Pour en savoir plus,  demandez un échantillon gratuit 

Comment l'échelle massive des écosystèmes alimente-t-elle la demande urgente sur le marché de l'observabilité des agents d'IA ?

L'expansion rapide des écosystèmes transforme le marché

L'écosystème des agents d'IA se développe rapidement et la visibilité devient une nécessité vitale. Par exemple, le protocole MCP (Model Context Protocol) a été téléchargé plus de 97 millions de fois quelques mois seulement après sa sortie début 2026. De plus, l'écosystème MCP prend désormais en charge plus de 1 000 serveurs actifs, ce qui complexifie considérablement le traçage inter-serveurs. On constate que Langfuse gère à lui seul plus de 6 millions d'installations de SDK par mois, ce qui témoigne de la croissance exponentielle de la demande en matière de traçage. L'outil d'observabilité open source Phoenix d'Arize AI a franchi la barre des 2 millions de téléchargements mensuels mi-2026.

Cette croissance ne se produit pas de manière isolée. 

• Pydantic Logfiretraite désormais jusqu’à 10 millions de spans par mois pour les développeurs sur le marché de l’observabilité des agents IA. 
• Arize signale plus d'un billion d'opérations d'agents chaque mois sur l'ensemble de sa base d'observabilité d'entreprise. 
• Datadog a surveillé les charges de travail des agents de production de plus de 1 000 entreprises clientes dans le monde entier. 

Pourquoi l'allongement des temps de débogage oblige-t-il les développeurs à exiger une observabilité native de l'IA ?

Le débogage des agents non déterministes prend trop de temps

Le débogage de l'IA est devenu synonyme d'erreurs invisibles et de retards coûteux. Les ingénieurs perdent plus de 3 heures à déboguer une simple défaillance non déterministe d'un agent à l'aide de journaux d'erreurs obsolètes. Le marché des solutions d'observabilité pour agents d'IA permet de réduire ce processus fastidieux à environ 5 minutes pour identifier la cause première. Les équipes utilisant des fonctionnalités unifiées d'observabilité de l'IA résolvent les problèmes de production 1,25 fois plus rapidement que celles qui n'utilisent pas l'IA. Les équipes de développement utilisant une observabilité native pour l'IA déploient également du code 1,8 fois plus fréquemment que leurs pratiques habituelles.

Ce changement est crucial car les systèmes d'agents génèrent des millions de points de télémétrie chaque heure. La fonctionnalité d'observabilité de Sentry, basée sur Claude, réduit le temps de reproduction des bogues de plusieurs heures à quelques minutes. De plus, les ingénieurs en apprentissage automatique consacrent de plus en plus de temps au débogage à l'analyse de modèles d'invites dynamiques plutôt qu'à l'étude de chemins d'exécution statiques. La dégradation silencieuse demeure une menace majeure, notamment lorsque la précision du modèle chute de 95 % à 70 % sans alerte d'infrastructure visible.

Un débogage plus rapide modifie le comportement des ingénieurs

• d'IA générative du marché permettent de faire remonter les causes profondes en quelques secondes au lieu de plusieurs jours.
• Les entreprises signalent jusqu'à 56 tickets d'assistance en moins par semaine après l'adoption de l'outil de surveillance.
• La gestion des problèmes par l'IA s'améliore nettement, faisant passer les équipes de 3 à 30 problèmes par jour.
• Les identifiants de corrélation aident désormais les développeurs à suivre les parcours sur 6 étapes d'exécution ou plus.

Comment l'escalade des risques financiers alimente-t-elle la demande de visibilité sur le coût des jetons ?

Les dépenses imprévisibles liées aux jetons deviennent un risque budgétaire

Le marché de l'observabilité des agents d'IA peut transformer de petites actions en grosses surprises financières. Le déploiement de fonctionnalités autonomes peut faire passer le coût d'une requête de 0,03 USD à 2,40 USD par interaction. L'écart entre un comportement optimal et un comportement catastrophique sans surveillance peut atteindre 50 fois. Les modèles d'invite non surveillés peuvent absorber 4 dollars sur 5 du budget, alors qu'ils ne gèrent qu'une interaction sur cinq. Une simple erreur de tarification peut s'avérer très coûteuse, comme l'illustre l'exemple d'un agent de tarification non surveillé proposant à un client une réduction de 2 millions.

