L’IA dans le processus d’appel d’offres : où elle fonctionne déjà et quelles sont ses limites

Introduction

Peu de sujets font actuellement davantage débat dans les appels d’offres industriels que l’utilisation de l’IA dans le traitement des offres. Les promesses sont grandes : extraction automatique des exigences, classification intelligente, détection des normes sur simple demande. La réalité est, comme souvent, plus nuancée.

Cet article offre un aperçu lucide de l’état de la technique, montre où l’IA apporte déjà une valeur mesurable, expose honnêtement ses limites et replace cette évolution dans le contexte de l’industrie ferroviaire. Pas de prose promotionnelle, mais un état des lieux factuel pour les responsables d’offres qui veulent savoir ce qui fonctionne — et ce qui ne fonctionne pas (encore).

Les quatre domaines d’application en bref

L’IA dans le processus d’offre peut être divisée en quatre domaines d’application clairement distincts, chacun présentant un degré de maturité différent :

Extraction des exigences : le cas d’usage le plus mature

L’extraction automatique des exigences à partir de documents non structurés est actuellement le cas d’usage de l’IA le plus avancé dans le processus d’offre. Le problème est clairement défini : un cahier des charges est disponible au format PDF ou Word, et les exigences doivent être reprises sous forme d’enregistrements structurés (identifiant, texte, référence normative, caractère contraignant) dans un système de gestion des exigences.

Siemens a intégré en 2025 des fonctions d’IA Polarion pour le traitement des offres . La couche d’IA analyse les documents d’appel d’offres entrants (RFQ, cahiers des charges) et extrait automatiquement les exigences, sans saisie manuelle. Selon Siemens, elle doit réduire le temps d’analyse « de plusieurs semaines à quelques heures ».

Dans un article de blog distinct , Siemens chiffre le gain d’efficacité à « jusqu’à 25 % ». Il faut toutefois rester prudent : ce chiffre provient du secteur de l’énergie et concerne le processus global, non spécifiquement l’industrie ferroviaire. Il reste à voir si des gains comparables sont réalisables dans une industrie ferroviaire nettement plus exigeante en matière de normes.

semantha : l’IA pour l’évaluation des exigences dans Polarion

Outre les fonctions d’IA natives, semantha propose une extension spécialisée pour Polarion, centrée sur l’évaluation des exigences assistée par l’IA. semantha analyse les exigences sur le plan sémantique et peut parcourir les bases de données d’exigences existantes afin de trouver des exigences similaires issues de projets antérieurs. Une approche particulièrement pertinente pour les cahiers des charges récurrents de l’industrie ferroviaire, où de nombreuses exigences sont formulées de manière similaire d’un appel d’offres à l’autre.

Assistance à la classification : prometteuse, mais pas en pilote automatique

La classification automatique des exigences (OK, OKB, NOK, OKM, R) est un cas d’usage évident de l’IA. La logique est simple : si une entreprise possède des milliers d’exigences déjà classifiées dans des projets antérieurs, un modèle de machine learning peut apprendre à classer de la même manière des exigences similaires.

En pratique, l’approche la plus efficace est un système assisté : l’IA propose une classification initiale (avec un score de confiance), que l’expert métier contrôle et corrige. Pour les cas non ambigus (confiance élevée), cela fait gagner beaucoup de temps. Pour les cas limites (confiance faible), le système attire explicitement l’attention de l’expert sur le besoin de vérification.

Détection des normes : un degré d’automatisation élevé est possible

La détection automatique de références normatives dans le texte libre est un cas d’usage pour lequel l’IA fonctionne déjà de manière fiable. La tâche est clairement définie : dans un texte tel que « Les exigences de protection incendie selon DIN EN 45545-2:2020 dans la catégorie de danger HL3 doivent être respectées », les références DIN EN 45545-2:2020 et HL3 doivent être détectées et classifiées.

Taux de détection estimé des systèmes d’IA par type de référence (évaluation qualitative, non fondée sur une étude spécifique).

Le défi réside moins dans la détection elle-même que dans le post-traitement : la norme détectée est-elle à jour ? Existe-t-il une édition plus récente ? La norme renvoie-t-elle à d’autres normes qui s’appliquent implicitement ? Cette analyse des renvois croisés nécessite une base de données de normes à jour. Un sujet approfondi dans notre article Conformité aux normes dans les appels d’offres.

Routage vers les experts : l’IA comme système de proposition

L’attribution automatique des exigences aux services spécialisés est un cas d’usage qui dépend fortement de la qualité des données historiques. Les entreprises ayant documenté proprement leurs attributions dans des projets antérieurs peuvent entraîner un modèle qui génère des propositions d’attribution pour de nouvelles exigences.

Comme décrit dans notre article Routage des experts dans les appels d’offres , cela fonctionne bien pour les exigences faciles à attribuer (protection incendie → équipe protection incendie), mais atteint ses limites pour les exigences transversales. L’approche la plus efficace reste : l’IA propose, l’humain contrôle et corrige.

