Répondre à un appel d'offres public, c'est un marathon administratif. Entre l'analyse du règlement de consultation, la rédaction du mémoire technique, la préparation des annexes et la compilation des pièces administratives, une équipe commerciale peut facilement y passer 3 à 4 jours. Multipliez ça par 50 appels d'offres par an, et vous comprenez pourquoi tant d'entreprises passent à côté d'opportunités : elles n'ont tout simplement pas le temps de répondre à tout.
C'est exactement le problème auquel faisait face notre client, une agence spécialisée dans les objets et textiles publicitaires. Avec 80 collaborateurs et un chiffre d'affaires de 20 millions d'euros, cette entreprise avait les références et l'expertise pour remporter des marchés publics majeurs. Mais leur taux de succès plafonnait à 25%, et chaque réponse mobilisait une équipe pendant plusieurs jours.
Aujourd'hui, après le déploiement d'un agent IA sur mesure, leur temps de réponse a été divisé par deux, leur note technique moyenne est passée de 34/40 à 39/40, et ils visent un taux de succès de 40%. Voici comment nous avons construit cette solution.
Le diagnostic : pourquoi les réponses aux AO échouent
Avant de construire quoi que ce soit, nous avons analysé en profondeur les appels d'offres gagnés et perdus par l'agence sur les deux dernières années. Cette analyse a révélé des patterns récurrents.
Les causes d'échec chiffrées
En étudiant les lettres de rejet et les grilles de notation, nous avons identifié cinq causes principales d'échec :
| Cause d'échec | Impact moyen sur la note |
|---|---|
| Absence de fiches produits détaillées | -35 points |
| Références secteur public manquantes | -43 points |
| Engagements RSE trop vagues | -18 points |
| Documentation logistique insuffisante | -20 points |
| Mémoire technique absent ou faible | -20 points |
Le paradoxe de l'expertise
Plus surprenant encore : l'agence disposait de toutes les informations nécessaires pour rédiger des mémoires excellents. Certifications RSE depuis 2019, 14 marchés publics gagnés récemment, des références clients prestigieuses (collectivités, universités, organismes sportifs nationaux)... Mais cette expertise était dispersée dans des documents, des emails, des présentations. Chaque commercial devait reconstituer le puzzle à chaque nouvelle réponse.
C'est là que l'IA entre en jeu : non pas pour inventer du contenu, mais pour structurer et mobiliser l'expertise existante de manière systématique.
L'architecture de la solution
Nous avons opté pour une architecture combinant Dust (plateforme d'agents IA avec RAG intégré) et n8n (automatisation des workflows). Ce choix n'est pas anodin : il permet de créer un agent vraiment spécialisé, avec une base de connaissances métier, tout en l'intégrant dans les outils existants de l'entreprise.
La base de connaissances : 22 documents structurés
Le cœur de l'agent, c'est sa base de connaissances. Nous avons créé 22 documents markdown couvrant l'ensemble de l'expertise de l'agence :
Bloc 1 - Fondamentaux (3 docs)- Instructions de l'agent et périmètre d'action
- Présentation de l'entreprise (historique, chiffres, positionnement)
- Équipe dédiée aux marchés publics (profils, contacts, disponibilités)
- Engagements RSE avec certifications datées
- Modes de fabrication (Express, Europe, Asie) avec délais
- Capacités logistiques et livraison
- Service après-vente et garanties qualité
- Expertise e-commerce (21 boutiques gérées)
- Méthodologie de réponse aux AO
- Critères de jugement types et stratégies
- Documents administratifs (glossaire complet)
- Références clients détaillées
- SP1 : Équipe dédiée (textes prêts à l'emploi)
- SP2 : Fabrication et RSE
- SP3 : Accompagnement client
- SP4 : Catalogues et produits
