Plus de 20 outils de création d'agents IA : Microsoft, CrewAI, LangGraph et bien d'autres.

Après avoir examiné la documentation et passé plusieurs heures à tester ces outils de création d'agents IA, nous avons établi une liste des meilleurs frameworks open source et plateformes low-code/no-code. Afin d'illustrer les cas d'utilisation de ces outils, 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 dotées d'outils préconfigurés sont idéales pour l'automatisation des flux de travail en entreprise et le déploiement rapide.

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

Création

Creatio permet aux équipes commerciales de créer des agents d'IA sans ressources de développement, en se concentrant sur l'automatisation des ventes, du marketing et du service client.

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

Le générateur 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 sont stockées vos données d'entreprise.

Automatisation des flux de travail : Un concepteur de processus par glisser-déposer permet de créer des flux de travail en plusieurs étapes. Connectez des agents IA aux processus métier : lorsqu’un prospect remplit certains critères, l’agent le qualifie automatiquement, l’attribue à un commercial et planifie les suivis.

Constructeur d'IA Vertex

Un générateur d'agents sans code pour les cas d'usage métier, permettant de créer des modèles de réponse. Il prend en charge l'intégration avec des frameworks open source comme LangChain. Son principal inconvénient réside dans la complexité de l'API Vertex, de l'authentification aux points de terminaison.

Beam AI

Microsoft Créateur d'agents Copilot Studio

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

• Automatisation de tâches telles que l'envoi de notifications.
• Création de chatbots internes.
• Ou encore, les opérations commerciales telles que la gestion des commandes

La plateforme a introduit Agent Builder en 2026, permettant la création d'agents en langage naturel dans lequel les développeurs décrivent les exigences, et le système génère automatiquement des invites, sélectionne les outils, configure les sous-agents et définit les compétences. ¹ La plateforme a ajouté des capacités d’intervention humaine grâce à une action de « demande d’informations » qui interrompt les flux d’agents pour recueillir des détails auprès des examinateurs désignés via Outlook, puis reprend l’exécution en utilisant leurs réponses comme paramètres dynamiques.

Lyzr Agent Studio

Utilisable par les développeurs, les entreprises et les utilisateurs métiers, cette solution modulaire est idéale pour le prototypage . Elle permet d' automatiser efficacement les flux de travail dans les domaines de la finance, des RH, de la chaîne d'approvisionnement et de l'expérience client.

Glisser

Propose des thèmes, des mises en page et des composants prédéfinis sans code pour la création de profils d'agents. Idéal pour automatiser les flux de travail liés aux ventes sur le terrain, aux inspections, aux bons de travail, aux stocks, au CRM, aux tableaux de bord et aux portails.

Créateur d'agents IA Postman

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

Générateur d'agents UiPath

Un outil de développement d'agents à faible code faisant partie de UiPath Studio.

Chaîne

Un outil de création d'agents IA permettant de concevoir des agents dédiés à des tâches spécifiques sans programmation. Les agents sont créés à partir de modèles prédéfinis et d'une interface visuelle intuitive de type glisser-déposer. Il se connecte à des outils tels que SharePoint, Salesforce et des API internes pour automatiser les flux de travail. La confidentialité des données est garantie par une conformité de niveau entreprise, et les agents peuvent être exécutés aussi bien dans le cloud que sur site.

Pertinence IA

Idéal pour les équipes opérationnelles souhaitant créer des agents d'IA pour la gestion des incidents sans dépendre des développeurs. Aucune connaissance technique n'est requise.

Lindy

Spécialisée dans l'automatisation de nombreuses opérations commerciales, notamment la gestion des documents médicaux, le service client, les ressources humaines et les ventes, Lindy vous permet de créer un « agent personnalisé » pour chaque tâche, de l'intégrer à des outils comme Gmail ou Slack et de le laisser fonctionner automatiquement grâce à des déclencheurs.

IA du maçon

Un système d'IA autonome pour la création d'agents automatisant les centres d'opérations de sécurité (SOC). Il peut optimiser diverses tâches des SOC, telles que le tri des alertes, la réponse aux incidents et l'analyse du renseignement sur les menaces. Il permet aux SOC de créer des flux de travail multitâches, similaires aux playbooks SOAR .

