20+ Constructeurs d'agents IA: Microsoft, CrewAI, LangGraph et plus encore

Après avoir examiné la documentation et passé plusieurs heures à tester ces constructeurs d'agents IA, nous avons compilé une liste des meilleurs frameworks open source et des plateformes low-code/no-code. Pour démontrer les cas d'utilisation des constructeurs d'agents IA, nous avons fourni un tutoriel sur la création d'un agent expert produit avec CrewAI.

Plateformes low-code/no-code

Les plateformes low-code/no-code avec des outils préconstruits sont idéales pour les tâches d'automatisation des flux de travail d'entreprise et le déploiement rapide.

Les plateformes low-code/no-code sont des logiciels propriétaires.

Creatio

Creatio permet aux équipes métier de créer des agents IA sans ressources de développeur, en se concentrant sur l'automatisation des ventes, du marketing et des services.

Fonctionnalités du constructeur d'agents IA : Les agents IA de Creatio gèrent les interactions avec les clients, automatisent les processus et analysent les données. La plateforme utilise des modèles préconstruits pour les scénarios courants, par exemple la qualification des prospects, les réponses du service client et le traitement des commandes, que vous personnalisez via une configuration visuelle plutôt que par code.

Le constructeur d'agents s'intègre directement aux données CRM de Creatio. Un agent IA peut accéder à l'historique des clients, extraire les informations de commande, vérifier l'état des stocks et déclencher des flux de travail, le tout depuis la même plateforme où résident vos données métier.

Automatisation des flux de travail : Le concepteur de processus par glisser-déposer crée des flux de travail en plusieurs étapes. Connectez les agents IA aux processus métier : lorsqu'un prospect atteint certains critères, l'agent le qualifie automatiquement, l'assigne aux commerciaux et planifie les relances.

Vertex IA Builder

Un constructeur d'agents sans code pour les cas d'utilisation métier qui vous permet de créer des modèles de réponse. Prend en charge l'intégration avec des frameworks open source comme LangChain. Une limite est que l'API Vertex, de l'authentification aux endpoints, est complexe à utiliser.

Beam IA

Microsoft Copilot Studio Agent Builder

Un constructeur d'agents IA low-code pour un environnement SaaS propose plus de 1 200 connecteurs de données. Idéal pour :

• Automatiser des tâches telles que l'envoi de notifications.
• Créer des chatbots internes.
• Ou les opérations métier telles que la gestion des commandes

La plateforme a introduit Agent Builder en 2026, permettant la création d'agents en langage naturel dans laquelle les développeurs décrivent les exigences et le système génère automatiquement les prompts, sélectionne les outils, configure les sous-agents et définit les compétences.¹

Les améliorations de 2026 incluent la possibilité de copier des agents créés dans Microsoft 365 Copilot dans Copilot Studio pour débloquer des flux de travail multi-étapes et des intégrations personnalisées.² La plateforme a ajouté des capacités d'humain dans la boucle via une action de « demande d'information » qui met en pause les flux d'agents pour collecter des détails auprès de réviseurs désignés via Outlook, puis reprend l'exécution en utilisant leurs réponses comme paramètres dynamiques.

Lyzr Agent Studio

Peut être utilisé par les développeurs, les entreprises et les utilisateurs métier. Il est modulaire et utile pour le prototypage. Idéal pour automatiser les flux de travail dans la finance, les RH, la chaîne d'approvisionnement et l'expérience client.

Glide

Propose des thèmes préconçus, des mises en page et des composants sans code pour la création d'agents. Idéal pour automatiser les flux de travail dans les ventes terrain, les inspections, les ordres de travail, l'inventaire, le CRM, les tableaux de bord et les portails.

Postman IA Agent Builder

Idéal pour le prototypage et la création d'agents IA dans un environnement collaboratif. Il propose des outils comme le client Postman, Collection Runner et Postman Flows pour tester les réponses, les prompts et les entrées des LLM.

UiPath Agent Builder

Un outil de développement d'agents low-code qui fait partie d'UiPath Studio.

