Achats : comparer des offres avec l'IA

En bref. L'IA peut extraire, normaliser et scorer les critères techniques de dix propositions en quelques heures, mais elle ne juge pas l'adéquation stratégique ni la fiabilité du fournisseur ; ces éléments restent du ressort du dirigeant.

1. Le cadre de la comparaison d’offres techniques

Lorsqu’une PME reçoit dix réponses à un appel d’offres pour une solution d’infrastructure cloud, chaque document comporte généralement entre quinze et vingt sections : architecture, niveaux de service, coûts, délais, références, conformité RGPD, etc. Le dirigeant doit relire chaque partie, relever les écarts, les pondérer selon ses priorités et synthétiser le tout en un tableau de décision. Ce travail manuel occupe souvent deux à trois jours pleins, voire plus lorsqu’il faut clarifier des points ambigus par échange de mails.

Le temps perdu provient surtout de la répétition de tâches de lecture, de copie‑coller dans un tableau Excel et de la vérification de cohérence entre les sections. L’IA intervient précisément sur ces opérations répétitives, là où le jugement humain apporte peu de valeur ajoutée.

2. Ce que l’IA peut automatiser dans le processus

• Extraction structurée : à l’aide d’un modèle de langage (par exemple GPT‑4o ou Mistral) couplé à un workflow n8n ou Make, on peut faire lire chaque PDF ou DOCX, identifier les titres de section et en tirer les valeurs clés (PUE garanti, pénalité de SLA, coût mensuel estimé, localisation des data‑centers).
• Normalisation des unités : l’IA convertit les expressions variées (« 0,12 €/kWh », « 120 €/MWh », « 0,12 €/kWh ») en une même unité, facilitant la comparaison directe.
• Scoring multicritère : en définissant un poids pour chaque critère (coût 30 %, SLA 25 %, sécurité 20 %, références 15 %, délai 10 %), un petit script calcule un score global pour chaque offre et classe les propositions.
• Génération d’un tableau de synthèse : le résultat peut être renvoyé directement vers un fichier Excel ou un Google Sheet, avec mise en forme conditionnelle (vert/rouge) selon les seuils définis.

Ces étapes, qui représentent environ 60 à 70 % du temps consacré à la lecture et à la mise en forme, peuvent être réalisées en moins de quatre heures lorsque le pipeline est correctement paramétré. Le coût d’exécution reste négligeable (quelques centimes d’euros par appel API) comparé aux heures de travail évitées.

3. Ce qui demeure du jugement humain

L’IA ne peut pas évaluer la pertinence stratégique d’une offre : si une proposition propose une architecture propriétaire qui verrouille l’entreprise à un fournisseur pendant cinq ans, le dirigeant doit décider si ce verrouillage est acceptable au regard de sa feuille de route technologique. De même, la fiabilité du prestataire — antécédents de livraison, qualité du support, capacité à évoluer avec l’entreprise — relève d’une appréciation basée sur des références, des entretiens et parfois une visite sur site, des informations rarement présentes dans les documents techniques.

Enfin, l’interprétation des clauses contractuelles pénales ou des exclusions de responsabilité nécessite une expertise juridique que les modèles de langage ne possèdent pas encore de façon fiable. Dans ces domaines, l’erreur d’automatisation peut entraîner des risques financiers ou opérationnels significatifs.

4. Exemple concret : mise en œuvre avec n8n et GPT‑4o

Un cabinet de conseil a récemment accompagné une ETI industrielle confrontée à dix offres pour un système de suivi de production. Le processus mis en place était le suivant :

1. Les PDF des offres sont déposés dans un dossier surveillé par n8n.
2. Un nœud « Read Binary File » extrait le texte, puis un nœud « Function » appelle l’API de GPT‑4o avec un prompt demandant de retourner un JSON contenant les champs : coût annuel, consommation énergétique, niveau de SLA, localisation des data‑centers, références clients.
3. Un deuxième nœud transforme le JSON en lignes d’un tableau Google Sheets via le nœud « Google Sheets ».
4. Enfin, un nœud « Set » applique les poids définis par le dirigeant et calcule le score total.

Le temps total de traitement, de la réception des documents à l’obtention du classement, a été de trois heures et quinze minutes, contre deux jours estimés en méthode traditionnelle. Le dirigeant a ensuite passé une heure à examiner les deux premières offres du classement, à vérifier les références et à valider les clauses contractuelles, avant de prendre sa décision.

5. Quand il vaut mieux s’abstenir : limites et risques

Il existe des situations où l’automatisation par l’IA n’est pas recommandée. Par exemple, lorsque les offres portent sur des solutions hautement personnalisées, comportant de nombreux schémas techniques, des diagrammes d’architecture et des spécifications propriétaires non textuelles, l’extraction automatisée devient fragile : le taux d’erreur peut dépasser 30 %, obligeant à reprendre manuellement chaque document. Dans ce cas, le gain de temps attendu est annulé par le travail de correction.

Un autre cas à éviter concerne les offres qui incluent des engagements oraux ou des promesses de développement futur non consignés dans les documents écrits. L’IA ne peut pas détecter ces engagements, et se fonder uniquement sur son analyse conduirait à ignorer des risques substantiels. Là, la réponse est clairement « ne le faites pas » : mieux vaut limiter l’usage de l’IA à la collecte des données explicites et conserver une revue humaine complète des parties implicites.

Enfin, si l’entreprise ne dispose pas d’une gouvernance claire des données (par exemple, aucun accord sur la confidentialité des informations fournies par les fournisseurs), faire appel à une API externe peut exposer des données sensibles. Dans ce contexte, la réponse est « n’y allez pas » tant que le cadre juridique et de sécurité n’est pas établi.

Questions fréquentes

Quel niveau de précision puis-je attendre de l’IA pour extraire les coûts mensuels ?

Dans nos tests sur des offres types, l’erreur moyenne se situe autour de 5 % lorsqu les chiffres sont présentés sous forme numérique claire dans le texte. Lorsqu’ils sont cachés dans des tableaux complexes ou des annexes, l’erreur peut monter à 15‑20 %, nécessitant une vérification manuelle.

Dois-je former un modèle spécifique à mon secteur pour obtenir de bons résultats ?

Non. Les modèles de langage généraux (GPT‑4o, Mistral) comprennent déjà la terminologie technique courante des offres cloud, ERP ou IoT. Un léger affinage via quelques exemples peut améliorer la reconnaissance de termes très spécialisés, mais ce n’est pas indispensable pour commencer.

Combien de temps faut-il pour mettre en place le workflow n8n + GPT‑4o ?

Un consultant expérimenté peut déployer le pipeline de base en une journée : création du dossier surveillé, configuration des nœuds d’appel API et de sortie vers Excel ou Google Sheets. Les ajustements de poids de critères et de prise en compte des unités prennent ensuite quelques heures supplémentaires.

Que faire si une offre comporte des parties en format image ou scan sans texte sélectionnable ?

Dans ce cas, il faut préalablement appliquer une étape de reconnaissance optique de caractères (OCR) – par exemple via le nœud « Tesseract » dans n8n ou un service dédié – avant de passer le texte au modèle de langage. Sans OCR, l’IA ne peut rien extraire et le traitement échoue.

L’IA peut‑elle remplacer totalement l’avis du juriste pour analyser les clauses de responsabilité ?

Non. Les modèles actuels ne possèdent pas la capacité de raisonnement juridique nécessaire pour interpréter les nuances des exclusions de responsabilité ou des garanties. Une relecture par un juriste reste indispensable pour éviter des engagements non souhaités.