Les modèles à contexte long complexifient encore davantage ce problème. Gemini 1.5 Pro prend en charge 2 millions de jetons de contexte, tandis que Claude Sonnet 3.5 facture 15 dollars par million de jetons de sortie et 3 dollars par jeton d'entrée sur le marché de l'observabilité des agents IA. Les interactions multi-agents complexes peuvent générer des charges utiles de traces dépassant plusieurs centaines de mégaoctets par requête. Sans observabilité, les équipes ne peuvent ni identifier les fuites de ressources ni suivre l'accumulation des coûts de raisonnement.

Le suivi des coûts améliore le contrôle financier

• L'optimisation du coût des jetons a permis à des entreprises comme ByteDance d'obtenir des améliorations de 50 à 90 fois.
• Les modèles de Galileo basés sur l'observabilité montrent une réduction des coûts de 97 fois par rapport aux voies GPT-4 non surveillées.
• Arize AX suit 63 configurations de jetons par défaut pour isoler précisément les dépenses justifiées.
• Pydantic Logfire propose une surveillance 40 fois moins chère que les plateformes traditionnelles pour 50 millions de portées.

Pourquoi les angles morts invisibles de l'exécution créent-ils une forte demande en matière de surveillance sémantique ?

La surveillance traditionnelle ne permet pas de déceler la véritable défaillance du marché de l'observabilité des agents d'IA

Les tableaux de bord d'infrastructure peuvent sembler fonctionner correctement alors que les systèmes d'IA produisent des réponses erronées. La surveillance traditionnelle renvoie souvent un statut 200 OK, même lorsque les résultats sont complètement incohérents. Un agent de production non surveillé a appelé la mauvaise API 847 fois en une nuit avant que personne ne s'en aperçoive. Un autre assistant a fonctionné de manière erratique pendant plus de trois semaines, sur des milliers d'interactions. Ces défaillances démontrent pourquoi l'observabilité de l'IA doit mesurer le sens des actions, et non seulement la disponibilité.

La surveillance sémantique comble cette lacune en analysant l'intention, le contexte et la qualité des résultats. Les modèles d'IA peuvent échouer dans 3 à 27 % des réponses lorsque les contrôles d'observabilité sont insuffisants. La couche d'observabilité de Moveo.AI a intercepté plus de 108 000 erreurs sur 1,2 million d'évaluations en temps réel. L'observabilité moderne suit désormais plus de 12 signaux sémantiques, contre seulement 4 pour les systèmes traditionnels.

La surveillance sémantique protège la qualité de la production

• Plus de deux entreprises sur cinq ont abandonné leurs initiatives en matière d'IA faute de visibilité suffisante.
• Un utilisateur d'IA sur deux affirme désormais que l'imprévisibilité des modèles constitue son principal risque opérationnel sur le marché de l'observabilité des agents d'IA.
• Les vérifications déterministes prennent des millisecondes, mais la dérive sémantique nécessite une observabilité plus approfondie de l'espace vectoriel.
• Les développeurs souhaitent désormais disposer de données télémétriques permettant de suivre l'isolation de l'espace de travail et le rayon d'impact lorsque des agents suppriment des fichiers.

Comment la complexité des systèmes multi-agents accélère-t-elle le besoin d'un suivi approfondi des infrastructures ?

Les flux de travail multi-agents nécessitent un traçage de bout en bout

Les systèmes d'IA multi-agents ont transformé l'observabilité en un véritable défi d'infrastructure. Les entrées déclenchent désormais des centaines de décisions automatisées, créant de longues chaînes de comportements invisibles. Les flux de travail peuvent faire appel à jusqu'à six fournisseurs externes différents, ce qui rend le traçage unifié indispensable sur le marché de l'observabilité des agents d'IA. Ces systèmes coordonnent également les sous-agents via des boucles complexes qui exigent des pipelines de télémétrie extrêmement fiables.

Les mécanismes d'observabilité peuvent évaluer les requêtes entrantes en moins de 50 millisecondes avant l'exécution du LLM principal. Les bases de données de télémétrie peuvent ingérer plus de 376 événements de réponse d'API de coût en seulement 12 millisecondes. Près d'une entreprise sur deux développe actuellement des prototypes dédiés à l'observabilité du LLM. Ce besoin n'est plus théorique, car les systèmes de production fonctionnent déjà avec de nombreuses couches de décision interconnectées.