- SP5 : Logistique et livraison
- SP6 : Organisation et processus
- SP7 : Échantillons et qualité
- Critères Go/No-Go (quand répondre ou non)
- Analyse des AO perdus (erreurs à éviter)
- Références détaillées avec contexte
La structure SP1-SP7 : le secret des mémoires gagnants
En analysant les mémoires techniques qui avaient obtenu les meilleures notes, nous avons identifié une structure récurrente en 7 sections. Cette structure est devenue le squelette de toutes les réponses générées par l'agent :
SP1 - Équipe dédiée (≈15% de la note technique) Présentation nominative avec photos, expérience pertinente, coordonnées directes. L'agent génère automatiquement un organigramme et personnalise les engagements de disponibilité. SP2 - Fabrication et RSE (≈25% de la note technique) C'est souvent le critère le plus pondéré. L'agent détaille les trois modes de fabrication avec leurs délais respectifs, et surtout, il cite systématiquement les certifications avec leurs dates d'obtention (Climate Neutral 2019, ECOVADIS Platinum 2024, etc.). SP3 - Accompagnement client (≈15% de la note technique) Process de conseil, expertise sectorielle, garantie de temps d'intervention SAV (1 heure). L'agent adapte les exemples en fonction du secteur de l'acheteur. SP4 - Catalogues et produits (≈15% de la note technique) Trois formats de catalogue, méthodologie Good/Better/Best pour les alternatives, capacité de création sur mesure. SP5 - Logistique (≈15% de la note technique) Délais de livraison détaillés par mode, capacités de stockage sur 3 sites, process de livraison multi-sites. SP6 - Organisation (≈10% de la note technique) Cycle de commande en 10 étapes avec délais précis (devis sous 48h, BAT sous 24h). SP7 - Échantillons (≈5% de la note technique) Types d'échantillons disponibles, normes respectées, gestion des non-conformités.Le prompt système : le cerveau de l'agent
Un agent IA n'est aussi bon que ses instructions. Voici les principes clés du prompt que nous avons développé :
Identité et périmètre
L'agent sait exactement qui il est et ce qu'il peut (ou ne peut pas) faire :
Tu travailles pour [AGENCE], spécialiste des objets et textiles publicitaires :
- 20 ans d'expérience, 20M€ CA, 80 collaborateurs
- 4 sites en France
- Expertise marchés publics : 14 AO gagnés en 2024-2025
Tu PEUX :
- Analyser les documents d'AO (RC, CCAP, CCTP, BPU/DQE)
- Évaluer Go/No-Go selon les critères définis
- Rédiger des mémoires techniques structure SP1-SP7
- Proposer des produits (méthodologie Good/Better/Best)
Tu NE PEUX PAS :
- Inventer des informations non présentes dans ta base
- Garantir un prix ou un délai sans validation humaine
- Remplir les formulaires administratifs (DC1, DC2)
La matrice Go/No-Go
Avant de rédiger quoi que ce soit, l'agent évalue si l'appel d'offres vaut le coup d'être traité :
| Critère | GO | À DISCUTER | NO-GO |
|---|---|---|---|
| Montant | >100k€/an | 80-100k€ | <80k€ |
| Délai de réponse | >3 semaines | 2-3 semaines | <2 semaines |
| Type de marché | Mono-attributaire | - | Multi-attributaire |
Les points critiques (tirés des échecs)
L'agent a été entraîné à ne jamais oublier les éléments qui ont causé des pertes de points dans le passé :
- Toujours inclure des fiches produits détaillées en annexe
- Citer des références du même secteur que l'acheteur
- Donner des chiffres RSE précis avec dates
- Détailler le processus logistique étape par étape
- Mentionner le GTI SAV de 1 heure
- Inclure un organigramme avec photos de l'équipe
L'intégration n8n : de l'agent isolé au workflow complet
Un agent IA dans une interface web, c'est bien. Un agent intégré dans les outils quotidiens de l'équipe, c'est mieux. Nous avons créé un workflow n8n qui expose l'agent via une API webhook.