String

Un constructeur d'agents IA qui permet aux utilisateurs de créer des agents spécifiques à des tâches sans coder. Les agents sont construits à l'aide de modèles préconçus et d'une interface visuelle par glisser-déposer. Il se connecte à des outils comme SharePoint, Salesforce et les APIs internes pour automatiser les flux de travail. La confidentialité des données est assurée par une conformité de niveau entreprise, et les agents peuvent fonctionner à la fois dans le cloud et sur site.

Relevance IA

Idéal pour les équipes opérationnelles cherchant à créer des agents IA pour la gestion des incidents sans dépendre des ressources de développeur. Aucune formation technique n'est requise.

Lindy

Se spécialise dans l'automatisation de plusieurs opérations commerciales, notamment la paperasserie médicale, le service client, les ressources humaines et les ventes. Avec Lindy, vous pouvez créer un « agent personnalisé » pour chaque tâche, le connecter à des outils comme Gmail ou Slack, et le voir fonctionner automatiquement via des déclencheurs.

Bricklayer IA

Un système IA autonome pour créer des agents qui automatisent les centres d'opérations de sécurité (SOC). Peut améliorer diverses tâches SOC telles que le triage des alertes, la réponse aux incidents et l'analyse de la threat intelligence. Permet aux SOC de créer des flux de travail multi-tâches, similaires aux playbooks SOAR.

Vonage IA Studio

Un constructeur d'agents visuel dans le Vonage IA Studio vous permet de créer des flux de conception automatisés pour les chatbots ou les assistants vocaux sur les canaux de messagerie et vocaux sans avoir à écrire de code.

Trilex IA

Un constructeur d'agents sans code qui permet à des agents auto-conscients de travailler ensemble en équipe. Il est axé sur l'interface et n'est pas prêt pour l'entreprise.

Frameworks open source

Les frameworks agentiques sont généralement les meilleurs pour les projets complexes pilotés par l'IA dans des environnements de développement qui nécessitent une personnalisation et du codage. Certains (par exemple, Crew IA, AutoGen) peuvent également offrir des capacités low-code.

LangGraph est un logiciel propriétaire, mais il fournit une bibliothèque open source pour le développement d'agents.

LangGraph

LangGraph 1.0 fait confiance à des entreprises comme Uber, LinkedIn et Klarna pour des charges de travail en production.³ Il sert de framework d'orchestration de bas niveau pour construire des flux de travail d'agents durables et avec état, avec persistance automatique de l'état : si un serveur redémarre en pleine conversation, les flux de travail reprennent exactement là où ils se sont arrêtés. Le framework fournit un support de première classe des API pour les modèles de type humain dans la boucle, permettant aux agents de suspendre l'exécution pour une revue, une modification ou une approbation humaine.

LangGraph offre un contrôle supérieur et est bien adapté aux flux de travail agentiques complexes, en particulier lors de l'utilisation de la génération augmentée de récupération (RAG) ou de l'orchestration de tâches d'IA sur des APIs ou bases de données externes.

LangGraph a introduit des intégrations sandbox enfichables, y compris langchain-modal, langchain-daytona et langchain-runloop, pour des environnements d'exécution de code sécurisés.⁴ Le framework a ajouté des profils de modèles exposant les fonctionnalités et capacités prises en charge via un attribut .profile, permettant une meilleure prise de décision contextuelle. La synthèse de l'historique de conversation se produit désormais dans le nœud du modèle via des événements wrap_model_call, en conservant l'historique complet des messages dans l'état du graphe pour un comptage de tokens plus précis.

Intégration LangChain : LangChain v1.1.0 exploite désormais le runtime de LangGraph pour permettre des flux de travail d'agents durables, avec branchement et mémoire, avec plus de 100 intégrations plug-and-play via des abstractions standardisées, le support de middleware et l'observabilité OpenTelemetry.⁵

AutoGen / Microsoft Agent Framework

AutoGen est passé en mode maintenance en octobre 2025 et a été fusionné dans Semantic Kernel dans le cadre du nouveau Microsoft Agent Framework. AutoGen reste disponible et recevra des corrections de bogues critiques et des correctifs de sécurité, mais aucune nouvelle fonctionnalité.⁶ Les développeurs devraient migrer vers Microsoft Agent Framework pour les capacités futures.