Le suivi des infrastructures couvre désormais davantage de couches

• Les systèmes surveillent la latence de lecture et d'écriture en mémoire séparément de la latence d'inférence du modèle standard.
• Les plateformes enregistrent les horodatages et les données utiles chaque fois que les agents délèguent des tâches tout au long du flux de travail.
• New Relic surveille désormais les bases de données vectorielles et les flux LangChain sans imposer de changement d'outil.
• Plus de la moitié des entreprises surveillées utilisent déjà un système de traçage distribué conçu pour des architectures d'IA avancées.

Pourquoi les besoins en matière de sécurité et de conformité stimulent-ils la demande de flux de travail automatisés pour le marché de l'observabilité des agents d'IA ?

La gouvernance est devenue une exigence fondamentale de l'IA

La sécurité et la conformité sont désormais des raisons essentielles pour adopter les plateformes d'observabilité. Par exemple, Moveo.AI a extrait plus de 361 000 signaux métier structurés à partir de 708 000 interactions grâce à l'observabilité en mémoire persistante. De plus, les outils d'observabilité masquent les données sensibles, telles que les numéros de sécurité sociale, afin de garantir la conformité. En l'absence de garde-fous, deux systèmes d'IA sur cinq restent vulnérables aux tentatives de débridage malveillantes.

Les entreprises modernes ont besoin de pistes d'audit détaillées, car les secteurs réglementés ne peuvent tolérer un comportement aveugle des agents. LangSmith traite quotidiennement des millions de paires réponse-invite, aidant ainsi les équipes à relier les anomalies dangereuses aux groupes d'utilisateurs concernés. Datadog trace les appels au serveur MCP pour surveiller automatiquement l'intégralité du cycle de vie des requêtes. Astute Analytica qualifie la surveillance moderne des agents d'observabilité multidimensionnelle, reflétant ainsi la collaboration actuelle entre la gouvernance et le suivi de l'exécution.

La surveillance automatisée renforce la confiance

• Les outils d'évaluation transforment une défaillance hors sentier en un test de régression automatisé permanent sur le marché de l'observabilité des agents d'IA.
• Les flux de travail LLM-as-a-juge aident les modèles secondaires à évaluer les résultats primaires à des fins de contrôle qualité.
• Honeycomb et TrueFoundry permettent une investigation rapide des pipelines d'IA grâce à des traces consultables.
• Tous les secteurs d'activité réglementés exigent désormais une couche d'observabilité et de traçabilité des systèmes d'IA.

Analyse concurrentielle : Les 5 principaux acteurs qui dominent le marché de l’observabilité des agents IA

1. LangSmith: Intégré en profondeur à LangChain et LangGraph, il offre une approche native du framework qui excelle dans le traçage multi-étapes, la gestion des prompts et les flux de travail complets.
2. Langfuse: Solution open source de premier plan plébiscitée par les équipes auto-hébergées, elle offre un traçage LLM multi-tours robuste et des couches d'évaluation hautement adaptables. 
3. Arize Phoenix: S'appuyant sur une solide expérience en matière de surveillance ML classique, il offre des métriques d'évaluation fondées sur la recherche pour la détection des hallucinations, l'analyse des dérives et l'analyse des traces.
4. Braintrust: Reconnu pour ses fonctionnalités adaptées aux entreprises, il offre des flux de travail de déploiement robustes en intégration continue (CI/CD) et des évaluations de chaînes causales en plusieurs étapes.
5. Datadog: Un géant reconnu de l'observabilité qui utilise son vaste réseau d'entreprises pour combiner de manière transparente le suivi des agents d'IA avec une surveillance plus large de la fiabilité opérationnelle.

Analyse segmentaire du marché de l'observabilité des agents d'IA

Par fonctionnalité : les applications de traçage d’agents dominent le marché de manière absolue

En 2026, le paysage de l'observabilité des agents d'intelligence artificielle est fondamentalement déterminé par des capacités de traçage essentielles. À mesure que les organisations passent d'interactions ponctuelles et isolées à des flux de travail complexes impliquant de multiples agents, le traçage est devenu une exigence opérationnelle cruciale à l'échelle mondiale. Les applications de traçage permettent aux développeurs de cartographier de manière fluide les chaînes de décision complexes, les changements d'état et l'exécution des outils. Les études de marché indiquent clairement que ce segment a capté la plus grande part des revenus grâce à son rôle indispensable dans le débogage des tâches autonomes. Sans un traçage granulaire, le dépannage des boucles de raisonnement sur le marché moderne de l'observabilité des agents d'IA demeure pratiquement impossible. Cette nécessité garantit une position dominante et durable sur le marché.

