Une plateforme d’agents IA décide si les agents d’une entreprise survivent à la production. Salesforce a mesuré les meilleurs LLM à environ 58 % de réussite sur un tour de CRM unique et 35 % sur des tâches multi-tours. L’écart se situe dans l’infrastructure autour du LLM : intégration des outils, mémoire, garde-fous et comportement de l’agent sous charge. Ce guide découpe les plateformes d’agents en sept couches. Votre équipe peut ensuite comparer chaque constructeur visuel, les frameworks d’agents et les tarifs entreprise sur devis avant de choisir entre construire et acheter.
Ce qu’est une plateforme d’agents IA et ce qu’elle n’est pas
Ce que fait une plateforme d’agents IA
Une plateforme d’agents IA est un logiciel qui permet à une équipe de construire, d’exécuter et de gouverner des agents autonomes qui appellent un outil via une API et agissent sur les données de l’entreprise. Elle fournit l’accès aux modèles, l’automatisation des flux, la mémoire, l’orchestration d’agents, les bases de connaissances, les journaux d’audit et les serveurs MCP qui manquent à un modèle de langage brut. Cela vaut pour un constructeur visuel, un framework de code ou un service hébergé dans le cloud. Les fonctionnalités clés diffèrent selon l’éditeur. Gartner Peer Insights désigne ce marché sous le nom de plateformes de développement d’agents IA.
Voyez-la comme la couche de production entre un modèle et un processus métier. Le modèle raisonne. La plateforme décide quelles sources l’agent peut lire, quel outil il peut appeler, ce qu’il retient et qui peut auditer le résultat. Sans cette couche, chaque équipe reconstruit la même plomberie pour chaque nouvelle application. Plus personne ne peut expliquer après coup pourquoi un agent a agi comme il l’a fait.
Quatre familles de plateformes d’agents IA
La plupart des éditeurs relèvent de l’une des quatre familles. Chacune arbitre entre contrôle et effort et chacune a ses avantages et ses limites. Les équipes qui veulent un espace de travail partagé pour les configurations doivent le vérifier tôt.
- Les constructeurs d’agents sans code offrent un éditeur visuel et des connecteurs prêts à l’emploi. Avantages : la vitesse sur un pilote. Limites : un contrôle réduit en production.
- Les outils de flux visuels à faible code enferment les étapes de l’agent dans des enchaînements déterministes. Avantages : une exécution prévisible. Limites : une rigidité dès qu’une tâche dévie.
- Les frameworks d’agents orientés code comme LangChain, LangGraph ou CrewAI donnent un SDK à un développeur Python. Avantages : le contrôle total. Limites : votre équipe porte chaque couche.
- Les piles des hyperscalers, chez Google, AWS et Microsoft, vendent des composants cloud que votre équipe assemble. Avantages : l’échelle et la sécurité. Limites : un travail d’intégration lourd.
Une cinquième famille regroupe les plateformes verticales. Elles livrent le modèle d’information et les flux de travail d’un seul secteur. Kleio en fait partie. Les listes de présélection mélangent souvent les familles sans le dire, ce qui rend les prix et les fonctionnalités clés impossibles à comparer. Pour la couche d’interface qui se pose au-dessus, lisez notre guide de la plateforme d’IA conversationnelle.
Pourquoi le modèle seul ne suffit pas
Salesforce AI Research a construit CRMArena-Pro en 2025 pour tester des agents sur des tâches de CRM réalistes. Les meilleurs LLM ont atteint environ 58 % de réussite sur un tour unique et seulement 35 % en contexte multi-tours. L’exécution de flux s’est révélée plus accessible, les meilleurs agents dépassant 83 % sur un tour unique. Les échecs viennent du contexte et non de l’intelligence brute.
Ce résultat explique pourquoi une plateforme existe. Le travail multi-tours exige une mémoire qui survit à chaque étape. Il exige des outils qui renvoient des enregistrements propres et une boucle d’évaluation qui rattrape les régressions. Si vous voulez d’abord le concept large, notre guide de l’ IA agentique explique pourquoi tant de projets s’arrêtent en route.
Repérer l’habillage agentique dans une présélection d’éditeurs
Gartner a prévenu en juin 2025 que peu d’éditeurs qui commercialisent des produits d’agents offrent de véritables capacités agentiques. Le cabinet qualifie le reste d’habillage agentique : de l’automatisation scriptée et des assistants basiques sous une nouvelle étiquette.