Fonctionnalités clés :

• Flux de travail multi-agents avec état durable et partage de contexte persistant sur des tâches de longue durée
• Support des normes ouvertes, y compris Model Context Protocol (MCP), la messagerie Agent-to-Agent (A2A) et l'intégration OpenAPI pour la portabilité inter-runtimes
• Garde-fous d'IA responsable intégrés : adhérence aux tâches (maintient les agents alignés sur les tâches), détection de PII (alerte lorsque les agents accèdent à des données sensibles) et Prompt Shields (protège contre l'injection de prompt)
• Support multi-langages pour Python et .NET avec une architecture asynchrone pilotée par les événements

Déploiement en entreprise : Le framework prend en charge l'expérimentation locale avec le déploiement vers Foundry Agent Service d'Azure IA Foundry, qui fournit une orchestration de flux de travail multi-agents, la gestion des erreurs, les nouvelles tentatives et la récupération à grande échelle. Des organisations comme KPMG l'utilisent pour connecter des agents spécialisés aux données d'entreprise tout en maintenant la conformité réglementaire.⁷

CrewAI

L'un des outils les plus faciles pour commencer, offrant des modèles d'agents prêts à l'emploi (par exemple, agent de préparation de réunion) et une courbe d'apprentissage minimale avec des options sans code.

CrewAI se distingue comme un framework multi-agents léger, autonome et haute performance, totalement indépendant de LangChain, offrant une exécution plus rapide et des besoins en ressources réduits.⁸

Le framework propose désormais deux approches complémentaires : les CrewAI Crews pour des agents IA autonomes et collaboratifs, et les CrewAI Flows pour un contrôle granulaire et piloté par les événements sur l'orchestration des tâches, prenant en charge à la fois les Crews nativement et les appels LLM uniques pour une exécution précise.⁹

Le framework a ajouté des utilitaires d'exécution de tâches Agent-to-Agent (A2A), permettant aux agents de déléguer dynamiquement des tâches dans des flux de travail structurés, des capacités de gestion de fichiers multimodaux et un ordonnancement des événements via des hiérarchies parent-enfant, garantissant une exécution déterministe des flux de travail.¹⁰ Les fonctionnalités d'entreprise incluent l'authentification SSO Keycloak et un magasin de fichiers amélioré avec cache de secours en mémoire.

Le compromis est qu'il peut être plus difficile d'ajuster dynamiquement les rôles ou de déléguer des tâches à d'autres agents en cours de flux de travail, car l'approche Crews de CrewAI utilise des rôles et des tâches prédéfinis, qui sont rigides. Flows offre plus de flexibilité pour les modèles d'orchestration complexes.

OpenAI Swarm

Solution légère, encore au stade expérimental, et pas encore « prête pour la production ». OpenAI décrit explicitement Swarm comme un framework éducatif et un livre de recettes pour explorer les modèles multi-agents plutôt qu'un produit officiel, et il ne sera pas maintenu pour une utilisation en production.¹¹

Statut 2026 : OpenAI Swarm reste en phase expérimentale en février 2026, sans calendrier annoncé pour une sortie en production. Il ne fournit pas de solutions prêtes à l'emploi pour tous les cas d'utilisation, mais il permet aux développeurs de construire et de personnaliser des aspects tels que l'orchestration des flux de travail et les interactions entre agents via des fonctions de « transfert » légères. Il convient au prototypage et au test d'idées, et est le mieux adapté aux cas d'utilisation simples ou à ceux qui cherchent à intégrer des processus agentiques dans un pipeline LLM existant.

Limitation clé : Swarm est un système totalement sans état qui traite chaque nouvelle tâche comme une page blanche sans mémoire des interactions précédentes. Si cela offre une prévisibilité et un débogage plus facile, cela se fait au détriment de l'adaptabilité à long terme.