Studio d'IA Vonage

Le générateur d'agents visuels de 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 IA

Un outil de création d'agents sans code permettant à des agents autonomes de collaborer en équipe. Il est axé sur l'interface et n'est pas conçu pour les environnements d'entreprise.

cadres open source

Les frameworks d'agents sont généralement plus adaptés aux projets complexes pilotés par l'IA, fonctionnant dans des environnements de développement nécessitant personnalisation et programmation. Certains ( par exemple, Crew AI, AutoGen ) offrent également des fonctionnalités 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 leurs charges de travail en production. ² Il sert de framework d'orchestration de bas niveau pour la création de workflows d'agents robustes et persistants, avec une sauvegarde automatique de l'état. En cas de redémarrage du serveur en cours de conversation, les workflows reprennent exactement là où ils s'étaient arrêtés. Le framework offre une API de premier ordre pour les modèles d'intervention humaine, permettant aux agents de suspendre l'exécution pour une vérification, une modification ou une approbation humaine.

LangGraph offre un meilleur contrôle et est bien adapté aux flux de travail complexes impliquant des agents, notamment lors de l'utilisation de la génération augmentée par récupération (RAG) ou de l'orchestration de tâches d'IA à travers des API ou des 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. ³ Le framework a ajouté des profils de modèle exposant les fonctionnalités et capacités prises en charge via un attribut `.profile`, permettant une prise de décision plus contextuelle. Le résumé de l'historique des conversations s'effectue désormais dans le nœud du modèle via les événements `wrap_model_call`, conservant l'historique complet des messages dans l'état du graphe pour un comptage des jetons plus précis.

Intégration de LangChain : LangChain v1.1.0 exploite désormais l’environnement d’exécution de LangGraph pour permettre des flux de travail d’agents durables, compatibles avec la mémoire et comportant des branchements, avec plus de 100 intégrations prêtes à l’emploi via des abstractions standardisées, la prise en charge des intergiciels et l’observabilité OpenTelemetry. ⁴

AutoGen / Microsoft Cadre d'agent

AutoGen est passé en mode maintenance en octobre 2025 et a été intégré à Semantic Kernel dans le cadre du nouveau framework Agent (réf. 991259_1744) . AutoGen reste disponible et bénéficiera de correctifs critiques et de mises à jour de sécurité, mais aucune nouvelle fonctionnalité ne sera ajoutée. ⁵ Les développeurs devraient migrer vers Microsoft Agent Framework pour les fonctionnalités futures.

Caractéristiques principales :

• 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, notamment le protocole MCP (Model Context Protocol), la messagerie A2A (Agent-to-Agent) et l'intégration OpenAPI pour une portabilité inter-environnements d'exécution.
• Mesures de protection intégrées pour une IA responsable : Adhésion aux tâches (maintien de l’alignement des agents sur leurs tâches), Détection des informations personnelles (alertes lorsque les agents accèdent à des données sensibles) et Protection contre l’injection d’invites (protection contre l’injection d’invites).
• Prise en charge multilingue de Python et .NET avec une architecture asynchrone et événementielle

Déploiement en entreprise : La plateforme permet d’expérimenter localement le déploiement sur le service Foundry Agent d’AI Foundry (Azure), qui assure l’orchestration des 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 de l’entreprise tout en garantissant la conformité réglementaire. ⁶

IA d'équipage

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 grâce à 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 moindres. ⁷

Le cadre propose désormais deux approches complémentaires : CrewAI Crews pour les agents d’IA autonomes et collaboratifs, et CrewAI Flows pour un contrôle granulaire et événementiel de l’orchestration des tâches, prenant en charge nativement les Crews et les appels LLM uniques pour une exécution précise. ⁸

Dernière version : CrewAI a introduit des sorties structurées avec prise en charge du format de réponse chez tous les fournisseurs LLM, permettant des réponses JSON cohérentes. ⁹ Le cadre a ajouté des utilitaires d'exécution de tâches Agent-à-Agent (A2A), permettant aux agents de déléguer dynamiquement des tâches dans des flux de travail structurés, des capacités de gestion de fichiers multimodales et un ordre d'événements à travers des hiérarchies parent-enfant, garantissant une exécution de flux de travail déterministe. ¹⁰ fonctionnalités pour entreprises, dont l'authentification SSO Keycloak et un système de stockage de fichiers amélioré avec cache mémoire de secours.

En contrepartie, 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 flux offrent une plus grande flexibilité pour les schémas d'orchestration complexes.

OpenAI Essaim

Solution légère, elle est encore au stade expérimental et n'est pas encore « prête pour la production ». OpenAI décrit explicitement Swarm comme un cadre pédagogique et un guide pour explorer les modèles multi-agents plutôt que comme un produit officiel, et il ne sera pas maintenu pour une utilisation en production. ¹¹

Statut 2026 : OpenAI Swarm reste en phase expérimentale (février 2026), sans date de sortie annoncée pour la production. Il ne propose 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 entre agents grâce à des fonctions de « transfert » légères. Il convient au prototypage et au test d’idées, et est particulièrement adapté aux cas d’utilisation simples ou à ceux qui souhaitent intégrer des processus multi-agents dans un pipeline LLM existant.

Principale limitation : Swarm est un système entièrement sans état qui traite chaque nouvelle tâche comme une page blanche, sans aucun souvenir des interactions précédentes. Si cela offre une meilleure prévisibilité et facilite le débogage, c’est au détriment de l’adaptabilité à long terme. ¹²

Chameau

Un framework low-code pour agents de jeu de rôle multi-agents permettant la communication entre agents IA. Idéal pour l'automatisation des flux de travail et la génération de données synthétiques. Offre plus de 20 intégrations avec des plateformes de modélisation.

ChatDev

ChatDev inclut des agents d'IA (concepteurs, développeurs, testeurs et rédacteurs de documentation, par exemple) qui interagissent et collaborent pour accomplir des tâches complexes. ChatDev propose un outil de visualisation en ligne permettant d'étudier les interactions de chaque agent au sein de son rôle et de son environnement.

IA Pydantique

Un framework d'agents Python ne nécessite pas l'apprentissage d'un nouveau langage spécifique au domaine. Il est utile pour la manipulation de données structurées et le prototypage. Il s'intègre aux outils de journalisation tels que LogFire pour la visualisation des données en temps réel.

Agent Zéro

Un framework d'agent IA autonome hébergé sur GitHub. Il permet la génération d'applications complètes, le codage et le RAG (Real Auto-Gestion). Il interagit avec divers outils et API via des commandes en langage naturel.

Agents automatiques

Atomic Agents est un framework léger permettant de créer des pipelines et des applications d'IA multi-agents. 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. Les développeurs bénéficient ainsi d'un contrôle direct sur des composants tels que la gestion des entrées, l'intégration d'outils et la gestion de la mémoire, ce qui rend chaque agent plus facile à piloter.

Cadre d'agent abeille

Un kit d'outils open source sans code développé par IBM Research. Implémenté en TypeScript et Python, il offre une exécution de code en environnement isolé pour une sécurité accrue, une gestion flexible de la mémoire pour optimiser l'utilisation des jetons (notamment pour les modèles comme Llama 3.1) et 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 ?

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 celui-ci .
2. Certaines sociétés d'analyse définissent les agents comme des systèmes entièrement autonomes qui fonctionnent indépendamment sur de longues périodes, utilisant des outils comme des fonctions ou des API pour interagir avec leur environnement et prendre des décisions en fonction du contexte et des objectifs. ¹³
3. D'autres utilisent ce 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 multi-agents, mais établissons une distinction architecturale clé entre les flux de travail et les agents :

1. Les workflows sont des systèmes dans lesquels les LLM et les outils sont organisés selon des chemins de code prédéfinis.
2. Les agents sont des systèmes où les LLMs indépendamment :
   • Gérer leurs processus et leur utilisation des outils .
   • Décider à quel moment utiliser les outils fournis de manière itérative pour atteindre l'objectif principal et déterminer
   • Comment accomplir les tâches.

Pourquoi utiliser des outils de création d'agents IA ?

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

• Fiabilité : L'enchaînement de plusieurs étapes d'IA peut amplifier les hallucinations de l'IA, en particulier pour les tâches exigeant des résultats précis.
• 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, ce qui nécessite une synchronisation complexe.
• Gestion d'état : Il est complexe de garantir que les agents suivent l'état des uns et des autres et que les changements d'état d'un agent ne perturbent pas les autres.

Les générateurs d'agents simplifient les choses en permettant aux développeurs de se concentrer sur la logique de l'application, plutôt que de gérer les hallucinations de l'IA, les intégrations d'outils, l'orchestration, etc.

Les développeurs fournissent les composants nécessaires à la création d'agents d'IA plus fiables et performants, notamment :

• Cadres définissant une spécialisation ( par exemple, la gestion des flux de travail ) du modèle d'IA agentique .
• Des modèles de données qui contribuent à augmenter la probabilité qu'un modèle d'IA génère des résultats exacts, réduisant ainsi les hallucinations.
• Systèmes de stockage de données permettant l'accès à des données externes, bases de données SQL et NoSQL pour le stockage et l'interrogation de données.
• Outils d'orchestration intégrés ( par exemple, protocoles de communication, etc. ) qui coordonnent plusieurs agents.
• Composants de gestion d'état permettant aux agents de se souvenir des interactions passées et d'adapter leur comportement dans des environnements dynamiques.

En savoir plus

Si vous vous intéressez à l'infrastructure qui sous-tend l'IA agentique compatible avec le Web, voici nos derniers benchmarks :

• Navigateurs distants : comment l’infrastructure du navigateur permet aux agents d’interagir avec le Web en toute sécurité .
• Analyse comparative des serveurs MCP pour navigateurs : 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 d'IA avec CrewAI pour recommander des ordinateurs portables adaptés aux besoins spécifiques d'un directeur technique.