Le saviez-vous ?
Gartner ne compte que environ 130 éditeurs réellement agentiques parmi les milliers qui revendiquent l’étiquette.
Vous pouvez filtrer une présélection avec trois tests. Demandez à l’éditeur de montrer un agent qui choisit entre deux outils à l’exécution. Demandez la trace de ce choix. Demandez ensuite ce qui se passe quand l’outil renvoie une erreur. Un éditeur doté d’une vraie plateforme répond par des journaux et une démonstration technique qu’un développeur de votre équipe peut suivre. C’est une plateforme à comprendre avant de la passer à l’échelle. Un forum communautaire partagé ne remplace pas cette preuve. Un éditeur qui vend un changement d’étiquette répond par une diapositive.
Les constructeurs sans code : où ils s’arrêtent en production
Les plateformes d’agents IA sans code méritent leur place. Un éditeur visuel permet à une équipe des opérations de livrer un premier agent en un après-midi et la courbe d’apprentissage reste courte. Pour des tâches internes à faible risque, c’est souvent le bon choix.
La production ajoute des exigences d’infrastructure que le glisser-déposer couvre rarement. Il vous faut un contrôle d’accès par rôle et par opération, des configurations versionnées, un retour arrière et des journaux d’audit. Il vous faut aussi une évaluation sur des tâches multi-tours et un moyen de déplacer les agents entre environnements de développement et de production. Demandez comment chacun de ces points fonctionne avant de vous engager. Demandez à quoi ressemble le support client à deux heures du matin quand un agent déraille, car les niveaux de support entreprise varient. Les éditeurs qui vendent des offres entreprise sur un socle sans code ajoutent souvent ces contrôles plus tard : vérifiez lesquels existent aujourd’hui plutôt que lesquels sont à la feuille de route.
Les sept couches d’une plateforme d’agents IA
Les sept couches en un coup d’œil
Une plateforme d’agents IA se juge plus facilement une fois découpée en couches, car les fonctionnalités clés des plateformes d’agents IA s’y rattachent. Le schéma ci-dessous en liste sept, avec la question à poser à un éditeur et le risque si la couche manque. Servez-vous en comme d’une liste de contrôle pendant les démonstrations. Notez quelles couches un éditeur couvre nativement et lesquelles votre équipe devrait construire.
Chaque couche ci-dessous explique à quoi ressemble le bon niveau et quoi tester pendant une démonstration.
Couche 1 : données et connaissance
Toute réponse d’agent part des données et de la connaissance que votre entreprise possède déjà. Cette couche porte le catalogue, les documents et les règles métier que les agents interrogent via des bases de connaissances et des magasins structurés. Une plateforme qui traite l’information comme votre problème laisse votre équipe unifier les prix, la disponibilité et les politiques internes à travers des dizaines de systèmes avant que le premier agent ne tourne. Les systèmes cœur comme le CRM et le catalogue doivent exposer des enregistrements propres à vos autres systèmes.
Testez-la avec une question que l’éditeur n’a pas préparée. La recherche documentaire en entreprise n’est pas la même chose qu’un raisonnement ancré sur un catalogue. Demandez quelles sources l’agent peut citer et comment les mises à jour se propagent. Demandez ce que fait l’agent quand aucune source approuvée ne répond. L’ancrage sur des sources approuvées est la première défense contre les réponses inventées. Cela compte surtout là où un seul prix erroné fait perdre une vente.
Couche 2 : passerelle de modèles et BYOM
La passerelle de modèles décide quel modèle de langage sert chaque requête. L’usage de votre propre modèle, appelé BYOM, signifie que vous pouvez utiliser Claude, Gemini ou un modèle OpenAI depuis la même plateforme et changer quand le coût ou la qualité évolue. Sans elle, le choix de l’éditeur devient votre enfermement.
Vérifiez trois points. Pouvez-vous router les requêtes courantes vers un LLM moins coûteux et les requêtes difficiles vers un modèle plus solide ? La plateforme masque-t-elle les champs sensibles avant tout appel à un fournisseur externe ? Pouvez-vous figer une version pour que le comportement de l’agent ne change pas du jour au lendemain ? Ces contrôles transforment une montée de version en livraison planifiée au lieu d’une surprise. Comparez la performance et le coût de chaque route avant de vous engager.