Camel

Un framework d'agents de jeu de rôle multi-agents low-code qui permet aux agents IA de communiquer. Idéal pour l'automatisation des flux de travail et la génération de données synthétiques. Offre plus de 20 intégrations avec des plateformes de modèles.

ChatDev

Comprend des agents IA (tels que des concepteurs, des développeurs, des testeurs et des documentalistes) qui interagissent et travaillent ensemble pour accomplir des tâches complexes. ChatDev fournit un visualiseur basé sur navigateur pour étudier les interactions de chaque agent dans son rôle et son environnement.

Pydantic IA

Un framework d'agents Python ne nécessite pas l'apprentissage d'un nouveau langage spécifique au domaine. Utile pour la gestion de données structurées et le prototypage. S'intègre à des outils de journalisation tels que LogFire pour la visualisation de données en temps réel.

Agent Zero

Un framework d'agents IA autonome hébergé sur GitHub. Peut être utilisé pour la génération d'applications full-stack, le codage et le RAG. Interagit avec divers outils et APIs via des commandes en langage naturel.

Agents automatiques

Un framework léger pour construire des pipelines et des applications d'IA agentique. Contrairement aux frameworks comme AutoGen et Crew IA, qui utilisent des abstractions de haut niveau, Atomic Agents adopte une approche modulaire de bas niveau. Cela donne aux développeurs un contrôle direct sur des composants comme la gestion des entrées, l'intégration d'outils et la gestion de la mémoire, rendant chaque agent plus contrôlable.

Bee Agent Framework

Un toolkit open source sans code développé par IBM Research. Implémenté en TypeScript et Python. Il offre une exécution de code sandboxée pour la sécurité, une gestion flexible de la mémoire pour optimiser l'utilisation des tokens (en particulier pour les modèles comme Llama 3.1), et des contrôles de flux de travail, permettant un branchement complexe, la pause/reprise d'état et une gestion transparente des erreurs.

Que sont les agents ?

« Agent » peut être défini de plusieurs façons :

1. L'IA traditionnelle définit les agents comme des systèmes qui peuvent percevoir leur environnement et agir sur cet environnement.
2. Certains cabinets d'analystes définissent les agents comme des systèmes entièrement autonomes qui fonctionnent indépendamment sur de longues périodes, utilisant des outils comme des fonctions ou des APIs pour interagir avec leur environnement et prendre des décisions basées sur le contexte et les objectifs.¹²
3. D'autres utilisent le terme pour décrire des implémentations plus prescriptives qui suivent des flux de travail prédéfinis.¹³

Au lieu de fournir une définition stricte, nous catégorisons ces variations comme des systèmes agentiques, mais nous faisons une distinction architecturale clé entre les flux de travail et les agents :

1. Les flux de travail sont des systèmes dans lesquels les LLMs et les outils sont organisés via des chemins de code prédéfinis.
2. Les agents sont des systèmes où les LLMs, de manière indépendante :
   • Gèrent leurs processus et l'utilisation des outils.
   • Décident quand utiliser les outils fournis de manière itérative pour atteindre l'objectif principal et déterminer
   • Comment accomplir les tâches.

Pourquoi utiliser des constructeurs d'agents IA ?

Construire des agents à partir de zéro est une tâche complexe en raison des problèmes suivants :

• Fiabilité : Enchaîner plusieurs étapes d'IA peut aggraver les hallucinations de l'IA, en particulier pour les tâches nécessitant des sorties exactes.
• Capacité d'intégration : Plusieurs cas d'utilisation nécessitent que les agents accèdent à des entrepôts de données ou à des applications externes.
• Orchestration : Les agents doivent fonctionner au bon moment et dans le bon ordre pour atteindre un objectif commun, ce qui nécessite une synchronisation complexe.
• Gestion de l'état : Il est complexe de garantir que les agents suivent le statut des uns et des autres et que les changements dans l'état d'un agent ne perturbent pas les autres.

