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

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

Plateformes low-code/no-code

Les plateformes low-code/no-code dotées d'outils préconstruits sont idéales pour l'automatisation des workflows d'entreprise et un 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 développement, en se concentrant sur l'automatisation des ventes, du marketing et des services.

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

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

Automatisation des workflows : Le concepteur de processus par glisser-déposer crée des workflows multi-étapes. Connectez les agents IA aux processus métier : lorsqu'un lead atteint certains critères, l'agent le qualifie automatiquement, l'attribue aux commerciaux et planifie les relances.

Vertex IA Builder

Un créateur d'agents no-code pour les cas d'usage métier qui 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 créateur d'agents IA low-code pour un environnement SaaS offre plus de 1 200 connecteurs de données. Idéal pour :

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

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

Les améliorations de 2026 incluent la possibilité de copier des agents créés dans Microsoft 365 Copilot dans Copilot Studio pour débloquer des workflows multi-étapes et des intégrations personnalisées.² La plateforme a ajouté des capacités de « human-in-the-loop » via une action de « demande d'information » qui met en pause les flux d'agent pour recueillir 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 workflows dans les domaines de la finance, des RH, de la chaîne d'approvisionnement et de l'expérience client.

Glide

Propose des thèmes préconçus no-code, des mises en page et des composants pour la création d'agents. Idéal pour automatiser les workflows 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 construction 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 créateur d'agents IA qui permet aux utilisateurs de créer des agents spécifiques à des tâches sans codage. 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 API internes pour automatiser les workflows. La confidentialité des données est assurée par une conformité de niveau entreprise, et les agents peuvent fonctionner à la fois dans des environnements cloud et sur site.

Relevance IA

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

Lindy

Se spécialise dans l'automatisation de plusieurs opérations commerciales, y compris les formalités médicales, 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 d'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 du renseignement sur les menaces. Permet aux SOC de créer des workflows multi-tâches, similaires aux playbooks SOAR.

Vonage IA Studio

Un créateur d'agents visuel dans 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 créateur d'agents no-code qui permet à des agents conscients d'eux-mêmes 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 mieux adaptés aux projets complexes axés sur l'IA dans des environnements de développement qui nécessitent personnalisation et 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 est utilisé en production par des entreprises comme Uber, LinkedIn et Klarna.³ Il sert de framework d'orchestration de bas niveau pour construire des workflows d'agents durables et avec état, avec une persistance automatique de l'état : si un serveur redémarre en milieu de conversation, les workflows reprennent exactement là où ils s'étaient arrêtés. Le framework offre un support API de première classe pour les schémas de type « human-in-the-loop », permettant aux agents de suspendre l'exécution pour examen, modification ou approbation par un humain.

LangGraph offre un contrôle accru et convient aux workflows agentiques complexes, en particulier lors de l'utilisation de la génération augmentée par récupération (RAG) ou de l'orchestration de tâches d'IA sur des API ou bases de données externes.

LangGraph a introduit des intégrations sandbox enfichables, notamment langchain-modal, langchain-daytona et langchain-runloop, pour des environnements d'exécution de code sécurisés.⁴ Le framework a ajouté des profils de modèle 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 de modèle via les événements wrap_model_call, en conservant l'historique complet des messages dans l'état du graphique pour un comptage de tokens plus précis.

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

AutoGen / Microsoft Agent Framework

AutoGen est entré 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 bugs critiques et des correctifs de sécurité, mais aucune nouvelle fonctionnalité.⁶ Les développeurs doivent migrer vers Microsoft Agent Framework pour les fonctionnalités futures.

Fonctionnalités clés :

• Workflows multi-agents avec état durable et partage de contexte persistant sur les tâches de longue durée
• Support des standards ouverts, y compris le Model Context Protocol (MCP), la messagerie Agent-to-Agent (A2A) et l'intégration OpenAPI pour la portabilité inter-runtime
• Protections d'IA responsable intégrées : Adhérence aux tâches (maintient les agents alignés sur les tâches), Détection PII (alerte lorsque les agents accèdent à des données sensibles) et Prompt Shields (protège contre l'injection de prompts)
• Support multilingue pour Python et .NET avec une architecture asynchrone pilotée par les événements

Déploiement en entreprise : Le framework prend en charge l'expérimentation locale avec un déploiement vers Azure IA Foundry's Foundry Agent Service, qui offre une orchestration de workflows multi-agents, une gestion des erreurs, des tentatives de reprise et une 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 à prendre en main, 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 no-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 moindres.⁸

Le framework propose désormais deux approches complémentaires : CrewAI Crews pour des agents IA collaboratifs et autonomes, et CrewAI Flows pour un contrôle granulaire 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 workflows structurés, des capacités de gestion de fichiers multimodaux et un ordonnancement des événements via des hiérarchies parent-enfant, garantissant une exécution déterministe des workflows.¹⁰ Les fonctionnalités entreprise incluent l'authentification SSO Keycloak et un stockage de fichiers amélioré avec cache mémoire de secours.