Couche 3 : orchestration et routage
L’orchestration décide quel agent agit ensuite et comment le travail circule entre les agents. L’orchestration d’agents couvre le routage, la passation et les reprises. Elle couvre aussi le choix entre un flux déterministe et un agent autonome.
Les flux déterministes exécutent les mêmes étapes à chaque fois. Ils conviennent aux remboursements, aux validations et à toute tâche dont le chemin est connu. Les agents autonomes choisissent leurs propres étapes, ce qui aide sur les questions ouvertes mais coûte plus cher et varie davantage. Une plateforme mature permet de mêler les deux dans une même automatisation de flux. Un agent traite le jugement pendant qu’un flux fixe traite le paiement. Savoir quand basculer de l’un à l’autre est une compétence de conception. La logique d’exécution doit rester visible pour votre équipe. Demandez comment un nouvel agent rejoint un flux existant sans qu’il faille tout retester. Demandez aussi comment l’exécution se met en pause pour une revue humaine et comment une étape en échec redémarre. Une personne doit pouvoir valider ou refuser une étape et chaque décision humaine doit être journalisée.
Couche 4 : appel d’outils et MCP
L’appel d’outils est la façon dont un agent agit sur le monde : interroger une base, créer un devis, mettre à jour une fiche CRM. Chaque intégration devient un outil doté d’un nom, d’entrées, de permissions et d’un contrat d’API. La qualité de l’intégration des outils décide de la fiabilité d’exécution.
Le Model Context Protocol (MCP) normalise la façon dont les agents atteignent ces outils. En décembre 2025, Anthropic a cédé MCP à l’Agentic AI Foundation, un fonds dirigé sous l’égide de la Linux Foundation, si bien que le standard dispose désormais d’une gouvernance neutre. Cela fait de la prise en charge des serveurs MCP un critère d’achat plutôt qu’un bonus. Pour un examen plus poussé de l’articulation des protocoles du commerce, lisez notre guide du protocole de commerce agentique. Utilisez un connecteur géré pour chaque API. Vérifiez que chaque appel d’API s’authentifie auprès de votre fournisseur d’identité, qu’il peut s’intégrer à votre annuaire et qu’un agent peut s’y connecter en sécurité. Vérifiez la prise en charge dans la documentation de l’éditeur et demandez quels outils peuvent écrire en plus de lire. Un agent qui ne fait que lire renvoie encore le travail à un humain. À l’inverse, un agent qui peut écrire demande des permissions plus strictes. Les règles de passation comptent dans les deux cas.
Couche 5 : mémoire et état
La mémoire garde un agent cohérent. La mémoire de session porte la conversation en cours et les résultats intermédiaires d’une tâche. La mémoire de long terme stocke les préférences et les décisions passées, d’une session et d’un canal à l’autre.
Sans état, un agent pose deux fois la même question et perd le fil d’une tâche à plusieurs étapes. C’est exactement là que les scores multi-tours chutent. Demandez où vit la mémoire, combien de temps elle est conservée et qui peut la lire ou la supprimer. Les règles de conservation comptent pour la revue de conformité. La mémoire est aussi une ressource coûteuse quand elle croît sans limite. Demandez également si la mémoire est un magasin séparé ou une invite bourrée d’historique. La seconde conception devient coûteuse et peu fiable à mesure que les conversations s’allongent.
Couche 6 : garde-fous et gouvernance
La gouvernance est la couche qui bâtit la confiance avec une équipe des risques et lui permet de dire oui à des processus métier automatisés. Elle combine un contrôle d’accès par rôle appliqué à chaque opération avec des configurations versionnées et des journaux d’audit. Elle apporte aussi une validation avec intervention humaine pour les actions sensibles.
La réglementation va dans le même sens. Les acheteurs de la santé et de la finance le ressentent les premiers. Le règlement européen sur l’IA s’applique aux modèles à usage général depuis le 2 août 2025. Selon la lecture que fait le cabinet Gibson Dunn de l’accord Digital Omnibus, les obligations des systèmes à haut risque autonomes glissent au 2 décembre 2027 et celles des systèmes intégrés à des produits réglementés au 2 août 2028. La traçabilité sera attendue plutôt qu’optionnelle. Gardez un environnement de préproduction distinct de la production, avec un chemin de validation différent pour chaque environnement.