• Les solutions de traçage des agents permettent aujourd'hui d'isoler efficacement les goulots d'étranglement critiques en matière de performances au sein de flux de travail de décision autonomes très complexes.
• Des outils de visualisation complets cartographient dynamiquement les appels d'outils complexes, garantissant ainsi aux développeurs la compréhension de chaque étape d'exécution sous-jacente.
• Les infrastructures de traçage modernes réduisent considérablement le temps de débogage coûteux sur les réseaux de communication sophistiqués pendant la production en direct.
• Les données du marché révèlent des taux d'adoption sans précédent pour les modules de traçage parmi les équipes de développement de logiciels d'entreprise du monde entier.

Par type de modèle suivi : Les modèles propriétaires/fermés conservent leur position de leader sur le marché

Tout au long de l'année 2025, les modèles propriétaires ont fermement établi leur leadership incontesté au sein de l'écosystème du marché de l'observabilité des agents d'IA, maintenant une dynamique incroyable jusqu'en 2026. Les grandes entreprises commerciales utilisent majoritairement des systèmes artificiels fermés en raison de leurs performances supérieures, de leurs contrats de service garantis et de leurs protocoles de sécurité rigoureux. 

La surveillance de ces architectures fermées exige des outils d'observabilité spécialisés, capables d'interpréter des données opaques grâce à des métriques de substitution sophistiquées, obtenues par rétro-ingénierie, et à des évaluations sémantiques. Cette forte dépendance des entreprises a engendré une demande considérable pour des plateformes de surveillance dédiées. Les fournisseurs du marché de l'observabilité des agents d'IA ont naturellement privilégié ces intégrations lucratives, consolidant ainsi la domination financière de leur segment propriétaire sur les vastes marchés mondiaux actuels.

• Les grandes entreprises privilégient largement les modèles propriétaires car ils offrent systématiquement une fiabilité supérieure pour les charges de travail d'entreprise.
• Les fournisseurs de solutions d'observabilité facturent des frais de licence élevés pour leurs intégrations propriétaires, générant ainsi des revenus substantiels pour l'ensemble du secteur.
• Les exigences strictes en matière de conformité des données obligent les grandes organisations à déployer des points de terminaison de connexion en modèle fermé hébergés de manière sécurisée.
• Les fournisseurs innovent sans cesse en matière de métriques d'évaluation sophistiquées, spécialement conçues pour interpréter les résultats opaques de l'intelligence artificielle commerciale.

Par déploiement : le cloud continue de dominer le marché de l’observabilité des agents d’IA 

Les modèles de cloud computing continuent de dominer incontestablement le marché mondial de l'observabilité. Face aux volumes massifs de données de télémétrie générés par les agents intelligents, les infrastructures internes des entreprises sont confrontées à d'importantes limitations en termes d'évolutivité. Les plateformes hébergées dans le cloud répondent parfaitement à ce problème en offrant un stockage élastique et des ressources de calcul instantanément extensibles. 

De plus, les organisations modernes privilégient largement les solutions logicielles gérées afin de minimiser les coûts et d'accélérer les cycles de déploiement. Cette intégration transparente permet aux équipes d'ingénierie distribuées de collaborer tout en supervisant des écosystèmes automatisés complexes à l'échelle mondiale. En définitive, une évolutivité sans précédent garantit la suprématie durable de la plateforme cloud sur le marché.

• Les infrastructures de cloud computing traitent de manière transparente des volumes exceptionnellement élevés de données de télémétrie complexes sans dégradation des performances.
• Les plateformes logicielles gérées éliminent complètement les coûts élevés de maintenance matérielle pour les équipes de développement en intelligence artificielle en pleine croissance.
• Les architectures cloud distribuées offrent une visibilité cruciale en temps réel sur les réseaux de déploiement d'agents géographiquement dispersés, et ce, très facilement.
• Les fournisseurs déploient rapidement des mises à jour de sécurité continues via des environnements cloud centralisés afin de protéger les informations sensibles de l'entreprise.

