaux

• Agent de personnalité Twitter – Agent d'analyse des médias sociaux – Analyse l'historique des tweets pour en déduire des traits comportementaux et de personnalité.

11. Assistance personnelle

Des agents d'IA qui facilitent la gestion des tâches, la planification et l'organisation personnelle, améliorant ainsi la productivité et la gestion du temps.

• VacAIgent (agent CrewAI pré-construit) – Assistant de planification de voyage – Génère de manière autonome des itinéraires de voyage complets à l'aide de Streamlit et LLM.

• Inbox Zero – Assistant de messagerie – priorise, classe et résume les messages grâce au traitement du langage naturel et à l'intégration de Gmail.

• Cal – Agent de planification de calendrier – Automatise la création, la reprogrammation et la synthèse des réunions via une interaction basée sur LLM.

Systèmes d'agents IA pour la construction

De nombreux frameworks d'IA sont contrôlés par un seul fournisseur ou des dépôts publics, mais sont soumis à une réglementation stricte.

Ces projets évoluent souvent vers des modèles à noyau ouvert : le code de base reste gratuit, mais l’orchestration multi-agents, l’observabilité ou le contrôle précis peuvent être soumis à des licences commerciales. Dans certains écosystèmes « ouverts », l’utilisation en production nécessite souvent l’acquisition d’un système dorsal propriétaire.

Source ⁷

Projets d'agents IA dans le monde réel

D'après notre expérience, voici quelques applications d'agents IA :

• Développement d'API
• Développement d'applications
• génération de sites web par IA
• Capture d'écran de l'exécution du code
• Commander des livraisons
• Faire une réservation au restaurant
• Concevoir une pièce

Autres projets d'agents d'IA autonomes :

Autres projets d'agents d'IA utilisant des frameworks :

Pour en savoir plus

• Comparaison de 20 outils de sécurité LLM et frameworks open source
• Quels sont les 10 principaux risques liés à la sécurité des LLM ?

Liens de référence

1.

2.

Simon Willison on ai-agents

3.

Building Effective AI Agents \ Anthropic

4.

AI Agents: What They Are and Their Business Impact | BCG

Boston Consulting Group

5.

Manus, Yeniliklerin Yeni Çağı İçin Meta'ya Katılıyor

6.

One Year of OpenHands: A Journey of Open Source AI Development | Nov 12, 2025

Graham Neubig

7.

Dapr Agents: Combining AI Agents & Workflows for Production Systems | Diagrid Blog

Diagrid

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire