Liste des 50+ meilleurs agents IA open source

Tout le monde construit des agents IA, donc après des tests pratiques avec des agents de codage IA populaires, des constructeurs d'agents IA et des benchmarks d'utilisation d'outils pour évaluer leurs capacités en conditions réelles, nous avons élaboré une liste organisée des 50+ meilleurs agents IA open source. Cliquez sur les en-têtes de catégorie pour accéder directement à nos meilleurs choix :

Comment concevoir les agents IA ?

Un agent IA est plus qu'un simple LLM avec un prompt. Techniquement, c'est un système composable qui combine la planification, la mémoire, l'utilisation d'outils et l'exécution itérative. Il forme une boucle structurée autour d'un LLM capable de prendre des décisions, d'effectuer des actions et de s'adapter à de nouvelles informations.

Voici comment les concevoir :

• Autonomie et workflows : Les agents IA vont de l'automatisation basique de tâches basée sur des workflows prédéfinis à des systèmes entièrement autonomes capables de décomposition d'objectifs, d'utilisation de la mémoire et d'interaction avec des outils. Le défi technique central réside dans le maintien du contexte entre les étapes et la coordination d'opérations multi-étapes.

• Contexte et contrôle : Le véritable défi des agents IA est de s'assurer que le LLM dispose du contexte approprié à chaque étape. Cela inclut la gestion du contenu alimentant le LLM et l'assurance que l'agent exécute les tâches pertinentes sur la base d'un contexte à jour.

• Intégration d'outils : La construction d'agents efficaces nécessite une intégration transparente avec des outils externes, des APIs et des sources de données. Des frameworks comme LangChain peuvent aider à intégrer ces ressources externes, mais le contrôle du workflow est essentiel pour adapter le comportement de l'agent aux nouvelles entrées.

• Avantages des frameworks d'agents : Tous les systèmes agentiques, qu'il s'agisse de workflows simples ou d'agents autonomes complexes, peuvent bénéficier des fonctionnalités de base fournies par les frameworks agentiques. Ces fonctionnalités peuvent être construites de zéro ou tirées d'une plateforme open source existante, selon vos besoins.

Nouveaux standards

• Model Context Protocol (MCP) : Le standard de l'industrie pour la manière dont les agents communiquent avec des sources de données externes. LangGraph intègre MCP pour permettre aux agents de fonctionner en « plug and play » avec des bases de données et des outils locaux sans wrappers personnalisés.
• Stripe Agentic Commerce Protocol (ACP) : Il s'agit du premier standard industriel actif permettant aux agents IA de gérer les paiements, les stocks et les expéditions en toute sécurité. Il permet le « Checkout Agentique », où l'agent peut finaliser un achat pour l'utilisateur au sein d'une interface de chat.

Qu'est-ce qu'un agent IA exactement ?

Il n'existe pas de définition consensuelle de ce qui constitue un « agent IA ».

• L'IA traditionnelle définit les agents comme des systèmes qui interagissent avec leur environnement.
• L'enquête de Simon Willison auprès de praticiens présente une variété de définitions de travail provenant des participants de l'industrie.²
• La définition de Anthropic expose les principes de conception pour construire des agents IA efficaces et alignés.³
• Les grandes sociétés de conseil mettent l'accent sur le rôle des agents dans l'automatisation des workflows d'entreprise et la prise de décision.⁴ .

Beaucoup d'entre elles incluent explicitement les workflows et placent l'autonomie à l'extrémité d'un spectre.

Nous sommes d'accord avec ces points de vue, par conséquent, nous ne fournissons pas de définition stricte. Au lieu de cela, nous listons les facteurs qui font qu'un système IA est considéré comme plus agentique :

• Environnement et objectifs :
  • Les systèmes IA dans des environnements complexes, tels que ceux avec des tâches multiples et des changements inattendus, sont agentiques.
  • Les systèmes IA qui suivent des objectifs sans être instruits sont agentiques.
• Interface utilisateur et supervision : Les systèmes IA capables d'apprendre les langues naturelles et les systèmes nécessitant moins de supervision utilisateur sont agentiques.
• Conception du système : Les systèmes utilisant des modèles de conception tels que l'utilisation d'outils (ex. recherche web, programmation) ou la planification (ex. réflexion, décomposition en sous-objectifs) sont agentiques.

Pour une explication plus détaillée, nous avons précédemment listé ces facteurs et discuté de la manière dont ils définissent les systèmes IA agentiques.

Ces agents sont-ils entièrement autonomes ?

Pas encore. La plupart des agents IA open source améliorent l'autonomie du LLM en permettant l'utilisation d'outils, la prise de décision et la résolution de problèmes, mais ils nécessitent toujours des entrées structurées et un humain dans la boucle.

Des exemples comme Devon et PR-Agent suivent une logique prédéfinie ou des workflows RL plutôt que de démontrer un comportement agentique complet. D'autres agents IA manquent encore de capacités d'apprentissage autonome et de généralisation.

Quand utiliser (et quand ne pas utiliser) des agents IA

Toute application LLM ne nécessite pas une complexité agentique. De nombreux cas d'utilisation sont mieux servis par une génération augmentée par récupération (RAG) légère.

Les systèmes agentiques introduisent un surcoût architectural : gestion de la mémoire, orchestration d'outils, gestion des erreurs et boucles de contrôle qui augmentent la latence et le coût. Par exemple, dans nos benchmarks, nous avons observé que les taux de réussite des agents IA diminuaient après 35 minutes d'interaction humaine.

Pour atténuer ces risques, il est essentiel de tester les systèmes agentiques dans des environnements contrôlés et de mettre en œuvre des garde-fous robustes avant le déploiement.

Les agents sont les plus précieux lorsque les étapes ne peuvent pas être facilement prédites ou codées en dur. Ils sont particulièrement adaptés aux situations où :

• Les tâches sont dynamiques et multi-étapes, avec une logique de branchement ou des sous-objectifs flous.
  
• L'utilisation d'outils est conditionnelle ou adaptative, nécessitant que le système choisisse l'outil à invoquer en fonction de l'entrée ou de l'état précédent.
  
• Une mémoire ou un contexte à long terme est requis, à travers des sessions ou des étapes d'exécution.
  
• L'exécution doit répondre aux retours de l'environnement, tels que les résultats d'une API, les sorties de recherche ou des actions échouées.
  
• Une collaboration humain-dans-la-boucle est nécessaire, où l'autonomie et la supervision doivent être mélangées (ex. copilotes IA).

D'un autre côté, les workflows ou les appels LLM sans état sont préférables lorsque :

• La logique de la tâche est statique ou prévisible, comme le remplissage de formulaires ou la transformation de contenu.
  
• Une faible latence est critique, comme dans les interactions avec l'utilisateur.
  
• La minimisation des coûts est essentielle, notamment en évitant les appels LLM récursifs et l'orchestration complexe.

En savoir plus

Voici nos derniers benchmarks sur l'infrastructure couramment utilisée par les systèmes agentiques :

• Navigateurs distants : Comment l'infrastructure de navigation permet aux agents d'interagir avec le web en toute sécurité.
• Benchmark Browser MCP : Les meilleurs serveurs MCP pour l'utilisation d'outils et l'accès au web.

Exemples d'agents IA open source

Certains outils décrits comme des « agents IA » ne sont pas réellement si agentiques ; ces systèmes (ex. Devon PR-agent) sont largement des workflows IA basés sur le RL, avec des LLMs organisés via des chemins de code prédéfinis.

1. Frameworks d'agents (Construisez le vôtre)

Bibliothèques modulaires et SDKs pour les développeurs afin de construire des agents avec un contrôle sur la logique, la mémoire, les outils et l'orchestration.

✳️ Certains agents comme SmolAgents et Agno s'intègrent à la fois dans les catégories frameworks d'agents et automatisation de workflow.

Frameworks d'agents généraux

Frameworks qui se concentrent sur la construction d'agents, offrant des outils flexibles et personnalisables pour orchestrer des workflows, des configurations multi-agents et des cas d'utilisation polyvalents.

