Situation
Un transporteur de Panevėžys, d’environ 90 salariés, achemine des marchandises en Lituanie et vers l’Europe de l’Ouest. Les commandes arrivent comme le client le trouve pratique : certains envoient un bon de commande en PDF, d’autres un texte libre dans un e-mail, d’autres encore transfèrent un extrait de leur propre système avec des pièces jointes. Il n’existe pas de format unique et il n’y en aura pas : l’entreprise a plusieurs dizaines de clients, chacun avec ses habitudes.
Deux collaborateurs du service exploitation passaient l’essentiel de leur journée non pas à planifier, mais à ressaisir : ouvrir un e-mail, trouver les adresses de chargement et de livraison, les dates, le poids, les palettes et les numéros de référence, les saisir dans le système de gestion du transport, puis répondre au client que la commande était bien reçue. Les jours de forte activité, les e-mails attendaient en file plusieurs heures, et les clients appelaient pour savoir si leur commande avait été reçue.
Les erreurs étaient le second problème. Une heure de livraison confondue ou une remarque oubliée sur la hauteur du quai signifiait un trajet à vide ou une pénalité. Le dirigeant a calculé qu’il y avait quelques cas de ce genre par mois, et que chacun coûtait plus d’une journée de ressaisie. L’entreprise est venue nous voir avec une question précise : l’IA peut-elle lire ces e-mails de façon fiable, et est-ce sûr ?
Ce qu’il fallait
- Lire les commandes dans les e-mails quel que soit le format : PDF, texte libre, tableau dans le message, pièces jointes.
- Créer automatiquement une fiche dans le système de gestion du transport avec tous les champs obligatoires.
- Une validation humaine avant chaque fiche pendant les premiers mois, et toujours quand l’agent n’est pas sûr.
- Aucune utilisation des données des clients pour entraîner des modèles ; les données sont traitées via l’API selon des conditions convenues.
- Un déploiement sans arrêter le service exploitation et sans nouveau logiciel pour les collaborateurs.
Ce que nous avons fait
Semaines 1 et 2 : analyse des e-mails et règles
Nous avons commencé non par la technologie, mais par les e-mails. Nous avons examiné plusieurs mois d’historique de commandes et les avons regroupés par format : environ la moitié arrivait en bons PDF, un tiers en texte libre, le reste était mixte. Avec les exploitants, nous avons consigné ce qui est obligatoire dans une commande, quand une commande est considérée comme ambiguë et à qui la confier dans ce cas. Ces règles sont devenues les instructions de l’agent.
Semaines 3 à 5 : l’agent et l’intégration
Nous avons construit l’agent sur un modèle Claude via l’API. L’agent lit un nouvel e-mail dans la boîte de réception, reconnaît s’il s’agit d’une commande, la décompose en une structure (expéditeur, trajet, créneaux horaires, marchandise, exigences particulières, numéro de référence) et vérifie que tous les champs obligatoires sont renseignés. Si c’est le cas, il crée une fiche brouillon dans le système de gestion du transport via son API et marque l’e-mail comme traité. Sinon, il rédige un court résumé de ce qu’il a pu lire et de ce qui manque, et le transmet à un exploitant. Nous expliquons par ailleurs comment fonctionnent ces agents Claude dans les processus d’une entreprise.
Le plus difficile n’était pas de lire les PDF, mais les adresses : les clients écrivent « à notre entrepôt » ou n’indiquent qu’une ville. L’agent compare ces cas avec les adresses des commandes précédentes du client, et si la correspondance est ambiguë, il envoie la commande à une personne au lieu de deviner.
Semaines 6 à 8 : contrôle et assouplissement des validations
Pendant les quatre premières semaines, chaque fiche créée par l’agent a été validée par un exploitant, d’un seul clic, avec l’e-mail et les champs extraits côte à côte. Nous avons collecté des statistiques sur les erreurs de l’agent. Ensuite, nous avons désactivé la validation pour les bons standards de clients réguliers, et nous l’avons conservée pour les commandes en texte libre et celles de nouveaux clients. Cela fait partie de notre approche d’automatisation des processus : automatiser dans la mesure où la confiance a été mesurée, et pas au-delà.
Résultat
Le temps de saisie manuelle au service exploitation a diminué d’environ 65 %. Nous le mesurons simplement : combien de commandes par jour ont été créées par l’agent et combien par une personne, et combien de temps prend en moyenne la validation. L’un des deux collaborateurs travaille désormais surtout sur la planification et avec les sous-traitants, plutôt que sur le clavier.
Les erreurs dans les commandes ont diminué d’environ 40 %. Nous comptons les cas où une fiche a dû être corrigée après le chargement, ainsi que les trajets à vide dus à de mauvaises données. Les erreurs restantes viennent surtout des e-mails des clients eux-mêmes, et l’agent les signale au moins comme incohérentes avec les commandes précédentes.
La confirmation au client est désormais envoyée en moyenne dans les 20 minutes suivant la réception de l’e-mail ; auparavant, aux heures de pointe, il fallait environ 2 heures. Les appels de clients demandant « avez-vous bien reçu ? » ont presque disparu.
Nous avions peur que l’IA fasse des erreurs que nous ne verrions qu’au quai de chargement. C’est l’inverse : l’agent est le premier à remarquer qu’un client envoie une date différente de celle de la semaine dernière.
Nos conseils dans une situation similaire
- Partez de l’historique des e-mails, pas du choix d’un modèle. Les règles qui définissent une commande ambiguë sont la partie la plus importante du système.
- Gardez la validation humaine dès le premier jour et ne l’assouplissez que là où les statistiques montrent que l’agent ne se trompe pas.
- Intégrez-vous au système existant via son API plutôt que de créer un nouveau poste de travail : les collaborateurs doivent voir le résultat là où ils travaillent déjà.
- Convenez des conditions d’utilisation des données : où elles sont traitées, combien de temps elles sont conservées, et qu’elles ne servent pas à l’entraînement. C’est la première question que vos clients poseront.