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

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 en produits 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 commerciales de créer des agents IA sans ressources de développement, en se concentrant sur l'automatisation des ventes, du marketing et des services.

Fonctionnalités du constructeur d'agent IA : Les agents IA de Creatio gèrent les interactions clients, automatisent les processus et analysent les données. La plateforme utilise des modèles préconstruits pour des 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 du code.

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

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

Vertex AI Builder

Un constructeur d'agent no-code pour des cas d'utilisation commerciaux qui vous permet de créer des modèles de réponse. Prend en charge l'intégration avec des frameworks open-source comme LangChain. Une limitation est que l'API Vertex, de l'authentification aux endpoints, est complexe à utiliser.

Beam AI

Microsoft Copilot Studio Agent Builder

Un constructeur d'agent 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 commerciales telles que 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 les agents créés dans Microsoft 365 Copilot vers 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 « 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 commerciaux. Il est modulaire et utile pour le prototypage. Idéal pour l'automatisation des flux de travail 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 flux de travail dans les ventes sur le terrain, les inspections, les bons de travail, les stocks, le CRM, les tableaux de bord et les portails.

Postman AI Agent Builder

Idéal pour le prototypage et la création d'agents IA dans un environnement collaboratif. Il offre des outils tels que 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 de UiPath Studio.

String

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

Relevance AI

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

Lindy

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

Bricklayer AI

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 tri des alertes, la réponse aux incidents et l'analyse de la menace. Permet aux SOC de créer des flux de travail multi-tâches, similaires aux playbooks SOAR.

Vonage AI Studio

Un constructeur d'agent visuel dans Vonage AI 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 AI

Un constructeur d'agent no-code qui permet à des agents 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 agentic sont généralement idéaux pour des projets complexes et pilotés par l'IA dans des environnements de développement nécessitant personnalisation et codage. Certains (par ex., Crew AI, 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 par des entreprises telles qu'Uber, LinkedIn et Klarna pour des charges de travail de production.³ Il sert de framework d'orchestration de bas niveau pour créer des flux de travail d'agents durables et avec état, avec persistance automatique de l'état si un serveur redémarre en cours de conversation ; les flux de travail reprennent exactement là où ils s'étaient arrêtés. Le framework fournit une prise en charge API de première classe pour les modèles d'humain dans la boucle, permettant aux agents de mettre en pause l'exécution pour examen, modification ou approbation humaine.

LangGraph offre un meilleur contrôle et convient bien aux flux de travail agentic complexes, en particulier lors de l'utilisation de la Génération Augmentée par Récupération (RAG) ou de l'orchestration de tâches IA via des API ou des bases de données externes.

LangGraph a introduit des intégrations de sandbox pluggables, 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 consciente du contexte. Le résumé de l'historique de conversation se produit désormais dans le nœud de modèle via les événements wrap_model_call, 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 l'exécution de LangGraph pour permettre des flux de travail d'agents durables, avec mémoire et ramification, avec plus de 100 intégrations plug-and-play via des abstractions standardisées, une prise en charge des 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 correctifs de bugs critiques et des correctifs de sécurité, mais aucune nouvelle fonctionnalité.⁶ Les développeurs doivent migrer vers Microsoft Agent Framework pour les futures capacités.

Fonctionnalités clés :

• Flux de travail multi-agents avec état durable et partage de contexte persistant pour les tâches de longue durée
• Prise en charge des normes ouvertes, y compris le protocole de contexte de modèle (MCP), la messagerie Agent-to-Agent (A2A) et l'intégration OpenAPI pour la portabilité inter-exécution
• Safeguards IA responsables intégrés : Adhérence aux tâches (maintient les agents alignés sur les tâches), Détection des informations personnelles identifiables (alerte lorsque les agents accèdent à des données sensibles) et Boucliers de prompt (protège contre l'injection de prompt)
• Prise en charge multi-langages pour Python et .NET avec une architecture asynchrone et pilotée par les événements

Déploiement d'entreprise : Le framework prend en charge l'expérimentation locale avec déploiement vers le service Foundry Agent de l'IA Foundry d'Azure, qui fournit l'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 à utiliser, offrant des modèles d'agents prêts à l'emploi (par ex., 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, complètement indépendant de LangChain, offrant une exécution plus rapide et des exigences de ressources plus faibles.⁸

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

Dernière version : CrewAI a introduit des sorties structurées avec support du format de réponse via les fournisseurs de LLM, permettant des réponses JSON cohérentes.¹⁰ 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, assurant une exécution de flux de travail déterministe.¹¹ Les fonctionnalités d'entreprise incluent l'authentification SSO Keycloak et un stockage de fichiers amélioré avec cache de mémoire de repli.

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. Les Flows offrent plus de flexibilité pour des modèles d'orchestration complexes.

OpenAI Swarm

Une solution légère, elle est toujours à un 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.¹²

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 permet aux développeurs de créer et de personnaliser des aspects tels que l'orchestration des flux de travail et les interactions d'agents via des fonctions légères de « transfert ». Il convient au prototypage et aux tests d'idées, et est idéal pour des cas d'utilisation simples ou pour ceux cherchant à intégrer des processus agentic dans un pipeline LLM existant.