Conseil d’expert.
Demandez à l’éditeur de montrer sur un seul écran qui a modifié la configuration d’un agent mardi dernier et ce que ce changement a altéré.
Couche 7 : observabilité et évaluation
On ne gouverne pas ce qu’on ne voit pas. L’observabilité enregistre une trace pour chaque exécution d’agent : chaque appel de modèle, chaque appel d’outil, chaque décision et son coût. L’évaluation note ensuite ces exécutions au regard des résultats attendus et lance des tests de régression après chaque changement. Les traces exposent aussi les étapes de raisonnement derrière une réponse fausse. Servez-vous des traces pour l’optimisation des performances et pour voir d’un coup d’œil où les agents perdent du temps.
OpenTelemetry maintient un dépôt de conventions sémantiques pour l’IA générative, avec des spans pour l’invocation d’un agent et l’exécution d’un outil. Elles restent en développement : traitez-les comme une direction plutôt que comme une garantie. En pratique, demandez si les traces s’exportent vers votre propre pile de supervision. Demandez si les évaluations couvrent les tâches multi-tours. Au vu du résultat de 35 % en multi-tours cité plus haut, une plateforme qui ne teste que des invites uniques mesure la partie la moins exigeante.
Comment évaluer une plateforme d’agents IA
Dix critères qui cassent en production
Choisir une plateforme d’agents IA commence par pondérer ces dix critères selon votre propre risque. Sélectionner une plateforme d’agents IA consiste ensuite à noter chaque éditeur de zéro à cinq.
- Ancrage sur des données approuvées
- Accès par rôle et par opération
- Configurations versionnées avec retour arrière
- Traçage de chaque appel d’outil
- Évaluation multi-tours
- Prise en charge de MCP
- BYOM et figement de version
- Isolation par client
- Un modèle tarifaire transparent
- Délai jusqu’à une première mise en production
Partagez le résultat de la grille avec votre équipe technique pour repérer où les éditeurs diffèrent et comprendre pourquoi. Contactez deux clients de référence par finaliste. Les cinq premiers critères pèsent le plus lourd, car ils décident si un agent peut être digne de confiance. Les cinq derniers décident s’il peut être exploité et financé. Un éditeur incapable de répondre à deux des cinq premiers en démonstration n’est pas prêt pour une équipe grand compte.
Notez votre présélection en deux minutes
Lire des critères est une chose. Les appliquer à votre propre contexte en est une autre. La grille ci-dessous pose dix questions fermées sur l’éditeur que vous évaluez. Elle pondère vos réponses et renvoie une note sur 100. Elle suggère aussi la famille de plateformes qui convient et trois questions à emporter dans votre prochain échange. Rien de ce que vous saisissez ne quitte la page.
Traitez le résultat comme un point de départ pour votre présélection plutôt que comme un verdict. Les trois questions renvoyées sont celles que vos propres réponses rendent les plus urgentes.
Trois questions à mettre dans tout appel d’offres
Terminez l’évaluation par trois questions qui exposent les manques qu’une démonstration dissimule.
Un, montrez la trace d’un agent qui a échoué sur une tâche multi-tours et expliquez comment la cause a été trouvée. Deux, montrez qui a validé le dernier changement sur un agent de production et comment revenir en arrière. Trois, chiffrez le volume que vous prévoyez avec les boucles et les reprises qu’un flux réel produit plutôt qu’avec une estimation sur chemin propre.
Les éditeurs qui répondent par des écrans en direct méritent une preuve de concept d’un mois. Ceux qui répondent par des diapositives d’architecture méritent un second regard sur votre présélection.
Menez une preuve de concept sur vos propres données
Une preuve de concept doit ressembler à un mardi après-midi plutôt qu’à un lancement. Le démarrage prend une semaine de préparation si votre équipe choisit elle-même le jeu de test. Rassemblez cinquante conversations ou tâches réelles issues de vos propres systèmes, y compris les plus confuses. Le temps passé à cette étape en fait gagner plus tard et le jeu doit inclure un client qui change d’avis en cours de conversation. Rejouez-les face à chaque finaliste sous forme multi-tours. Notez le résultat sur l’exactitude, l’usage des outils et le coût.
Définissez les critères de sortie avant de commencer : un taux minimal de résultats corrects, zéro action en dehors des permissions de l’agent et un coût par tâche aboutie que vous pouvez budgéter. Rejouez le même jeu après une montée de version ou un changement de configuration pour voir la stabilité du comportement de l’agent. Cette seconde exécution prend peu de temps une fois le jeu constitué et elle en dit plus long sur la production que la première. Passez ce temps avant de signer plutôt qu’après.
Tarifs des plateformes d’agents IA et choix entre construire et acheter
Cinq modèles tarifaires, comparés
Les éditeurs facturent une plateforme d’agents IA de cinq façons principales. L’unité qu’ils retiennent façonne votre risque. La facturation à la conversation compte chaque échange, ce qui reste prévisible jusqu’à ce que les conversations s’allongent. La facturation à l’action compte chaque appel d’outil ou étape de tâche : chaque action pèse donc. Les crédits d’usage convertissent les appels de modèle et les actions en une monnaie prépayée. La facturation à la consommation compte la puissance de calcul réellement utilisée par un agent. Le tarif entreprise sur devis est une proposition bâtie sur le volume, le périmètre et les exigences de gouvernance.
Des exemples publics montrent l’amplitude du coût des plateformes d’agents IA. Au lancement des Flex Credits en mai 2025, Salesforce a fixé une action Agentforce à 20 crédits pour $0.10. Microsoft affiche Copilot Studio à 200 $ par mois pour un lot de 25 000 crédits mensuels, avec un paiement à l’usage à 0,01 $ le crédit. AWS facture Bedrock AgentCore à la consommation sans minimum, si bien que le coût suit la puissance de calcul réelle. Vérifiez la page tarifaire à jour de chaque éditeur avant de budgéter, car ces grilles changent.
Ce qui fait exploser la facture
Un prix unitaire ne dit pas grand-chose avant d’avoir simulé une exécution réelle. À 0,10 $ l’action, une tâche de six appels d’outils coûte 0,60 $ sur le chemin propre. Ajoutez deux reprises après un délai dépassé et une boucle de plus où l’agent relit le même enregistrement. La même exécution coûte désormais 0,90 $, soit une dérive de 50 % sur une exécution hypothétique mais ordinaire. Multipliez par des milliers d’exécutions par mois et la prévision bouge d’un facteur que personne n’avait budgété.
Trois schémas nourrissent cette dérive : les boucles où un agent répète une étape, les reprises sur des outils peu fiables et le contexte qui grossit à chaque tour. Demandez aux éditeurs le prix d’un mois de pilote et un coût par tâche aboutie mesuré sur votre preuve de concept plutôt que sur une démonstration. Fixez ensuite des budgets et des arrêts fermes par agent dans la plateforme elle-même. Ajoutez une alerte avant le plafond et une étape de revue pour toute action au-delà d’un seuil. Inscrivez aussi cette règle au contrat. Une équipe qui dépense 5 000 $ par mois en actions a besoin d’un plafond mensuel par agent et d’une alerte avant qu’il soit atteint.
Les coûts qui n’apparaissent jamais sur la licence
Les lignes de licence couvrent la plateforme. Elles couvrent rarement le travail autour. Budgétez quatre postes de plus.
L’intégration consiste à unifier catalogues, documents et règles pour que les agents puissent s’en servir. L’évaluation consiste à construire des jeux de test et à les rejouer. L’observabilité consiste à stocker les traces et à router les alertes vers votre équipe. L’exploitation couvre les astreintes, les changements de configuration et les montées de version des modèles.
Les contrats ajoutent une question de calendrier. Les offres facturées au mois donnent de la souplesse mais coûtent plus cher à l’unité : comparez le coût mensuel de chaque option sur un mois complet de trafic réel. Les engagements annuels abaissent les prix unitaires et vous enferment. L’hébergement chez l’éditeur allège l’infrastructure de votre équipe et accroît la dépendance à sa feuille de route. L’hébergement interne déplace cet équilibre et apporte du travail d’exploitation. Mettez chaque poste dans votre coût total de possession avant de comparer les devis.
Construire ou acheter : ce qu’une plateforme remplace
Construire sur des composants d’hyperscaler ou sur des frameworks comme CrewAI, par exemple Vertex AI de Google, AWS Bedrock ou Microsoft Azure AI Foundry, vous donne le contrôle de chaque composant. Cela donne aussi à votre équipe le travail d’intégrer les sources, la mémoire, la gouvernance et l’évaluation. Votre équipe maintient ensuite chaque pièce à mesure que les modèles et les protocoles changent.
Acheter raccourcit ce chemin mais crée une dépendance envers l’infrastructure d’un tiers. La comparaison honnête compte des mois d’ingénierie plutôt que des factures. Une ressource d’ingénierie rare est le vrai coût de la construction. Une équipe dotée de bons ingénieurs de plateforme et d’un cas d’usage étroit peut bien construire. Une équipe qui a besoin d’agents sur plusieurs parcours avec des exigences d’audit passe en général plus de temps sur les couches périphériques que sur les agents eux-mêmes. Servez-vous des sept couches comme d’un registre. Une couche intégrée fait gagner des mois mais une faiblesse intégrée vous reste des années. Pour chacune, notez si vous la construiriez, l’achèteriez ou accepteriez la version de l’éditeur.
La place de Kleio : une plateforme verticale pour les ventes complexes à forte valeur
Résoudre le problème des données avant l’agent
La plupart des plateformes des présélections ci-dessus partent de l’agent et laissent le problème de l’information au client. Kleio part de l’autre bout. Sa couche de connaissance répartit un catalogue dans trois magasins conçus pour cela qui portent le contenu produit, documentaire et mémoire. Une couche séparée gère la configuration et la gouvernance. L’objectif de conception est qu’un agent réponde à une requête complexe depuis des sources approuvées plutôt que depuis la mémoire du LLM.
Cette approche convient aux ventes où l’acheteur sait rarement quoi demander : le voyage, l’immobilier et la distribution automobile. Chacune de ces ventes est complexe, chaque client arrive avec des besoins flous et chaque conseiller a besoin de la même vue ancrée du catalogue et du client. Chaque secteur a son ontologie propre, car le voyage n’est pas l’automobile et l’immobilier n’est pas le négoce. Voyez la plateforme Kleio pour la pile complète.
Une gouvernance intégrée à chaque opération
Kleio applique un contrôle d’accès par rôle à chaque opération et conserve les configurations d’agents versionnées. Un changement peut donc être tracé et annulé. Les champs sensibles sont pseudonymisés dans le flux avant tout appel à un fournisseur externe. La plateforme fonctionne en isolation par client et respecte SOC 2.
En termes de couches, cela couvre nativement les couches 1 et 6 plutôt qu’en option. Pour un DSI ou un directeur technique, l’évaluation se déplace. Au lieu de demander si la gouvernance peut s’ajouter plus tard, vous demandez si les contrôles existants correspondent à vos politiques.
À quoi cela ressemble en production : Orpi
Orpi, réseau immobilier français, fait tourner la plateforme sur orpi.com et dans ses 1 250 agences. Elle sert 8 000 conseillers. Guillaume Martinaud, président d’Orpi, a déclaré que la plateforme était entrée en service en trois mois et qu’elle exploite la richesse des données d’Orpi au service des clients et des conseillers. Lisez l’ étude de cas Orpi pour le récit complet.
Les cas d’usage des agents IA dans ces parcours sont concrets. Les agents guident un acheteur indécis dans un grand catalogue, qualifient le contact et le transmettent à un conseiller avec son contexte. Les groupes de voyage Havas Voyages et Selectour déploient aussi Kleio pour leurs conseillers et leurs clients. Chaque entreprise part de son propre catalogue et de ses propres règles. Ces résultats viennent d’un périmètre vertical : un secteur, une ontologie et une couche de gouvernance.
Quand Kleio n’est pas le bon choix
Kleio n’est pas un constructeur d’agents horizontal et n’est pas une surcouche minimale posée sur un LLM. Ce n’est pas un outil sans code pour toutes les tailles d’équipe et il n’offre ni formule en libre-service ni version gratuite. Le déploiement est accompagné par l’équipe Kleio, pour de grandes entreprises aux ventes complexes à forte valeur et aux parcours clients longs. Ce n’est pas non plus un CRM, puisqu’il se connecte à celui que vous exploitez déjà.
Si vous devez automatiser le tri des courriels cette semaine, un constructeur sans code conviendra mieux. Si vos agents doivent raisonner sur un grand catalogue avec prix, disponibilités et contraintes pendant qu’une équipe des risques doit les valider, une plateforme verticale mérite une place dans votre présélection. Apportez votre propre catalogue à la première démonstration.