Les limites réelles : ce que l’IA ne peut pas (encore) faire

Au-delà des limites propres à chaque domaine d’application, il existe des restrictions fondamentales que les responsables d’offres devraient connaître :

1. Le contexte du projet manque

Un système d’IA ne connaît pas le concept de véhicule spécifique. Il ne sait pas que le client exige un BEMU à plancher bas avec une vitesse maximale de 160 km/h, alors que l’entreprise ne dispose jusqu’ici que de plateformes à 140 km/h. La classification « OKM : avec adaptation de la chaîne de traction » exige un savoir d’ingénierie qu’aucun modèle linguistique ne possède.

2. Responsabilité et traçabilité

Chaque classification dans une offre constitue un engagement contraignant. Si un système d’IA propose qu’une exigence est « OK » et que l’expert métier reprend la proposition sans la contrôler, c’est l’entreprise qui est responsable en cas de litige, non l’algorithme. La ISO 22163:2023 exige une traçabilité complète : qui a pris quelle décision, sur quelle base ? « L’IA l’a proposé » n’est pas une preuve acceptable.

3. Confidentialité et protection des données

Les cahiers des charges sont des documents confidentiels. Ils contiennent des détails sur les infrastructures de transport prévues, les spécifications techniques et les conditions commerciales. Leur traitement par des systèmes d’IA cloud (en particulier les LLM comme GPT-4 ou Claude) soulève des questions légitimes :

• Les données sont-elles utilisées pour entraîner le modèle ?
• Où les données sont-elles traitées et stockées (conformité RGPD) ?
• Le donneur d’ordre peut-il interdire la transmission de ses documents à des prestataires tiers ?

4. Risque d’hallucination

Les modèles d’IA générative peuvent produire des affirmations plausibles mais factuellement erronées, un phénomène connu sous le nom d’« hallucination ». Dans le contexte des offres, ce serait fatal : un système d’IA qui cite une norme inexistante ou propose une mauvaise évaluation de conformité peut conduire à des offres erronées. Le contrôle humain des propositions de l’IA n’est donc pas facultatif, mais impératif.

Architecture pratique : intégrer l’IA au processus d’offre

L’intégration la plus efficace de l’IA dans le processus d’offre suit le principe « l’IA propose, l’humain décide ». Des plateformes comme Tendric reposent précisément sur cette architecture :

Aperçu du marché : ce qui existe

Le paysage des outils d’IA pour le traitement des offres peut être réparti grossièrement en trois catégories :

1. IA intégrée aux systèmes ALM

Siemens Polarion a intégré des fonctions d’IA natives depuis 2025. Elles comprennent l’extraction d’exigences depuis les documents d’appel d’offres, l’analyse sémantique et le lien avec les bases de données existantes. Hitachi Rail a déjà intégré Polarion dans ses workflows de projet.

2. Extensions d’IA pour les systèmes existants

semantha est un exemple d’extension d’IA spécialisée qui s’intègre aux installations Polarion existantes. L’avantage : les entreprises peuvent ajouter des fonctions d’IA progressivement, sans remplacer leur système ALM existant.

3. Plateformes spécialisées

À côté des grands fournisseurs ALM, des plateformes spécialisées émergent, axées sur le traitement des offres assisté par IA, avec une barrière à l’entrée plus basse que Polarion ou DOORS mais une assistance ciblée pour l’extraction, la classification et l’export de spécifications. Tendric illustre cette approche : la plateforme combine l’extraction des exigences assistée par IA, la classification structurée et le routage vers les experts, sans la lourdeur d’un système ALM complet. Ces outils s’adressent notamment aux fournisseurs de taille moyenne, pour lesquels Polarion ou DOORS sont surdimensionnés.

Stratégie d’introduction : comment les entreprises démarrent

Les entreprises qui souhaitent introduire l’IA dans leur processus d’offre bénéficient d’une approche progressive :

Ordre d’introduction recommandé selon la maturité et le risque (évaluation propre).

La phase 1 (extraction) offre le retour sur investissement le plus rapide avec le risque le plus faible : le résultat est une liste structurée d’exigences, contrôlée par des humains avant toute évaluation. Des plateformes spécialisées comme Tendric permettent cette entrée progressive sans exiger une migration ALM complète. Les phases 3 à 5 nécessitent des données d’entraînement propres à l’entreprise (classifications et attributions historiques) et sont donc plus exigeantes à introduire.

Conclusion

L’IA dans le processus d’offre n’est ni une panacée ni un effet de mode : c’est un outil aux forces claires et aux limites tout aussi claires. L’extraction des exigences et la détection des normes sont aujourd’hui prêtes pour une utilisation productive. L’assistance à la classification est prometteuse, mais n’est pas un pilote automatique. L’évaluation finale, la décision commerciale et la responsabilité restent humaines.

Pour les responsables d’offres dans l’industrie ferroviaire, la question décisive n’est pas « Dois-je utiliser l’IA ? », mais « Où utiliser l’IA, et où ne surtout pas l’utiliser ? »