Limite clé : Swarm est un système complètement sans état qui traite chaque nouvelle tâche comme une ardoise vierge sans mémoire des interactions précédentes. Bien que cela offre de la prévisibilité et un débogage plus facile, cela se fait au détriment de l'adaptabilité à long terme.

Camel

Un framework d'agents 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

Inclut des agents IA (tels que des concepteurs, des développeurs, des testeurs et des documenteurs) 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 AI

Un framework d'agent Python ne nécessite pas d'apprendre un nouveau langage de domaine spécifique. Utile pour la gestion de données structurées et le prototypage. S'intègre avec 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 agentic. Contrairement à des frameworks comme AutoGen et Crew AI, 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

Une boîte à outils no-code open-source développée par IBM Research. Implémenté en TypeScript et Python. Il offre une exécution de code en sandbox pour la sécurité, une gestion flexible de la mémoire pour optimiser l'utilisation des tokens (en particulier pour des modèles comme Llama 3.1), et des contrôles de flux de travail, permettant une ramification complexe, la mise en pause/reprise de l'état et une gestion transparente des erreurs.

Qu'est-ce que les agents ?

« Agent » peut être défini de plusieurs manières :

1. IA traditionnelle définit les agents comme des systèmes qui peuvent percevoir leur environnement et agir sur cet environnement.
2. Certaines firmes d'analystes définissent les agents comme des systèmes entièrement autonomes qui opèrent indépendamment 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.¹³
3. Les autres utilisent le terme pour décrire des implémentations plus prescriptives qui suivent des flux de travail prédéfinis.¹⁴

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

1. Les flux de travail 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 indépendamment :
   • 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 ?

La création d'agents à partir de zéro est une tâche complexe en raison des problèmes suivants :

• Fiabilité : Enchaîner plusieurs étapes IA peut amplifier les hallucinations IA, en particulier pour les tâches nécessitant des sorties exactes.
• Capacité d'intégration : Plusieurs cas d'utilisation nécessitent que les agents accèdent à des bases de données ou à des applications externes.
• Orchestration : Les agents doivent opérer au bon moment et dans le bon ordre pour atteindre un objectif commun, nécessitant une synchronisation complexe.
• Gestion de l'état : Il est complexe de s'assurer que les agents gardent une trace du statut les uns 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 de l'application, plutôt que de traiter avec les hallucinations 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 ex. gestion des flux de travail) du modèle d'IA agentic.
• Modèles de données qui aident à augmenter la probabilité qu'un modèle IA génère des sorties exactes, réduisant les hallucinations.
• Bases de données qui permettent l'accès aux données externes, SQL et NoSQL pour le stockage et la requête de données.
• Outils d'orchestration intégrés (par ex. 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'ajuster leur comportement dans des environnements dynamiques.

Lire la suite

Si vous vous intéressez à l'infrastructure qui alimente l'IA agentic capable sur 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 Browser MCP : Meilleurs serveurs MCP pour l'utilisation d'outils et l'accès au web.

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

Tutoriel de création d'un agent CrewAI

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

Scénario : Recommander les 3 meilleurs ordinateurs portables pour un Directeur Technique (CTO) qui travaille principalement avec des e-mails et effectue un développement logiciel intensif 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 de 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.

Note : La clé 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 en produits : Un assistant IA compétent en produits technologiques. Puisque notre scénario implique de soutenir un utilisateur technique (un DSI), 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 clarifier son rôle, son objectif, son backstory et les outils qu'il peut utiliser :

• rôle : Le domaine d'expertise que l'agent représente ; dans ce cas, un expert en produits branché.
• objectif : 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 DSI, incluant leur prix et un bref résumé en une phrase pour chacun.

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

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

Création de l'équipe et exécution du flux de travail

Ensuite, nous créons l'équipe, un système dans lequel les agents sont créés, assignés des tâches et interagissent pour accomplir 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. Ci-dessous un exemple de sortie du terminal, montrant comment la tâche est assignée, exécutée et la réponse finale retournée par l'agent Expert en Produits :

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 l'intégration dans des outils ou des flux de travail réels.

Ce qui rend les constructeurs d'agents IA différents

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

Contrôle vs Commodité

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

L'avantage : Les équipes non techniques peuvent créer des agents fonctionnels en quelques heures. Parfait pour les flux de travail commerciaux 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 modèle de coordination novateur ou d'une optimisation spécifique ? Vous êtes coincé avec ce que la plateforme offre. Ces outils fonctionnent très bien jusqu'à ce que votre cas d'utilisation s'écarte de leurs modèles.

Les frameworks open-source (LangGraph, Atomic Agents) vous donnent un contrôle total. Vous écrivez le code qui définit exactement comment les agents pensent, coordonnent et exécutent.

L'avantage : Personnalisation illimitée. Créez 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 des 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 limitation : Nécessite une véritable expertise et du temps de développement. Ce qui prend des heures dans une plateforme low-code prend des semaines dans un framework.

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

Lire la suite

• Comparez 20 outils de sécurité LLM et frameworks open-source
• Comparez 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+ Constructeurs d'agents IA: Microsoft, CrewAI, LangGraph et plus}},
  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

4.

Changelog - 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.

Changelog - CrewAI

Mintlify

11.

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

12.

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

13.

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

Boston Consulting Group

14.

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 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

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