Le flux de travail
1. Réception de la demande : Un commercial envoie les documents d'AO via un formulaire ou directement par API 2. Création de conversation Dust : Le workflow crée une nouvelle conversation avec l'agent 3. Envoi du message : La demande est transmise à l'agent avec les documents en pièce jointe 4. Polling de la réponse : Le workflow attend la réponse (avec retry automatique jusqu'à 10 tentatives) 5. Formatage et retour : La réponse est structurée et renvoyée au demandeur
Exemple d'appel API
POST /webhook/agent-ao
{
"message": "Analyse cet AO et génère un mémoire technique",
"acheteur": "Métropole de Lyon",
"document": "[Contenu du RC...]",
"user": "commercial@agence.fr"
}
Réponse type
{
"status": "success",
"conversation_id": "dust_abc123",
"response": "## Analyse Go/No-Go - Métropole de Lyon\n\n| Critère | Valeur | Évaluation |\n...\n\n## Mémoire Technique\n\n### SP1 - Équipe dédiée\n...",
"timestamp": "2024-12-16T10:30:00.000Z"
}
Les résultats : avant/après
Après trois mois de déploiement, les résultats sont mesurables :
Temps de réponse
| Métrique | Avant | Après | Gain |
|---|---|---|---|
| Analyse Go/No-Go | 2 heures | 5 minutes | -95% |
| Rédaction mémoire technique | 2-3 jours | 4-6 heures | -60% |
| Compilation des annexes | 1 jour | 2 heures | -75% |
| Total | 4-5 jours | 1-2 jours | -50% |
Qualité des réponses
| Métrique | Avant | Après |
|---|---|---|
| Note technique moyenne | 34/40 | 39/40 |
| Complétude des dossiers | 75% | 98% |
| Oublis critiques (fiches, références) | 3-4 par dossier | 0 |
Impact business
| Métrique | Avant | Objectif 2025 |
|---|---|---|
| Taux de succès | 25% | 40% |
| AO traités par mois | 4 | 8 |
| CA marchés publics | 2M€ | 3.5M€ |
Les apprentissages : ce qui a fait la différence
1. La qualité de la base de connaissances prime sur tout
Un agent IA n'est pas magique. Il ne peut mobiliser que les informations qu'on lui donne. Nous avons passé 60% du temps du projet à structurer et enrichir la base de connaissances. Chaque document a été rédigé avec un objectif précis : permettre à l'agent de répondre à un type de question spécifique.
2. Les descriptions de sources sont cruciales pour le RAG
Chaque document uploadé dans Dust dispose d'une description qui aide le système de retrieval à comprendre quand l'utiliser. Par exemple :
"Briques SP2 Fabrication et RSE. Tableau des 3 modes de production avec délais. Timeline RSE 2011-2025. Chiffres carbone précis. Partenaires insertion. Méthodologie Good/Better/Best avec exemples."
Ces descriptions (moins de 800 caractères) font la différence entre un agent qui trouve la bonne information et un agent qui hallucine.
3. L'analyse des échecs est plus précieuse que celle des succès
Le document "Analyse des AO perdus" est devenu l'un des plus consultés par l'agent. Pourquoi ? Parce qu'il contient des règles négatives ("ne jamais oublier les fiches produits") qui évitent les erreurs récurrentes. Un agent qui sait ce qu'il ne doit PAS faire est souvent plus performant qu'un agent qui sait seulement ce qu'il doit faire.
4. Le format de sortie doit être adapté à l'usage
Nous avons créé deux formats de sortie distincts :
- Format analyse : Tableau Go/No-Go avec recommandation en une ligne
- Format mémoire : Structure SP1-SP7 complète avec textes rédigés
Pour aller plus loin : la roadmap
Le projet ne s'arrête pas là. Voici les évolutions prévues :
Court terme (Q1 2025)
- Intégration avec le CRM pour pré-remplir les informations client
- Génération automatique des fiches produits en annexe
- Alertes proactives sur les nouveaux AO publiés (veille automatisée)
Moyen terme (Q2-Q3 2025)
- Analyse prédictive du taux de succès par AO
- Benchmark automatique des prix vs. concurrents
- Interface vocale pour les commerciaux en déplacement
Long terme (2026)
- Agent autonome capable de soumettre les dossiers complets
- Apprentissage continu à partir des résultats (gagnés/perdus)
- Extension à d'autres types de marchés (privés, internationaux)
Conclusion : l'IA comme amplificateur d'expertise
Ce projet illustre parfaitement ce que l'IA peut apporter aux entreprises en 2025 : non pas remplacer l'expertise humaine, mais l'amplifier et la systématiser.
L'agence n'a pas embauché de nouveaux commerciaux. Elle n'a pas non plus externalisé la rédaction de ses réponses. Elle a simplement donné à son équipe existante un outil qui leur permet de mobiliser instantanément 20 ans d'expertise accumulée.
Le commercial qui rédige un mémoire technique n'a plus besoin de se souvenir que l'agence est certifiée Climate Neutral depuis 2019, ou que le GTI SAV est de 1 heure, ou que la référence SNCF concerne 150 000 collaborateurs. L'agent le sait, et il l'intègre automatiquement dans chaque réponse.
C'est ça, la promesse de l'IA appliquée aux métiers : transformer l'expertise tacite en avantage compétitif systématique.
Vous souhaitez explorer comment un agent IA pourrait transformer vos processus métier ? Contactez l'équipe Kokoro pour un diagnostic gratuit de vos cas d'usage.