Les constructeurs d'agents facilitent cela en permettant aux développeurs de se concentrer sur la logique applicative, plutôt que de gérer les hallucinations de l'IA, les intégrations d'outils, l'orchestration, etc.

Les constructeurs apportent les composants nécessaires pour créer des agents IA plus fiables et performants, notamment :

• Frameworks définissant une spécialisation (par exemple, la gestion des flux de travail) du modèle d'IA agentique.
• Modèles de données qui aident à augmenter la probabilité qu'un modèle d'IA génère des sorties exactes, réduisant les hallucinations.
• Entrepôts de données qui permettent l'accès à des données externes, aux bases de données SQL et NoSQL pour le stockage et l'interrogation des données.
• Outils d'orchestration intégrés (par exemple, protocoles de communication, etc.) qui coordonnent plusieurs agents.
• Composants de gestion de l'état pour permettre aux agents de se souvenir des interactions passées et d'adapter leur comportement dans des environnements dynamiques.

Lire la suite

Si vous intéressez à l'infrastructure qui alimente l'IA agentique capable d'utiliser le web, voici nos derniers benchmarks :

• Navigateurs distants : comment l'infrastructure des navigateurs permet aux agents d'interagir avec le web en toute sécurité.
• Benchmark MCP des navigateurs : Top serveurs MCP pour l'utilisation d'outils et l'accès web.

Tutoriel pour construire un agent CrewAI

Dans ce tutoriel pratique, nous allons construire un agent IA avec CrewAI pour recommander des ordinateurs portables adaptés aux besoins spécifiques d'un CTO.

Scénario : Recommander les 3 meilleurs ordinateurs portables pour un directeur technique (CTO) qui travaille principalement avec la messagerie électronique et effectue un développement logiciel approfondi en Python.

Installation

Commençons par installer les bibliothèques requises :

Pourquoi avons-nous besoin de l'OpenAI API ?

CrewAI utilise un LLM, comme les modèles GPT d'OpenAI, pour alimenter le raisonnement et les réponses de l'agent. L'agent interprète les tâches et génère des sorties, nécessitant une clé OpenAI API.

Remarque : La clé API est nécessaire pour accéder aux modèles d'OpenAI comme GPT-4. CrewAI peut également fonctionner avec des modèles open source, tels que Llama 3.

Définition de l'agent

Nous allons créer un agent expert produit : un assistant IA connaisseur des produits technologiques. Étant donné que notre scénario implique le soutien à un utilisateur technique (un CTO), nous avons besoin d'un agent doté de solides connaissances produit et de compétences analytiques.

CrewAI définit un agent en fonction de sa relation avec les tâches. Pour chaque agent, nous devons clarifier son rôle, son objectif, son contexte et les outils qu'il peut utiliser :

• role : Le domaine d'expertise que représente l'agent ; dans ce cas, un expert produit féru de technologie.
• goal : Un objectif clair et spécifique pour l'agent.
• backstory : Donne à l'agent du caractère, de la profondeur et des connaissances du domaine.

Définition de la tâche

Dans cette partie, nous assignons à l'agent la tâche de recommander trois ordinateurs portables adaptés au CTO, y compris leur prix et un bref résumé d'une phrase pour chacun.

CrewAI gère le raisonnement et le formatage en fonction de vos contraintes, telles que spécifiées par les paramètres description, expected_output, et agent.

• description : Explique ce que l'agent doit faire.
• expected_output : Définit la structure de sortie ; cela garantit la clarté et la qualité.
• agent : Assigne la tâche à l'agent que nous avons créé.

Construction de l'équipe et exécution du flux de travail

Ensuite, nous créons l'équipe, un système dans lequel les agents sont créés, assignés à des tâches, et interagissent pour atteindre leurs objectifs.