• LangGraph – Orchestration de workflow LLM basée sur des graphes – LangGraph est un logiciel propriétaire, mais il fournit une bibliothèque open source pour le développement d'agents. Idéal pour les RAG pipelines, la mémoire de l'agent/gestion d'état, et les configurations multi-agents.

• AutoGen – Collaboration async multi-agents – Conçu pour coordonner des agents utilisant des outils via des APIs de type chat. Idéal pour automatiser des workflows complexes, particulièrement dans la génération de code autonome.

• CrewAI – Framework multi-agent no-code/low-code – L'un des outils les plus simples pour débuter, offrant des modèles d'agents prêts à l'emploi (ex. agent de préparation de réunion).

Frameworks d'agents spécialisés

Frameworks avec un focus spécialisé sur des types de comportements d'agents ou des intégrations d'agents spécifiques.

• Camel – Simulation d'agents basée sur des rôles – Optimisé pour des agents collaboratifs de jeu de rôle utilisant un raisonnement structuré. Idéal pour l'automatisation de workflow et la génération de données synthétiques.

• Mastra – Développement d'agents intégré au frontend – Basé sur JavaScript, idéal pour intégrer des agents dans des applications orientées utilisateur.

• PydanticAI – Contrôle d'agent minimal type-safe – Fournit une validation stricte et des chemins logiques transparents avec Pydantic.

• Cybersecurity AI (CAI) – Framework d'agents de cybersécurité piloté par l'IA – Fournit des tests d'intrusion, la découverte de vulnérabilités et le red teaming avec des capacités humain-dans-la-boucle, en exploitant des modèles de langage et des intégrations avec des outils comme Nmap.

• Atomic Agents – Constructeur d'agents personnalisés granulaires schema-first – Conçu pour une structure d'agent granulaire et une logique composable.

• SmolAgents – SDK d'agent léger pour développeurs – Abstraction minimale, route la logique via Python au lieu du JSON.

Runtimes d'agents (Agents autonomes pré-construits)

Agents autonomes et indépendants que vous pouvez exécuter immédiatement (comme une application). Ils supportent généralement l'exécution autonome de tâches à partir d'objectifs en langage naturel.

Entièrement autonomes :

• Auto-GPT – Décomposition d'objectifs et exécution autonome – Décompose les objectifs en sous-tâches et les complète en utilisant des outils, la mémoire et le raisonnement. Offre des agents pré-construits et une interface low-code.

• AIlice – Exécution de tâches polyvalentes locales – Exécute des tâches complexes sur l'appareil, supporte les outils locaux et la manipulation de fichiers. Vise à créer un assistant IA, similaire à JARVIS, basé sur le LLM open source.

• Manus AI – Opérations polyvalentes en sandbox. Exécute des outils et des workflows dans une sandbox sécurisée, capable de gérer des opérations multi-domaines et multi-étapes de manière autonome. Il a été acquis par Meta, s'intégrant à l'écosystème « Personal Ambient Intelligence » de Meta.⁵

Partiellement autonomes :

• BabyAGI – Exécuteur de boucle de tâches itératives – Crée, priorise et exécute des listes de tâches dans une boucle de rétroaction. Idéal pour les expériences de génération de tâches.

Basés sur le navigateur/l'interface :

• AgentGPT – Agent autonome déployé dans le navigateur – Permet aux utilisateurs de créer et d'exécuter des agents de tâches via une interface web. Léger, idéal pour l'expérimentation.

• OpenManus – Agent de navigateur persistant – Conçu pour des workflows s'étendant sur plusieurs sessions dans des environnements de navigateur. Utilise des outils comme Playwright pour automatiser les interactions web. Utile pour l'intégration dans des pipelines d'automatisation existants. L'installation est rapide avec Conda.

2. Automatisation et orchestration de workflow

Outils qui automatisent les workflows et intègrent plusieurs plateformes ou services, souvent avec la capacité d'intégrer des agents IA.

Automatisation et intégration de workflow générales

Plateformes qui connectent des APIs, déclenchent des événements et automatisent des tâches, facilitant la construction et l'intégration de workflows à travers différents systèmes.

• n8n – Automatisation visuelle de workflow et intégration d'API – Connecte des applications, des déclencheurs et des flux de données via un éditeur de nœuds. Il combine la construction visuelle no-code avec du JavaScript/Python personnalisé et supporte plus de 400 intégrations. Vous pouvez l'héberger vous-même, exécuter des workflows d'agents IA avec LangChain. Idéal pour les profils techniques.

• PlanExe – Outil de planification LLM-vers-Gantt/WBS – Planificateur IA similaire à la recherche approfondie d'OpenAI. Convertit des objectifs en langage naturel en chronologies structurées via LlamaIndex.

• Agno ✳️ – Constructeur de workflow et d'agents convivial pour les développeurs – Il convient à la fois comme outil d'automatisation de workflow (aidant à automatiser les tâches et les workflows) et comme constructeur d'agents.

• SmolAgents ✳️ – SDK d'agent léger pour développeurs – SmolAgents est assez flexible pour servir à la fois de SDK d'agent léger (pour les frameworks d'agents) et d'outil de workflow (car il s'intègre aux modèles Hugging Face).

• Windmill – Plateforme développeur open source et moteur de workflow – Convertit des scripts en interfaces utilisateur, APIs et tâches cron ; supporte Python, TypeScript, Go et d'autres langages.

• Activepieces – Plateforme d'automatisation open source – Constructeur de workflow visuel auto-hébergé pour automatiser des tâches et intégrer des applications avec un codage minimal. Il supporte plus de 280 serveurs MCP pour exécuter des tâches IA distribuées et des chaînes d'agents à grande échelle.

• Huginn – Automatisation web et gestion d'agents – Construit des agents pour automatiser des tâches et une surveillance basées sur le web.

• Node-RED – Développement basé sur des flux pour l'IoT et les données en temps réel – Intègre des services et automatise des tâches avec un éditeur de flux basé sur le navigateur.

Orchestration de workflow multi-agents

Frameworks conçus pour coordonner des agents interagissant à travers des workflows structurés et intégrer des systèmes multi-agents.

• HyperAgent – Orchestration d'agents pour le cycle de vie logiciel complet – Les agents travaillent ensemble pour planifier, coder et vérifier des tâches d'ingénierie.

• Supercog – agentic – Orchestration modulaire avec blocs logiques réutilisables – Conçu pour une automatisation scalable, structurée et basée sur des équipes.

3. Automatisation et navigation web

Les agents naviguent autonomement sur les sites web et effectuent des tâches multi-étapes, telles que le remplissage de formulaires, l'extraction de données et l'automatisation de la navigation web.

Agents web autonomes et copilotes

Agents autonomes polyvalents (capables de web) :

• AgenticSeek – Agent de navigation web entièrement autonome – Manus AI entièrement local. Spécialisé dans l'extraction de données et le remplissage de formulaires, automatisant les tâches basées sur le web.

• Agent-E – Agent d'automatisation de navigateur conscient du DOM – Se concentre sur l'interaction avec les pages web en analysant le DOM (Document Object Model), idéal pour cliquer sur des boutons et remplir des formulaires.

• AutoWebGLM – Agent web basé sur LLM – Utilise l'apprentissage par renforcement et la simplification HTML pour une meilleure navigation sur des sites web complexes.

Agents de navigation web basés sur la vision (multimodaux) :

• Autogen extension WebSurfer – Agent web multimodal – Combine texte et entrées visuelles (captures d'écran) pour améliorer l'interaction web.

• Skyvern – Agent IA avec vision par ordinateur – Automatise les workflows en utilisant des LLMs et la vision par ordinateur, gérant à la fois les éléments textuels et visuels.

• WebVoyager – Agent web avec vision – Utilise du texte et des captures d'écran pour améliorer la navigation sur des sites web riches en images.

Pour en savoir plus sur l'automatisation et la navigation web open source, voici un aperçu structuré de certains des meilleurs outils et agents :

Agents d'utilisation d'ordinateur

Agents de navigation web

Kits d'automatisation et de scraping web

RPA web et extensions de navigateur pilotés par LLM

Scrapers et crawlers web IA

Outils de recherche web IA

4. Codage et développement

Agents IA conçus pour aider aux tâches de codage, fournissant un support en temps réel pour les développeurs via des suggestions de code, le débogage et l'automatisation des tâches.

Agents de codage basés sur le CLI

• Codex CLI – Outil d'interaction multi-mode (suggérer, éditer, exécuter) – Améliore les workflows des développeurs via la ligne de commande en proposant des suggestions et des modifications de code.

• OpenDevin – Assistant de codage IA open source – Aide aux tâches de programmation, proposant des suggestions de code pour divers langages. Notez qu'OpenDevin a récemment été renommé OpenHands pour refléter sa mission plus large « All Hands AI ».⁶

• Aider – Assistant de programmation en binôme IA – Intégré à votre terminal pour l'assistance au codage, supportant l'autocomplétion, le débogage et l'automatisation des tâches.

Éditeurs de code IA

• Neovim – Éditeur de code intégré à l'IA – Plugins propulsés par l'IA fournissant des complétions de code et du refactoring.

• Visual Studio Code (VS Code) – Outil de complétion de code et de débogage propulsé par l'IA – Propose des suggestions de code et l'autocomplétion via GitHub Copilot, intégré aux environnements IDE pour les développeurs.

• Cursor – Éditeur de code intégré à l'IA – Construit avec une complétion de code propulsée par l'IA en temps réel.

Constructeurs de prompt-vers-app (Vibe coding)

Alternatives open source à v0 / lovable / Bolt :

• Dyad – Constructeur d'applications IA open source – Outil no-code local-first pour construire des applications pilotées par l'IA avec des commandes en langage naturel.

• vx.dev – Constructeur d'applications IA open source – Outil low-code local-first axé sur la transformation de prompts en langage naturel en applications.

5. Cybersécurité

Agents IA conçus pour améliorer les opérations de cybersécurité, incluant des tâches comme les tests d'intrusion, la découverte de vulnérabilités, le red teaming et la détection autonome de menaces.

• YAWNING TITAN – Simulation de cybersécurité abstraite basée sur des graphes – Supporte l'entraînement d'agents pour des opérations cyber autonomes avec un focus sur les environnements basés sur des graphes.

• bumpgen – Agent de gestion de packages – Met à jour les packages npm (gestionnaire de packages Node.js) automatiquement.

• Cyber-Security LLM Agents – Tâches de cybersécurité pilotées par LLM – Construit sur AutoGen. Utilisé dans diverses applications de recherche pour démontrer l'automatisation EDR de ChatGPT et le CI/CD automatisé pour l'ingénierie de détection.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

6. Création de contenu vidéo IA

Agents IA qui aident à générer, éditer et améliorer le contenu visuel et multimédia, incluant l'art, les images et les vidéos.

• Mochi – Génération texte-vers-vidéo – Convertit des prompts textuels en vidéo, avec un focus sur la création de vidéos courtes. Très adapté pour générer rapidement des vidéos à partir de descriptions textuelles.

• CogVideo – Génération texte-vers-vidéo – Convertit des prompts textuels en vidéo avec une haute fidélité, permettant la création image-vers-vidéo. Un outil plus avancé pour la génération de vidéos de haute qualité à partir de texte ou d'images.

• Allegro – Génération texte-vers-vidéo – Convertit des prompts textuels en vidéo avec un focus sur la création de contenu créatif. Cet outil met l'accent sur la synthèse vidéo créative à partir de texte pour produire des récits visuels uniques.

• DALL·E (versions open source) – Génération texte-vers-vidéo – Génère des images à partir de descriptions textuelles, transformant des prompts écrits en contenu visuel détaillé et créatif.

7. Finance

Agents IA qui fournissent une amélioration automatisée par apprentissage par renforcement ou une analyse de données financières en temps réel.

• FinRL – Apprentissage par renforcement automatisé pour le trading – Apprend et exécute autonomement des stratégies de trading basées sur les données du marché, s'adaptant aux environnements financiers dynamiques.

• OpenBB Terminal – Analyse de données financières – Fournit des insights financiers autonomes pour le trading en temps réel, permettant aux professionnels de l'investissement de prendre des décisions de trading éclairées.

8. Santé

Agents IA qui aident aux diagnostics médicaux, à la surveillance des maladies et aux insights de santé en analysant les données des patients et les rapports médicaux.

