Automatiser les bons de commande avec l'IA : OCR + agents

1. Le problème : la commande arrive dans tous les formats

Dans une PME industrielle, un négoce ou une société de services, la prise de commande est rarement standardisée. Le client commande comme il a l'habitude de le faire : certains envoient un bon de commande PDF généré par leur propre ERP, d'autres écrivent « peux-tu me livrer 200 unités de la référence habituelle avant vendredi ? » dans un mail, d'autres encore joignent un tableur ou photographient un bon papier avec leur téléphone.

Côté fournisseur, une personne — assistante ADV, chargé de clientèle, gestionnaire — ouvre chaque message, lit la demande, identifie les références, vérifie les prix, contrôle l'encours du client, puis ressaisit tout dans l'ERP. Cette tâche paraît banale, mais elle concentre trois coûts cachés : le temps (plusieurs minutes par commande, multipliées par le volume mensuel), le risque d'erreur (une référence mal recopiée, une quantité inversée) et le délai d'accusé de réception, qui se traduit directement en insatisfaction client.

Selon l'analyse McKinsey sur le potentiel de l'IA générative, les fonctions d'opérations et de support administratif figurent parmi celles où l'automatisation par IA crée le plus de valeur, précisément parce qu'elles concentrent des tâches répétitives à faible valeur ajoutée mais à fort volume. Le traitement des bons de commande en est un cas d'école : répétitif, structurant pour la suite du processus, et coûteux quand il dérape.

2. Les formats reçus : PDF scanné, mail libre, Excel, WhatsApp

Une chaîne d'automatisation crédible doit absorber la réalité du terrain, pas un format idéal qui n'existe que dans les démonstrations. Voici les quatre familles que l'on rencontre concrètement, et la manière dont chacune est traitée.

PDF scanné ou photographié

Le format le plus exigeant. Un bon de commande imprimé puis scanné (ou pris en photo de travers, avec une ombre) n'a pas de texte exploitable : c'est une image. Il faut un OCR robuste, capable de redresser l'image, de gérer une qualité médiocre, et de localiser les zones utiles (en-tête, tableau de lignes, conditions). Les moteurs de vision actuels lisent aussi les tableaux déstructurés, là où un OCR ancien rendait une bouillie de caractères.

Mail en texte libre

Pas de pièce jointe, juste une phrase : « Bonjour, il me faudrait le réassort habituel pour le magasin de Lyon, livraison semaine prochaine ». Ici, pas d'OCR : le texte est déjà lisible, mais il faut comprendre l'intention, résoudre les implicites (« le réassort habituel » = quelles références, selon l'historique de ce client ?) et signaler ce qui manque. C'est le terrain de prédilection des agents IA.

Tableur Excel ou CSV

Apparemment le plus simple — sauf que chaque client a son propre gabarit : colonnes nommées différemment, lignes de total insérées au milieu, commentaires en marge, codes article maison à réconcilier avec votre catalogue. Un agent d'extraction mappe ces colonnes hétérogènes vers votre schéma de commande, sans qu'il faille écrire une règle par client.

Message WhatsApp ou SMS

De plus en plus fréquent, surtout en BtoB de proximité et dans les services. Le message est court, oral, parfois vocal. Traité via la WhatsApp Business API officielle, l'agent dialogue, pose une question de clarification si besoin, structure la commande et confirme. Ce canal est détaillé dans notre article dédié à l'agent IA WhatsApp en entreprise.

3. La chaîne de traitement en six étapes

Quel que soit le format d'entrée, la chaîne converge vers le même résultat : une commande structurée, contrôlée, injectée dans le SI, et confirmée au client. Voici les six étapes, chacune journalisée pour la traçabilité.

Cette architecture rejoint la logique décrite dans notre article sur l'étude de cas d'une plateforme intérim augmentée par l'IA : l'humain n'est plus le maillon de saisie, il devient le superviseur des cas qui le méritent.

