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 compilé une liste des meilleurs frameworks open source et plateformes low-code/no-code. Pour illustrer les cas d'utilisation des créateurs 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 dotées d'outils préconstruits sont idéales pour les tâches d'automatisation des flux de travail 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 développeur, 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 préconçus 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 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 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'attribue aux commerciaux et planifie les relances.

Vertex AI Builder

Un créateur d'agents sans code pour les cas d'utilisation métier qui vous permet de créer des modèles de réponse. Il 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 AI

Microsoft Copilot Studio

Une plateforme d'agents IA low-code pour les environnements SaaS, avec accès à 1 400+ connecteurs Power Platform. Elle peut :

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

Microsoft 365 Copilot inclut un générateur d'agents sans code depuis fin 2024. Les agents créés ici peuvent être copiés dans Copilot Studio pour des flux de travail et des intégrations avancés. Les flux d'agents de Copilot Studio offrent également une action « demande d'informations » qui met en pause un flux, recueille les commentaires des validateurs via Outlook, puis reprend avec leurs réponses.¹

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 les domaines de la finance, des RH, de la chaîne d'approvisionnement et de l'expérience client.

Glide

Propose des no-code thèmes prédéfinis, des mises en page et des composants pour la création d'agents. Idéal pour automatiser les flux de travail dans les domaines des ventes terrain, des inspections, des ordres de travail, des stocks, du CRM, des tableaux de bord et des 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 de 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 une tâche 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 garantie par une conformité de niveau entreprise, et les agents peuvent s'exécuter à la fois dans le cloud et sur site.

Relevance IA

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

Lindy

Spécialisé dans l'automatisation de plusieurs opérations commerciales, notamment les documents médicaux, 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 de SOC telles que le triage des alertes, la réponse aux incidents et l'analyse de la veille sur les menaces. Permet aux SOC de créer des flux de travail multitâches, 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 de voix, sans avoir à écrire le moindre code.

Trilex IA

Un créateur d'agents sans 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 pilotés par l'IA dans des environnements de développement qui exigent personnalisation et codage. Certains (par exemple, Crew IA, AutoGen) peuvent également offrir des capacités low-code.

LangGraph

LangGraph 1.0 est utilisé en production par des entreprises comme Uber, LinkedIn et Klarna.² 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 pleine conversation, les flux reprennent exactement là où ils s'étaient arrêtés. Le framework offre une prise en charge de première classe des API pour les modèles human-in-the-loop, permettant aux agents de suspendre l'exécution pour une révision, une modification ou une approbation humaine.

LangGraph offre un contrôle accru et est bien adapté aux flux de travail 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 APIs ou bases de données externes.

LangGraph a introduit des intégrations sandbox pluggables, notamment langchain-modal, langchain-daytona et langchain-runloop, pour des environnements d'exécution de code sécurisés.³ Le framework a ajouté des profils de modèles exposant les fonctionnalités et capacités prises en charge via un attribut .profile, permettant une prise de décision plus contextuelle. La synthèse de l'historique des conversations a désormais lieu dans le nœud de modèle via les événements wrap_model_call, en conservant l'historique complet des messages dans l'état du graphe pour un comptage plus précis des tokens.

Intégration LangChain : LangChain v1.1.0 s'appuie désormais sur le runtime de LangGraph pour permettre des flux de travail d'agents durables, à mémoire et avec branchement, avec plus de 100 intégrations plug-and-play via des abstractions standardisées, la prise en charge de middleware et l'observabilité OpenTelemetry.⁴

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 continuera de recevoir des corrections de bugs critiques et des correctifs de sécurité, mais aucune nouvelle fonctionnalité.⁵ Les développeurs doivent migrer vers Microsoft Agent Framework pour les capacités futures.

Principales fonctionnalités :

• Flux de travail multi-agents avec état durable et partage persistant du contexte sur des tâches de longue durée.
• Prise en charge des normes ouvertes, notamment le Model Context Protocol (MCP), la messagerie Agent-to-Agent (A2A) et l'intégration OpenAPI pour la portabilité entre runtimes.
• Protections d'IA responsable intégrées : Task Adherence (maintient les agents alignés sur les tâches), PII Detection (alerte lorsque les agents accèdent à des données sensibles) et Prompt Shields (protège contre l'injection de prompts).
• Prise en charge multi-langages pour Python et .NET avec une architecture asynchrone et pilotée par les événements.

Déploiement en entreprise : Le framework prend en charge l'expérimentation locale avec un déploiement vers le service Foundry Agent de Azure AI Foundry, qui fournit une orchestration de flux de travail multi-agents, la gestion des erreurs, les reprises 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.⁶

CrewAI

L'un des outils les plus faciles à prendre en main, offrant des modèles d'agents prêts à l'emploi (par exemple, un 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 performant, totalement indépendant de LangChain, offrant une exécution plus rapide et des besoins en ressources réduits.⁷

Le framework propose désormais deux approches complémentaires : CrewAI Crews pour les agents IA autonomes et collaboratifs, et CrewAI Flows pour un contrôle granulaire et piloté par les événements de l'orchestration des tâches, prenant en charge à la fois les Crews nativement et les appels à un seul LLM pour une exécution précise.⁸

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.⁹ Les fonctionnalités d'entreprise incluent l'authentification SSO Keycloak et un stockage de fichiers amélioré avec un cache 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. Flows offre plus de flexibilité pour les modèles d'orchestration complexes.

