Génération de devis grâce à un middleware IA
*********

Contexte

En 2025, un industriel français du secteur de la menuiserie haut de gamme souhaite accélérer et fiabiliser la création de ses devis commerciaux. Son organisation repose sur plusieurs outils métiers cloisonnés (Pro-Devis, Chacal, Logikal, Zeendoc…), mobilisant chaque fois l’expertise humaine pour consolider les données. Résultat : un processus lourd, chronophage (1 à 7 heures par devis), coûteux (50 à 350 € par demande) et peu traçable.

L’entreprise cherche une solution qui centralise l’information, supprime les ressaisies et exploite la puissance des modèles de langage (LLM) pour générer des offres précises et personnalisées, sans sacrifier la maîtrise des données sensibles.

Enjeux de la mission

• Réduire le temps de production d’un devis à moins d’une heure, tout en conservant la qualité et la personnalisation.
• Centraliser la donnée commerciale pour améliorer la traçabilité et l’exploitation des historiques.
• Diminuer la dépendance aux éditeurs tiers dont les outils limitent l’automatisation.
• Maintenir la confidentialité et la souveraineté des données, en évitant le stockage non maîtrisé dans des clouds externes.
• Prouver rapidement la faisabilité via un Proof of Concept (POC) opérationnel.
  

Déroulement de la mission

Analyse terrain et cartographie des processus

Une journée d’immersion a permis de suivre le parcours complet d’un devis, du premier e-mail client jusqu’au chiffrage final. Nous avons identifié :

• des étapes redondantes (papier + numérique) ;
• une forte dépendance à la mémoire et aux habitudes des collaborateurs ;
• un manque d’interopérabilité entre les outils ;
• des détournements fonctionnels pour gérer les cas atypiques.
  

Choix de l’architecture technique

Deux scénarios ont été étudiés :

1. Serveur Web/API s’appuyant sur les API des éditeurs (rapide à déployer mais dépendant de tiers).
2. Middleware propriétaire combinant serveur et base de données relationnelle interne (indépendance, flexibilité, évolutivité).
   

L’évaluation sur 8 critères stratégiques a donné un net avantage au middleware local, garantissant autonomie et sécurité tout en offrant une base solide pour évoluer.

Structuration du Proof of Concept

Le POC a été pensé pour :

• intégrer un LLM propriétaire via API (OpenAI GPT-4, Anthropic Claude, Google Gemini, etc.).
• structurer une base PostgreSQL centralisant toutes les données métiers.
• orchestrer les workflows par API et scripts pour analyser les e-mails, extraire les informations techniques, contextualiser les normes et générer un devis PDF prêt à l’envoi.
• connecter un outil de datavisualisation (Power BI) pour piloter l’activité et les KPIs.
  

Un protocole de tests a mis en place à partir des demandes réelles afin de sélectionner le LLM le plus performant en extraction et structuration des données techniques.

Livrables & Résultats

• Étude de faisabilité de Middleware local ou Cloud sur mesure intégrant :
  • base relationnelle centralisée ;
  • interfaçage API vers le LLM retenu ;
  • module de génération automatique de devis PDF.
• Réduction drastique du temps de traitement : estimation à moins d’1 € de coût IA par demande contre 50 à 350 € en traitement manuel.
• Indépendance technologique : la solution s’appuie sur le savoir-faire interne, non sur des API fermées d’éditeurs.
• Traçabilité totale : chaque donnée source (plan, CCTP, DPGF) est indexée et rattachée au dossier client.
• Capacité d’évolution : ajout futur de modules de prévision de marge, de gestion logistique ou d’alertes réglementaires.