• HIA (Health Insights Agent) – Analyse de rapports médicaux – Analyse les rapports médicaux et fournit des insights de santé.
  
• AI-HealthCare-Assistant – Diagnostic et surveillance des maladies – Diagnostique et surveille les maladies en utilisant les données des patients.

9. Recherche

Agents IA qui aident à la collecte de données, aux revues de littérature et aux tests d'hypothèses, simplifiant le processus de recherche.

• ChemCrow – Agent de recherche en chimie autonome – Intègre des LLMs avec des outils de chimie pour planifier et exécuter des tâches expérimentales et computationnelles complexes en analyse chimique.

• GPT Researcher – Assistant de recherche général autonome – Effectue des recherches en ligne structurées, analyse le contenu et compile des rapports de recherche détaillés avec un minimum d'intervention utilisateur.

10. Analyse de données

Agents IA qui traitent, analysent et interprètent les données pour fournir des insights exploitables et soutenir la prise de décision.

Finance

• FinRobot – Agent d'analyse de données financières – Automatise l'interprétation et le reporting des données financières en utilisant des modèles de langage.

Intelligence d'affaires et requêtage

• Wren AI – Agent d'insights business texte-vers-SQL – Convertit des questions en langage naturel en requêtes SQL pour le reporting business.

• Entaoai – Outil d'ingénierie de données assisté par GenAI – Fournit une interface de chat pour les tâches de requêtage et de transformation de données.

• Vanna AI – Agent langage naturel vers SQL – Génère des requêtes SQL basées sur les prompts utilisateur pour explorer des datasets structurés.

Médias sociaux

• Twitter Personality Agent – Agent d'analyse des médias sociaux – Analyse l'historique des tweets pour en déduire des traits comportementaux et de personnalité.

11. Assistance personnelle

Agents IA qui aident à la gestion des tâches, à la planification et à l'organisation personnelle, améliorant la productivité et la gestion du temps.

• VacAIgent (agent CrewAI pré-construit) – Assistant de planification de voyage – Génère autonomement des itinéraires de voyage complets en utilisant Streamlit et des LLMs.

• Inbox Zero – Assistant d'emails – Priorise, classifie et résume les messages en utilisant le traitement du langage naturel et l'intégration Gmail.

• Cal – Agent de planification de calendrier – Automatise la création, la reprogrammation et le résumé de réunions via une interaction basée sur LLM.

Construire des systèmes d'agents IA

De nombreux frameworks IA sont contrôlés par un seul fournisseur ou des dépôts publics, mais sont étroitement gouvernés.

Ces projets évoluent souvent vers des modèles open core : le code de base reste gratuit, mais l'orchestration multi-agents, l'observabilité ou le contrôle granulaire peuvent être restreints par des licences commerciales. Dans certains écosystèmes « ouverts », l'utilisation en production nécessite souvent l'achat d'un backend verrouillé.

Source⁷

Projets d'agents IA en conditions réelles

D'après notre expérience, voici quelques applications d'agents IA :

• Développement d'API
• Construction d'applications
• Génération de sites web IA
• Exécution de capture d'écran vers code
• Commande de livraisons
• Réservation de restaurant
• Conception d'une pièce

Autres projets d'agents IA autonomes :

Autres projets d'agents IA par framework :

Lectures complémentaires

• Comparer 20 outils de sécurité LLM et frameworks open source
• Quels sont les 10 principaux risques de sécurité des LLM

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},
  title  = {{Liste des 50+ meilleurs agents IA open source}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/open-source-ai-agents}},
  note   = {AIMultiple. Consulté le 14 Mai 2026}
}

Liens de référence

1.

Reflection Agents

LangChain Blog

2.

Simon Willison on ai-agents

3.

Building Effective AI Agents \ Anthropic

4.

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

Boston Consulting Group

5.

Manus, Yeni İnovasyon Çağı için Meta'ya Katılıyor

6.

One Year of OpenHands: A Journey of Open Source AI Development | Mar 17, 2025

7.

Dapr Agents: AI Agents & Workflows for Production

Diagrid

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

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