OpenAI Swarm

Swarm était un framework expérimental et pédagogique publié par OpenAI en 2024 pour explorer les modèles multi-agents à l'aide d'agents légers et de fonctions de « handoff ». En mars 2025, OpenAI l'a remplacé par l'Agents SDK, une évolution de Swarm prête pour la production et activement maintenue, et recommande d'y migrer pour toute utilisation en production.¹⁰

Swarm reste disponible pour l'apprentissage et le prototypage, mais ne bénéficie d'aucun nouveau développement. Il fonctionne entièrement sur l'API Chat Completions et est sans état entre les appels, de sorte qu'il ne conserve aucune mémoire des interactions précédentes. L'Agents SDK conserve le même modèle d'agent et de handoff et ajoute des garde-fous, le traçage, la mémoire de session et des outils intégrés.¹¹

Camel

Un framework agentique de jeux de rôles 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 rédacteurs de documentation) qui interagissent et travaillent ensemble pour accomplir des tâches complexes. ChatDev fournit un visualiseur basé sur un 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 dédié. 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 autonomes hébergé sur GitHub. Peut être utilisé pour la génération d'applications full-stack, le codage et le RAG. Interagit avec divers outils et APIs par le biais de commandes en langage naturel.

Agents automatiques

Un framework léger pour créer 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 open source sans code développé 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 afin d'optimiser l'utilisation des tokens (en particulier pour des modèles comme Llama 3.1), ainsi que des contrôles de flux de travail permettant des branchements complexes, la mise en pause/reprise d'état et une gestion transparente des erreurs.

Que sont les agents ?

Un « 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 indépendamment sur de longues périodes, en utilisant des outils comme les fonctions ou les APIs pour interagir avec leur environnement et prendre des décisions en fonction du contexte et des 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 classons ces variations comme des systèmes agentiques, mais établissons 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 selon 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 créateurs d'agents IA ?

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

• Fiabilité : l'enchaînement de plusieurs étapes d'IA peut accentuer les hallucinations de l'IA, en particulier pour les tâches exigeant des résultats exacts.
• Capacité d'intégration : plusieurs cas d'utilisation nécessitent que les agents accèdent à des magasins 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 exige 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 d'état d'un agent ne perturbent pas les autres.

Les créateurs 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 créateurs apportent les composants nécessaires pour créer des agents IA plus fiables et plus 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 ainsi les hallucinations.
• Magasins 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, les 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.

Pour en savoir plus

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 de navigateur 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 web.

Tutoriel pour créer 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 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, nécessitant une clé d'OpenAI API.

Remarque : 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.

Définir l'agent

Nous allons créer un agent expert en produits : un assistant IA connaissant bien les produits technologiques. Étant donné que notre scénario implique d'assister 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 préciser 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 produit féru de technologie.
• objectif : un objectif clair et précis pour l'agent.
• backstory : donne à l'agent du caractère, de la profondeur et des connaissances métier.

Définir la tâche

Dans cette partie, nous confions à l'agent la tâche de recommander trois ordinateurs portables adaptés pour le CTO, avec 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 : assigne la tâche à l'agent que nous avons créé.

Créer l'équipage et exécuter le flux de travail

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 à l'aide de l'agent défini. Voici un exemple de sortie du terminal, montrant comment la tâche est assignée, 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, prêtes à être intégrées 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 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 de votre projet. Voici ce qui distingue réellement ces plateformes.

Contrôle contre commodité

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

L'avantage : les équipes non techniques peuvent créer des agents fonctionnels en quelques heures. Parfait pour les flux de travail métier standard tels que 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 modèle de coordination inédit ou d'une optimisation spécifique ? Vous restez limité à ce que propose la plateforme. Ces outils fonctionnent très bien jusqu'à ce que votre cas d'utilisation diverge 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, se coordonnent et s'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 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 des outils et la mémoire à un niveau granulaire.

La limite : exige une solide expertise en développement 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 trouver un compromis : des modèles pour démarrer rapidement et une personnalisation au niveau du code lorsque nécessaire. Mais la structure de rôle 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.

Pour aller plus loin

• 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  = oct,
  howpublished    = {\url{https://aimultiple.com/ai-agent-builders}},
  note   = {AIMultiple. Consulté le 15 octobre 2026}
}

Journal des modifications

21 mises à jour

202620252024

1. 27 mar

   Stack AI a été retiré de la liste des plateformes low-code.

2. 11 fév

   Creatio a été ajouté à la liste des constructeurs d'agents IA.

Liens de référence

1.

Choose between Agent Builder and Copilot Studio to build your agent | Microsoft Learn

2.

LangSmith Cloud changelog - Docs by LangChain

Docs by LangChain

3.

Changelog - Docs by LangChain

Docs by LangChain

4.

LangChain vs LangGraph: When to Use Each & Migration Tutorial

ClickIT DevOps & Software Development

5.

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

6.

Introducing Microsoft Agent Framework | Microsoft Azure Blog

Microsoft Azure Blog

7.

crewai · PyPI

8.

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

9.

Solving Scalability and Management Woes: Integrating CrewAI with an MCP Server · Dasroot

10.

GitHub - openai/swarm: Educational framework exploring ergonomic, lightweight multi-agent orchestration. Managed by OpenAI Solution team. · GitHub

11.

New tools for building agents | OpenAI

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.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. 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 digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux 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 Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sena Sezer

Analyste sectorielle

Suivre

Sena est analyste sectorielle chez AIMultiple. Elle a obtenu sa licence à Bogazici University.

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