4. Les contrôles : prix catalogue, encours client, cohérence

Extraire une commande ne suffit pas : il faut la valider avant de l'injecter. C'est là que se joue la différence entre une automatisation jouet et une automatisation de production. Quatre familles de contrôles couvrent l'essentiel des cas.

• Contrôle prix. Le prix demandé (ou imposé par le bon de commande client) est confronté au catalogue et à la grille tarifaire négociée avec ce client. Un écart au-delà d'un seuil déclenche une revue : erreur de saisie côté client, tarif périmé, ou tentative non concertée de renégociation.
• Contrôle encours. Le montant de la commande est ajouté à l'encours actuel du client. S'il dépasse la limite autorisée (assurance-crédit, plafond interne), la commande est bloquée en attente d'arbitrage commercial ou financier, plutôt qu'injectée aveuglément.
• Contrôle référence et disponibilité. Chaque ligne est réconciliée avec le catalogue. Une référence inconnue, obsolète ou en rupture remonte immédiatement, avec une proposition d'équivalence quand elle existe.
• Contrôle de cohérence. Quantité aberrante (un zéro de trop), délai impossible, adresse de livraison incohérente avec le client : l'agent signale ces signaux faibles que l'humain repère d'instinct mais qu'un script rigide laisse passer.

Le principe directeur est simple : l'agent automatise ce qui est certain et escalade ce qui ne l'est pas. Une commande qui passe les quatre contrôles est créée sans intervention. Une commande qui échoue à un seul d'entre eux part en file de validation — jamais injectée « au cas où ».

5. Les cas ambigus : la file de validation humaine

Aucune chaîne sérieuse ne prétend traiter 100 % des commandes sans humain. L'objectif réaliste est d'automatiser la grande majorité des commandes « propres » et d'orienter intelligemment le reste vers une file de validation, où un opérateur traite uniquement ce qui mérite un jugement humain.

Concrètement, l'agent calcule un indice de confiance par commande. Au-dessus d'un seuil et avec tous les contrôles au vert, la commande est créée automatiquement. En dessous, ou si un contrôle échoue, elle apparaît dans une interface de validation qui présente : le document d'origine, la commande extraite, et la liste des points à vérifier surlignés. L'opérateur valide, corrige ou rejette en quelques secondes — il ne ressaisit rien, il arbitre.

Ce mécanisme « humain dans la boucle » (human-in-the-loop) n'est pas une faiblesse : c'est une exigence de conformité et de qualité. L'AI Act européen impose précisément une supervision humaine effective sur les systèmes d'IA qui prennent des décisions ayant un impact — et une commande engageante en fait partie. Nous détaillons ces obligations dans notre dossier sur l'IA conforme RGPD et AI Act.

6. IA vs RPA classique : la robustesse aux variations

La question revient systématiquement : « on a déjà essayé la RPA, et ça cassait tout le temps ». C'est là que se joue la différence de fond. La RPA (Robotic Process Automation) classique automatise des clics et des copier-coller selon des règles rigides : « prendre le texte de la cellule B12 et le coller dans le champ Quantité ». Tant que le document ne bouge pas d'un pixel, ça marche. Dès qu'un fournisseur change sa mise en page, ajoute une colonne ou envoie un scan de travers, le robot casse.

La nuance honnête : la RPA n'est pas obsolète. Pour des tâches parfaitement stables et répétitives (recopier un fichier toujours identique d'un système à l'autre), elle reste pertinente et économique. Mais le traitement des bons de commande est par nature variable : chaque client, chaque format, chaque exception casse une règle rigide. C'est exactement le terrain où les agents IA, robustes aux variations, surclassent l'automatisation par règles. Pour situer ces approches dans un panorama plus large, voir notre page automatisation IA.

7. Avant / après : le circuit d'une commande

Le tableau ci-dessous suit une même commande, étape par étape, dans un circuit manuel puis dans un circuit automatisé par IA. Les durées indiquées sont des ordres de grandeur typiques du secteur, donnés à titre indicatif — elles varient selon le volume et la complexité des commandes.