Scénario : Recommandez les 3 meilleurs ordinateurs portables pour un directeur technique (CTO) qui travaille principalement avec le courrier électronique et effectue un développement logiciel intensif basé sur Python.

Installation

Commençons par installer les bibliothèques requises :

Pourquoi avons-nous besoin de l'API OpenAI ?

CrewAI utilise un modèle linéaire de données (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 résultats, ce qui nécessite une clé API OpenAI.

Remarque : La clé API est nécessaire pour accéder aux modèles OpenAI comme GPT-4. CrewAI est également compatible avec les modèles open source, tels que Llama 3.

Définition de l'agent

Nous allons créer un agent expert produit : un assistant IA connaissant parfaitement les produits technologiques. Notre scénario impliquant l’assistance à un utilisateur technique (un directeur technique), nous avons besoin d’un agent doté d’une solide connaissance des produits et de compétences analytiques pointues.

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

• Rôle : Le domaine d’expertise que représente l’agent ; dans ce cas précis, un expert produit féru de technologie.
• Objectif : Un objectif clair et précis pour l'agent.
• Contexte : Donne au personnage du caractère, de la profondeur et des connaissances sur le domaine.

Définir la tâche

Dans cette partie, nous confions à l'agent la tâche de recommander trois ordinateurs portables adaptés au directeur technique, en précisant leur prix et un bref résumé d'une phrase pour chacun.

CrewAI gère le raisonnement et la mise en forme en fonction de vos contraintes, telles que spécifiées par description , expected_output et les paramètres de l'agent .

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

Constitution de l'équipe et gestion du flux de travail

Ensuite, nous créons l'équipe , un système dans lequel des agents sont créés, se voient attribuer des tâches et interagissent pour atteindre leurs objectifs.

CrewAI en action : résultat de l’exécution des agents

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, illustrant l'attribution et l'exécution de la tâche, ainsi que la réponse finale renvoyée par l'agent Expert Produit :

L'agent fournit ensuite sa sortie comme suit :

Ce résultat illustre 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.

Qu'est-ce qui différencie les créateurs d'agents IA ?

Choisir un outil de création d'agents IA ne consiste pas à trouver le « meilleur » outil, mais à adapter les compromis architecturaux aux compétences de votre équipe et aux besoins de votre projet. Voici ce qui différencie réellement ces plateformes.

Contrôle vs Commodité

Les plateformes low-code (Copilot Studio, Beam AI) permettent de créer des agents par simple glisser-déposer de composants. Aucune programmation n'est requise. La plateforme gère automatiquement l'orchestration, la gestion d'état et la gestion des erreurs.

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

Limite : la logique de base est immuable. Besoin d’un nouveau modèle de coordination ou d’une optimisation spécifique ? Vous êtes limité aux fonctionnalités offertes par la plateforme. Ces outils fonctionnent parfaitement tant que votre cas d’utilisation reste conforme à leurs modèles.

Les frameworks open source (LangGraph, Atomic Agents) vous offrent un contrôle total. Vous écrivez le code qui définit précisément comment les agents pensent, se coordonnent et agissent.

L'avantage : une personnalisation illimitée. Créez n'importe quel modèle de coordination, optimisez-le pour les cas particuliers et implémentez des boucles de raisonnement personnalisées. La gestion explicite de l'état de LangGraph est adaptée aux processus complexes en plusieurs étapes. Les agents atomiques vous permettent de contrôler la gestion des entrées, l'intégration des outils et la mémoire de manière granulaire.

Limite : Nécessite une expertise et un temps de développement considérables. Ce qui prend des heures sur une plateforme low-code nécessite des semaines avec un framework.

Les solutions hybrides comme CrewAI tentent de trouver un compromis : des modèles pour une prise en main rapide et une personnalisation du code au besoin. Cependant, la structure rigide des rôles de CrewAI rend les modifications dynamiques en cours de projet difficiles. On gagne en facilité de développement initial au détriment de l’adaptabilité.

Pour en savoir plus

• Comparaison de 20 outils de sécurité LLM et frameworks open source
• Comparez plus de 50 outils d'agents IA

Liens de référence

1.

https://blog.langchain.com/january-2026-langchain-newsletter/[/efn_note

2.

LangChain - Changelog | LangGraph 1.0 is now generally available

3.

Changelog - 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.

Changelog - CrewAI

Mintlify

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.

🐝What is OpenAI Swarm Framework. Discover OpenAI Swarm, a framework for… | by Tahir | Medium

Medium

13.

14.

15.

Intro of AI agent, & AI agent projects summary | by Henry Heng LUO | 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.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire