Offres commerciales assistées par IA
En coursL'IA assiste l'avant-vente, de l'analyse d'un appel d'offres à la rédaction de la proposition.
- d'adoption après 4 mois
- 70 %
- livraison en production
- 1 / mois
- temps de réponse
- -25 %

Le contexte
- L'avant-vente travaille par mails et fichiers Excel, sans outil central.
- Chacun rédige ses propositions à partir de ses propres offres passées, sans accès à celles du reste du département.
- L'équipe manque de temps pour construire sa stratégie de réponse aux appels d'offres.
- Le projet existe déjà, mais il avance au ralenti et atteint rarement la production.
Ma mission
- Reprise du rôle de tech lead, retour en production la première semaine, puis une livraison par mois.
- Définition de l'architecture, côté code comme côté infrastructure.
- Arbitrage des décisions techniques et relecture des pull requests.
- Rédaction des documents techniques et de l'analyse d'impact métier (BIA).
- Pilotage de deux applications et de deux développeurs : un senior sur le portail, un alternant sur le moteur IA.
- Interface avec le métier et voix sur la composition de l'équipe.
Décisions et arbitrages
01
Rapatrier la recherche vectorielle dans PostgreSQL plutôt que dans un service managé
ProblèmeLa recherche s'appuie sur un service managé. Ce service ne respecte pas le cadre du provider LLM imposé et coûte cher même à faible usage.
SolutionMigration du stockage et de la recherche vers PostgreSQL et pgvector. Un service externe produit toujours les embeddings, via une interface de l'entreprise. Cette interface garde les données dans l'infrastructure.
Pourquoi ce choixLa gouvernance des données passe en premier. Garder embeddings et recherche dans la base maison lève le point de conformité, préalable au lancement de la partie IA. Réutiliser Postgres évite aussi le coût d'un service dédié sous-employé. En contrepartie, l'équipe opère et règle elle-même la recherche vectorielle.
02
Indexer par chapitre plutôt que par tokens
ProblèmeLa première version découpe les documents par tokens. Ce découpage fragmente des sections cohérentes et brouille la recherche.
SolutionDécoupage par section métier, avec des métadonnées (client, secteur, type). La récupération filtre d'abord sur ces critères, puis classe par similarité sémantique.
Pourquoi ce choixPour le métier, la pertinence d'une offre passée tient d'abord à des critères structurés, avant la proximité sémantique. Le filtre structuré rend aussi le résultat explicable et compense l'absence d'index vectoriel dédié.
03
Confier les prompts au métier, comme une donnée versionnée
ProblèmeLe prompt d'un cas d'usage relève du métier, mais chaque modification demande un développeur et un redéploiement.
SolutionLes prompts vivent dans un store versionné. Un senior bid manager les édite dans une interface dédiée, les teste, puis les promeut lui-même en production. L'interface garde chaque version et la restaure en un clic.
Pourquoi ce choixUn métier autonome sur sa propre donnée itère plus vite et s'implique dans la qualité. La traçabilité, le retour arrière immédiat et la formation des utilisateurs limitent le risque de régression.
Ce que ce projet m'a apporté
- Reprise d'un projet au ralenti et retour en production en une semaine, puis à cadence mensuelle.
- Encadrement différencié selon le profil : arbitrage léger avec un senior de confiance, accompagnement rapproché d'un alternant.
- Décision d'architecture sous contrainte de gouvernance, en préalable au lancement de la partie IA.
- Conception d'un moteur de récupération hybride, structuré et sémantique, dans une base unique.
- Autonomisation du métier sur une donnée technique, avec traçabilité et retour arrière.
- Rédaction de l'analyse d'impact métier (BIA) et arbitrage FinOps sur les services retenus.
Avec le recul
- Basculer les workflows IA longs et ponctuels sur du serverless (Durable Functions). Face à des temps de réponse en secondes, le démarrage à froid devient négligeable.
- Outiller la pré-ingestion du corpus pour accélérer son alimentation, aujourd'hui trop lente.