Selon la taille de l'organisation : les grandes entreprises exercent une domination inégalée sur le marché

Les grandes entreprises ont largement dominé le marché de l'observabilité des agents d'IA tout au long de l'année 2025 et conservent une position dominante en 2026. Disposant de capitaux importants, elles peuvent déployer massivement des agents autonomes sophistiqués au sein de leurs différentes unités opérationnelles. Par conséquent, elles ont besoin de plateformes d'observabilité d'entreprise haut de gamme pour assurer un suivi rigoureux de la conformité, atténuer les risques et garantir la sécurité de leur marque.

Les petites entreprises manquent actuellement des ressources nécessaires pour mettre en œuvre des systèmes de surveillance complets. Les grandes entreprises, quant à elles, ont un impératif stratégique urgent d'industrialiser l'intelligence artificielle en toute sécurité, ce qui accélère leurs investissements massifs dans les plateformes. Leur pouvoir d'achat sans précédent influence les feuilles de route des fournisseurs, consolidant ainsi leur position dominante sur le marché de l'observabilité des agents d'IA.

• Les budgets colossaux des entreprises absorbent facilement les dépenses d'investissement importantes nécessaires à la mise en œuvre de plateformes d'observabilité avancées.
• Les entreprises mondiales sont soumises à des obligations réglementaires strictes qui nécessitent le déploiement d'outils de surveillance par intelligence artificielle très sophistiqués.
• Les grandes organisations gèrent simultanément des centaines d'agents autonomes, ce qui exige des outils de supervision centralisés et performants pour leur gestion.
• Les éditeurs de logiciels conçoivent explicitement des fonctionnalités d'observabilité haut de gamme pour répondre parfaitement aux exigences complexes de mise à l'échelle de la production en entreprise.

 Analyse régionale du marché de l'observabilité des agents d'IA

L'Amérique du Nord domine le marché mondial 

L'Amérique du Nord détient actuellement la plus grande part de marché dans le domaine de l'observabilité des agents d'IA, grâce à une adoption précoce et sans précédent des architectures agentiques dans la Silicon Valley et les entreprises du Fortune 500. Les États-Unis abritent les sièges sociaux des principaux développeurs de modèles fondamentaux et des fournisseurs de solutions d'observabilité de premier plan, tels que Datadog, LangSmith et Arize Phoenix, créant ainsi un pôle d'innovation et de capitaux extrêmement concentré sur ce marché. D'ici 2026, les dépenses des entreprises en infrastructures d'IA devraient connaître une forte croissance, avec une évolution significative des interactions LLM de base vers des déploiements de production automatisés complexes impliquant de multiples agents. Cette maturité opérationnelle exige un traçage complet et approfondi, une évaluation en plusieurs étapes et des plateformes sophistiquées de détection des anomalies de coûts afin de prévenir les défaillances critiques et de maîtriser l'explosion des dépenses liées aux jetons. Par ailleurs, les cadres réglementaires nord-américains rigoureux et les normes de confidentialité des données imposent des protocoles d'auditabilité et de gouvernance complets. 

Un déploiement et une adoption massifs du cloud favorisent la domination régionale

Les organisations s'attachent à instaurer une supervision humaine afin d'assurer une transition sécurisée vers l'autonomie. Cet écosystème régional d'infrastructure cloud avancée prend en charge l'ingestion, la conservation illimitée et le traitement instantané des données. Ces capacités sont essentielles pour la gestion des données de télémétrie complexes requises par les systèmes d'IA probabilistes modernes. Par conséquent, les investissements massifs des hyperscalers et les apports de capital-risque stimulent le développement d'outils de surveillance spécialisés pour l'IA.

Parallèlement, les entreprises subissent des pressions pour garantir leur rentabilité grâce à une optimisation des changements de modèles et à une application rigoureuse des budgets. De ce fait, l'Amérique du Nord conserve aujourd'hui une nette suprématie en matière de génération de revenus sur le marché mondial.

La région Asie-Pacifique représente le marché de l'observabilité des agents d'IA qui connaît la croissance la plus rapide

La région Asie-Pacifique affiche actuellement le taux de croissance annuel composé le plus rapide au monde, alimenté par des initiatives de transformation numérique ambitieuses dans des pays clés comme la Chine, l'Inde, le Japon et l'Indonésie. En Chine, une réglementation gouvernementale stricte imposant une explicabilité algorithmique et une auditabilité des modèles rigoureuses incite les géants technologiques nationaux à investir massivement dans des cadres d'observabilité des agents robustes pour leurs systèmes multi-agents développés en interne. 