CrewAI en action : sortie d'exécution de l'agent

Une fois la méthode crew.kickoff() appelée, CrewAI exécute la tâche en utilisant l'agent défini. Voici un exemple de sortie du terminal, montrant comment la tâche est assignée, exécutée et la réponse finale retournée par l'agent expert produit :

Ensuite, l'agent fournit sa sortie comme suit :

Cette sortie montre comment un agent, lorsqu'il est correctement défini, peut fournir des réponses structurées, pertinentes et de haute qualité pour une intégration dans des outils ou des flux de travail réels.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Ce qui différencie les constructeurs d'agents IA

Choisir entre les constructeurs d'agents IA ne consiste pas à trouver le « meilleur » outil – il s'agit de faire correspondre les compromis architecturaux aux compétences de votre équipe et aux besoins du projet. Voici ce qui distingue réellement ces plateformes.

Contrôle vs commodité

Plateformes low-code (Microsoft Copilot Studio, Beam IA) vous permettent de glisser-déposer des composants pour construire des agents. Aucun codage requis. La plateforme gère automatiquement l'orchestration, la gestion de l'état et la gestion des erreurs.

L'avantage : Les équipes non techniques peuvent construire des agents fonctionnels en quelques heures. Parfait pour les flux de travail métier standard comme le traitement des commandes, le routage du service client ou l'automatisation de la saisie de données.

La limite : Vous ne pouvez pas personnaliser la logique de base. Besoin d'un nouveau modèle de coordination ou d'une optimisation spécifique ? Vous êtes limité à ce que la plateforme offre. Ces outils fonctionnent très bien jusqu'à ce que votre cas d'utilisation diverge de leurs modèles.

Frameworks open source (LangGraph, Atomic Agents) vous donnent un contrôle total. Vous écrivez du code qui définit exactement comment les agents pensent, se coordonnent et s'exécutent.

L'avantage : Personnalisation illimitée. Construisez n'importe quel modèle de coordination, optimisez pour les cas limites, implémentez des boucles de raisonnement personnalisées. La gestion explicite de l'état de LangGraph fonctionne pour les processus multi-étapes complexes. Atomic Agents vous permet de contrôler la gestion des entrées, l'intégration d'outils et la mémoire à un niveau granulaire.

La limite : Nécessite une expertise de développement sérieuse et du temps. Ce qui prend des heures dans une plateforme low-code prend des semaines dans un framework.

Les options hybrides comme CrewAI essaient de trouver un juste milieu – des modèles pour des démarrages rapides, une personnalisation au niveau du code lorsque nécessaire. Mais la structure de rôles rigide de CrewAI rend difficiles les changements dynamiques en cours de flux de travail. Vous obtenez un développement initial plus facile au prix de l'adaptabilité.

Lectures complémentaires

• Comparer 20 LLM outils de sécurité et frameworks open source
• Comparer 50+ outils d'agents IA

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{20+ Constructeurs d'agents IA: Microsoft, CrewAI, LangGraph et plus encore}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/ai-agent-builders}},
  note   = {AIMultiple. Consulté le 27 Mars 2026}
}

Liens de référence

1.

January 2026: LangChain Newsletter

LangChain Blog

2.

What's new in Copilot Studio - Microsoft Copilot Studio | Microsoft Learn

3.

LangSmith Cloud changelog - Docs by LangChain

Docs by LangChain

4.

Changelog - Docs by LangChain

Docs by LangChain

5.

LangChain vs LangGraph: When to Use Each & Migration Tutorial

ClickIT DevOps & Software Development

6.

AutoGen Update · microsoft/autogen · Discussion #7066 · GitHub

7.

Introducing Microsoft Agent Framework | Microsoft Azure Blog

Microsoft Azure Blog

8.

crewai · PyPI

9.

GitHub - crewAIInc/crewAI: Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks. · GitHub

10.

Solving Scalability and Management Woes: Integrating CrewAI with an MCP Server · Technical news about AI, coding and all

11.

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

12.

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

Boston Consulting Group

13.

AI Agents — Introduction, Workflows and Application | by Sulbha Jain | Medium

Medium

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe des centaines de milliers d'entreprises (selon SimilarWeb) dont 60 % du Fortune 500 chaque mois.

Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.

Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sena Sezer

Analyste du secteur

Suivre

Sena est analyste sectorielle chez AIMultiple. Elle a obtenu sa licence à l'Université de Bogazici.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire