La boîte mail partagée qui ne se vide jamais
Chaque matin, la boîte « commandes@ » ou « compta@ » contient des dizaines de messages. Un client envoie sa commande en PDF, un autre la tape dans le corps du mail, un troisième photographie un bon manuscrit. Un fournisseur joint sa facture, un locataire son attestation d'assurance, un transporteur sa preuve de livraison. Quelqu'un ouvre chaque message, identifie l'expéditeur, recopie les références et les montants dans l'ERP, renomme la pièce jointe et la range.
Ce travail a deux coûts, que vous pouvez chiffrer en observant une semaine de traitement :
- Le temps : nombre de documents par jour multiplié par les minutes de lecture, de saisie et de classement.
- Le délai : un bon de commande lu en fin d'après-midi part en préparation le lendemain. Une facture fournisseur non saisie fausse la trésorerie prévisionnelle.
S'y ajoute un coût moins visible : ce poste est souvent occupé par les personnes qui connaissent le mieux vos clients, et qui passent leur journée à recopier au lieu de traiter les cas qui demandent du jugement.
Que sait faire l'IA, concrètement, sur ces documents ?
Un modèle de langage lit un document comme le ferait un assistant : il comprend qu'un PDF est une facture, que « 3 cartons de 12 » désigne une quantité de 36 unités, et que le mail d'un client parle d'une réclamation et non d'une commande. Les usages qui fonctionnent bien en production :
| Tâche | Exemple |
|---|---|
| Classer | Trier les mails entrants en commande, facture, réclamation, relance, demande de devis, document administratif |
| Extraire | Récupérer le fournisseur, le numéro, la date, les lignes, les montants HT et la TVA d'une facture |
| Rapprocher | Retrouver le client dans votre base malgré un nom écrit différemment, relier la facture à la commande d'origine |
| Normaliser | Convertir des désignations libres en références de votre catalogue |
| Résumer et router | Résumer une réclamation et l'envoyer à la bonne personne avec le dossier client |
| Préparer une réponse | Rédiger un brouillon d'accusé de réception ou de demande de pièce manquante, envoyé après relecture |
Les modèles utilisés sont ceux d'OpenAI, d'Anthropic ou de Mistral selon la tâche, la langue et les contraintes de confidentialité. Pour les documents scannés de mauvaise qualité, une étape de reconnaissance de caractères précède l'analyse.
Où garder la validation humaine ?
Un modèle de langage se trompe. Rarement sur un document propre, plus souvent sur un scan flou, un tableau mal aligné ou une écriture manuscrite. Il peut aussi produire une valeur plausible mais fausse au lieu de signaler qu'il ne sait pas. La conception de la chaîne part donc de cette question : que coûte une erreur à cet endroit ?
- Erreur peu coûteuse (classement d'un mail, renommage d'un fichier) : traitement automatique, contrôle par échantillon.
- Erreur coûteuse (montant d'une facture, quantité d'une commande, IBAN d'un fournisseur) : l'IA prépare, une personne valide sur un écran qui montre le document et les données extraites côte à côte.
- Doute du système : le document part dans une file « à vérifier » quand un contrôle échoue (total des lignes différent du total de la facture, client introuvable, référence inconnue).
Les contrôles ne reposent pas sur l'IA elle-même : ce sont des règles classiques, comme la cohérence des totaux, l'existence du client, le format d'un SIREN ou d'un IBAN, les doublons de numéro. Un changement de coordonnées bancaires d'un fournisseur ne doit jamais être appliqué automatiquement : c'est un scénario classique de fraude.
Comment mesurer et surveiller le taux d'erreur ?
Aucun prestataire ne peut vous promettre un taux d'erreur avant d'avoir testé vos propres documents. Nous procédons ainsi :
- Constitution d'un jeu de test à partir de vos documents réels, avec les cas difficiles, et des valeurs attendues vérifiées par vos équipes.
- Mesure du taux de bonnes extractions champ par champ, pas seulement document par document : un nom de fournisseur juste et un montant faux ne font pas une réussite.
- Choix des seuils : ce qui passe en automatique, ce qui part en validation.
- En production, chaque correction faite par un humain est enregistrée. Ce journal sert d'indicateur : si les corrections augmentent sur un type de document, on le voit.
- Le jeu de test repasse dès qu'on change de modèle ou qu'on modifie la consigne, pour éviter qu'une amélioration sur un cas en dégrade un autre.
Comment l'automatisation s'intègre à vos outils ?
L'extraction ne sert à rien si les données finissent dans un tableur. La chaîne complète relie la source et la destination :
- Entrée : boîte mail surveillée, dossier partagé, formulaire de dépôt, scanner, ou portail client.
- Traitement : classement, extraction, contrôles, file de validation.
- Sortie : création de la commande dans l'ERP, de la pièce d'achat en comptabilité, mise à jour du dossier dans votre logiciel métier, archivage du document avec ses métadonnées.
Les connexions vers vos logiciels sont détaillées dans notre page connecter ses logiciels par API. Pour les factures fournisseurs françaises, la réforme modifie le circuit : elles arrivent progressivement (depuis septembre 2026 pour celles émises par les grandes entreprises et les ETI, en septembre 2027 pour les autres) sous forme de données structurées via votre plateforme agréée, sans lecture de PDF. L'IA reste utile pour les fournisseurs étrangers, les notes de frais et tous les autres documents (voir notre page sur la facture électronique dans un logiciel métier). Notre offre d'automatisation des processus par l'IA présente les autres usages.
Le déroulé d'un projet avec YMHB Web
- Cadrage : extraction d'un échantillon représentatif de vos documents, inventaire des types, des volumes et des destinations. Le chiffrage suit.
- Preuve sur vos documents : test d'extraction sur le jeu de référence, résultat mesuré champ par champ, avant de construire quoi que ce soit d'autre.
- Construction par cycles courts : écran de validation, contrôles, connexions, en commençant par le type de document le plus volumineux.
- Mise en service : période où tout passe en validation humaine, puis ouverture progressive de l'automatique sur les cas fiables.
- Évolution : nouveaux types de documents, surveillance des taux de correction.
Pour les données personnelles contenues dans les documents, le choix du fournisseur de modèle, du lieu de traitement et des durées de conservation se fait au cadrage, avec votre registre RGPD.
Quand l'IA n'est pas la bonne réponse
- Les documents viennent d'un seul système : si un partenaire peut vous envoyer un fichier structuré ou passer par une API, une connexion directe est plus fiable qu'une lecture de PDF.
- Volume faible : pour quelques documents par jour, les outils de saisie comptable du marché, qui intègrent déjà la lecture de factures, suffisent.
- Formats parfaitement fixes : un modèle de reconnaissance classique, sans IA générative, fait le travail à moindre coût.
- Tolérance zéro sans relecture possible : si aucune erreur n'est admissible et que personne ne peut valider, l'automatisation n'est pas encore raisonnable.
Questions fréquentes
- Quel taux d'erreur attendre d'une saisie automatisée par IA ?
- Le taux d'erreur d'une saisie automatisée par IA dépend surtout de la qualité et de la variété de vos documents : un PDF généré par un logiciel se lit presque sans faute, un bon manuscrit photographié beaucoup moins bien. Le seul chiffre fiable est celui mesuré sur un échantillon de vos documents réels, champ par champ, avant la mise en production.
- L'IA peut-elle lire des bons de commande manuscrits ?
- Oui, l'IA peut lire des bons de commande manuscrits, dans une certaine mesure. Les modèles récents déchiffrent l'écriture manuscrite lisible, surtout pour des contenus attendus comme des quantités et des références. Les erreurs augmentent avec les photos floues, les ratures et les abréviations maison. Pour ces documents, la saisie automatique prépare la commande et une personne la valide avant l'envoi en préparation.
- Nos documents sont-ils envoyés à OpenAI ou à un autre fournisseur d'IA ?
- L'envoi des documents à un fournisseur d'IA dépend de l'architecture retenue au cadrage. Les documents peuvent être traités par l'API d'un fournisseur de modèles, selon ses conditions contractuelles de conservation et d'usage des données, ou par un modèle hébergé sur une infrastructure que vous maîtrisez. Le choix tient compte de la sensibilité des documents, des données personnelles et du coût par document.
- Quelle différence entre l'OCR et l'extraction par IA ?
- L'OCR transforme une image en texte, sans comprendre ce qu'elle lit. L'extraction par IA comprend le document : elle sait qu'un nombre est un montant HT, qu'une ligne est une remise, qu'un mail parle d'une réclamation. Les deux se combinent souvent, l'OCR fournissant le texte d'un scan et le modèle de langage l'interprétant.
- Peut-on automatiser le tri des mails entrants avec l'IA ?
- Oui. L'IA peut classer chaque mail entrant par type (commande, facture, réclamation, demande d'information), identifier le client ou le dossier concerné, extraire les pièces jointes utiles et router le message vers la bonne personne ou le bon outil. Les mails ambigus sont placés dans une file de vérification plutôt que classés au hasard.