L'Inde et le Japon ouvrent la voie 

L'Inde s'est imposée comme un centre opérationnel majeur pour le marché de l'observabilité des agents d'IA. Son vaste secteur des services informatiques déploie activement des solutions complexes d'intelligence artificielle générative pour des clients internationaux, attirant des investissements importants de leaders mondiaux de l'observabilité tels que Coralogix, afin de surveiller de manière transparente des charges de travail d'entreprise à grande échelle. Au Japon, l'intégration rapide des agents autonomes est fortement motivée par des défis démographiques spécifiques, notamment le vieillissement de la population active. Le pays dépend fortement des agents numériques automatisés pour maintenir sa productivité industrielle, ce qui rend le suivi précis et instantané des performances et la télémétrie indispensables au maintien de la sécurité opérationnelle sur le marché de l'observabilité des agents d'IA.

L'Indonésie devrait contribuer de manière significative au renforcement de sa position sur le marché 

Parallèlement, l'essor rapide de l'économie numérique en Indonésie accélère la demande des entreprises en matière de support client intelligent et d'agents d'études de marché automatisés et localisés. Sur ces marchés diversifiés et en pleine croissance, le nombre considérable d'utilisateurs actifs quotidiens génère des volumes sans précédent de données de télémétrie critiques. Cette immense quantité de données contraint les organisations de la région Asie-Pacifique à adopter rapidement des outils automatisés d'analyse des causes profondes et des capacités spécialisées d'optimisation des coûts pour assurer leur pérennité et développer efficacement leur infrastructure technologique.

Les 4 principaux développements récents du marché de l'observabilité des agents IA

1. New Relic a lancé une plateforme d'agents IA avec les outils OpenTelemetry et la prise en charge de MCP, étendant l'observabilité de la surveillance à la création et à la gestion d'agents. 
2. Dynatrace a lancé Dynatrace Intelligence, ajoutant des capacités d'IA agentielle à sa suite d'outils d'observabilité pour les opérations d'entreprise.
3. Datadog a lancé un serveur MCP qui permet aux agents d'IA d'accéder aux journaux, aux métriques et aux traces en direct, dans le respect des contrôles de gouvernance existants. 
4. Revefi a annoncé l'observabilité de l'IA et l'observabilité des agents pour les flux de travail LLM et agents sur OpenAI, Claude, Gemini et Vertex AI.

Principales entreprises du marché de l'observabilité des agents IA

• Arize AI
• Langfuse
• Chaîne de Lang (LangSmith)
• Datadog
• New Relic
• Dynatrace
• Cisco (Splunk)
• Poids et biais
• Galilée
• WhyLabs
• Fiddler IA
• Coralogix
• Rayon de miel
• Microsoft
• Google
• Autres joueurs importants

Aperçu de la segmentation du marché

En offrant

• Solutions / Logiciels
  • Traçage et évaluation
  • Surveillance et alerte
  • Garde-corps et qualité
• Services
  • Intégration
  • Géré

Par capacité

• Traçage des agents
• Évaluation rapide et des résultats
• Surveillance des coûts et des jetons
• Latence et performances
• Détection de dérive et d'hallucinations
• Sécurité et garde-corps

Surveillance par type de modèle

• Propriétaire / Fermé
• Source libre
• Réglage précis / Personnalisé

Par déploiement

• Nuage
• Sur site
• Hybride

Par taille d'organisation

• Grandes entreprises
• PME

Par secteur d'utilisation finale

• BFSI
• Informatique et télécommunications
• Soins de santé
• Vente au détail
• Fabrication
• Gouvernement
• Autres

Par région

• Amérique du Nord
  • Les États-Unis.
  • Canada
  • Mexique
• Europe
  • Europe occidentale
    • Le Royaume-Uni
    • Allemagne
    • France
    • Italie
    • Espagne
    • Le reste de l'Europe occidentale
  • Europe de l'Est
    • Pologne
    • Russie
    • Le reste de l'Europe de l'Est
• Asie-Pacifique
  • Chine
  • Inde
  • Japon
  • Australie et Nouvelle-Zélande
  • Corée du Sud
  • ASEAN
  • Reste de l'Asie-Pacifique
• Moyen-Orient et Afrique (MEA)
  • Arabie Saoudite
  • Afrique du Sud
  • Émirats arabes unis
  • Reste du Moyen-Orient
• Amérique du Sud
  • Argentine
  • Brésil
  • Le reste de l'Amérique du Sud