Le bénéfice ne se résume pas au temps gagné. Il porte aussi sur la fiabilité (les contrôles sont systématiques au lieu d'être laissés à la vigilance), sur la réactivité (un accusé en minutes plutôt qu'en heures change la perception client), et sur la traçabilité (chaque étape est journalisée, ce qui simplifie les litiges et les audits).

8. Cas intérim : quand la commande est une demande de personnel

Dans le travail temporaire, le bon de commande n'est pas un article : c'est une demande de personnel. Un client écrit « il me faut 3 caristes CACES 3 lundi 6h sur le site de Strasbourg, mission 2 semaines ». La structure de la commande est différente (poste, qualification, dates, volume, lieu) mais la logique est identique : un message non structuré qu'il faut transformer en commande exploitable dans le système, sans ressaisie.

Le secteur est sous tension : selon les données de la DARES, l'intérim représente une part significative et volatile de l'emploi en France, avec des pics de demande où la réactivité sur la prise de commande fait la différence entre une mission honorée et une mission perdue au profit d'une agence concurrente. Quand une commande arrive le soir pour le lendemain matin, la vitesse de traitement n'est pas un confort : c'est le chiffre d'affaires.

Le cas concret : un groupe d'agences d'intérim régional

Pour un groupe d'agences d'intérim régional, JAIKIN a construit une plateforme métier intégrale augmentée par l'IA. Au cœur de la prise de commande : des agents IA sur WhatsApp. Le client écrit sa demande de personnel en langage naturel ; l'agent dialogue si besoin, structure la commande (poste, qualification, dates, volume, lieu) et l'injecte dans le système. Le permanent ne ressaisit plus rien : il valide, corrige si nécessaire, et lance immédiatement la recherche de profils.

La plateforme va au-delà de la prise de commande. Elle intègre la reprise automatique des offres d'emploi (parsing puis rediffusion multi-canal), une refonte du site orientée performance, et un socle conforme RGPD et AI Act sur toute la chaîne. La formation des équipes s'inscrit dans la démarche de certification QUALIOPI de JAIKIN, en cours. L'ensemble est décrit dans notre étude de cas plateforme intérim IA, et le volet outillage dans l'article logiciel de gestion d'intérim sur mesure.

9. Déployer : par où commencer dans votre entreprise

Inutile de viser l'automatisation totale dès le premier jour. La méthode qui fonctionne avance par paliers, en commençant là où le volume et la répétition sont les plus forts.

1. Cartographier les canaux et les volumes. Combien de commandes par jour, par quel canal, dans quels formats ? Identifier le format majoritaire (souvent le mail ou le PDF) pour prioriser le premier chantier.
2. Démarrer sur un format et un segment. Par exemple les bons de commande PDF d'un groupe de clients récurrent. On automatise l'extraction et les contrôles, on garde l'injection sous validation humaine au début.
3. Calibrer la file de validation. Pendant quelques semaines, l'humain valide tout pour ajuster l'indice de confiance et les seuils de contrôle. On mesure le taux d'extraction correcte avant d'ouvrir l'injection automatique.
4. Ouvrir progressivement l'injection automatique. Une fois la fiabilité démontrée sur les commandes « propres », on autorise la création sans humain au-dessus du seuil de confiance, en conservant la supervision sur les cas ambigus.
5. Étendre aux autres formats et canaux. Mail libre, Excel, WhatsApp : chaque canal s'ajoute au même socle, sans repartir de zéro.

Cette approche progressive limite le risque, prouve la valeur tôt, et évite le piège du projet « big bang » qui s'enlise. Pour les agences d'intérim, le même séquencement s'applique à la prise de commande WhatsApp : on commence par structurer et faire valider, puis on ouvre l'automatisation à mesure que la confiance s'installe — comme détaillé dans notre article sur l'agent IA WhatsApp en entreprise.

10. Questions fréquentes