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 workflow, car l'approche Crews de CrewAI utilise des rôles et des tâches prédéfinis, qui sont rigides. Les Flows offrent plus de flexibilité pour les schémas d'orchestration complexes.

OpenAI Swarm

Une solution légère, encore au stade expérimental, et pas encore « prête pour la production ». OpenAI décrit explicitement Swarm comme un framework éducatif et un cookbook pour explorer les schémas multi-agents plutôt qu'un produit officiel, et il ne sera pas maintenu pour un usage en production.¹¹

Statut 2026 : OpenAI Swarm reste en phase expérimentale en février 2026, sans calendrier annoncé pour une version de production. Il ne fournit pas de solutions prêtes à l'emploi pour tous les cas d'usage, mais permet aux développeurs de construire et de personnaliser des aspects tels que l'orchestration des workflows et les interactions entre agents via des fonctions de « handoff » légères. Il convient au prototypage et au test d'idées, et est le mieux adapté aux cas d'usage 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 ardoise vierge sans mémoire des interactions précédentes. Bien que cela offre prévisibilité et débogage plus facile, cela se fait au détriment de l'adaptabilité à long terme.

Camel

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

ChatDev

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

Pydantic IA

Un framework d'agent Python qui 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'agent 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 API via des commandes en langage naturel.

Automatic Agents

Un framework léger pour construire des pipelines et des applications d'IA agentique. Contrairement à des 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 tels que la gestion des entrées, l'intégration d'outils et la gestion de la mémoire, rendant chaque agent plus contrôlable.

Bee Agent Framework

Un toolkit no-code open source développé par IBM Research. Implémenté en TypeScript et Python. Il offre une exécution de code en bac à sable 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 workflow permettant un branchement complexe, la mise en pause/reprise de l'état et une gestion transparente des erreurs.

Que sont les agents ?

Le terme « agent » peut être défini de plusieurs manières :

1. L'IA traditionnelle définit les agents comme des systèmes capables de percevoir leur environnement et d'agir sur cet environnement.
2. Certains cabinets d'analystes définissent les agents comme des systèmes entièrement autonomes qui fonctionnent de manière indépendante sur de longues périodes, utilisant des outils comme des fonctions ou des API 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 workflows prédéfinis.¹³

Plutôt que de fournir une définition stricte, nous classons ces variations comme des systèmes agentiques, mais faisons une distinction architecturale clé entre les workflows et les agents :

1. Les workflows sont des systèmes dans lesquels les LLM et les outils sont organisés via des chemins de code prédéfinis.
2. Les agents sont des systèmes où les LLM gèrent de manière autonome :
   • Leurs processus et leur utilisation des outils.
   • Le moment d'utiliser les outils fournis de manière itérative pour atteindre l'objectif principal et déterminer
   • Comment accomplir les tâches.

Pourquoi utiliser des créateurs d'agents IA ?

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

• Fiabilité : L'enchaînement de 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'usage 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 d'état : Il est complexe de s'assurer que les agents gardent une trace du statut des autres et que les changements d'état d'un agent ne perturbent pas les autres.

Les créateurs d'agents simplifient 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 créateurs apportent les composants nécessaires pour créer des agents IA plus fiables et performants, notamment :

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

Pour en savoir plus

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

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

Tutoriel : 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 intensif en Python.

Installation

Commençons par installer les bibliothèques nécessaires :

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 des agents. L'agent interprète les tâches et génère des sorties, ce qui nécessite une clé d'OpenAI API.

Remarque : La clé d'API est nécessaire pour accéder aux modèles 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 connaissant bien les produits technologiques. Notre scénario impliquant le support d'un utilisateur technique (un CTO), nous avons besoin d'un agent avec de solides connaissances produits et des compétences analytiques.

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

• role : Le domaine d'expertise que l'agent représente ; 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 attribuons 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, comme spécifié 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 clarté et qualité.
• agent : Attribue la tâche à l'agent que nous avons créé.

Création de l'équipage et exécution du workflow

Ensuite, nous créons l'équipage, un système dans lequel les agents sont créés, se voient attribuer 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 attribuée, exécutée et la réponse finale renvoyée 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 workflows 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 créateurs d'agents IA

Choisir entre les créateurs d'agents IA ne consiste pas à trouver le « meilleur » outil, mais à 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

Les 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 d'état et la gestion des erreurs.

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

La limitation : 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 bien jusqu'à ce que votre cas d'usage s'écarte de leurs modèles.

Les 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 d'état explicite de LangGraph fonctionne pour les processus complexes en plusieurs étapes. Atomic Agents vous permet de contrôler la gestion des entrées, l'intégration d'outils et la mémoire à un niveau granulaire.

La limitation : 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 tentent de faire le compromis : des modèles pour des démarrages rapides, une personnalisation au niveau du code si nécessaire. Mais la structure de rôles rigide de CrewAI rend les changements dynamiques en cours de workflow difficiles. Vous obtenez un développement initial plus facile au prix de l'adaptabilité.

Pour en savoir plus

• Comparer 20 outils de sécurité LLM et frameworks open source
• Comparer plus de 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+ Créateurs 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.

LangChain - Changelog | LangGraph 1.0 is now generally available

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