Une PME de la rénovation et de la structure, dans le sud de la France, produisait chaque note de débours en trente minutes environ, à la main, à partir de plans PDF hétérogènes et de documents de bureaux d'études. Après un pilote de huit à dix semaines mené par JUWA, l'outil fait le premier passage et le chargé d'étude valide : le temps par note passe sous dix minutes, soit 70 % de moins, et il n'y a plus aucune ressaisie entre les plans et l'ERP de chiffrage. Ce retour d'expérience détaille les choix faits, ceux qu'on referait à l'identique, et les limites qu'il faut connaître avant de lancer le même projet.
Le point de départ : l'étude de prix comme goulot
Chaque affaire commence par une phase d'étude : lire les plans, extraire les quantités, identifier les matériaux et les postes de main-d'œuvre, consolider dans une note de débours, reporter dans le DPGF, puis dans l'ERP. Des dizaines de dossiers par jour, entièrement portés par l'expertise individuelle de quelques chargés d'étude. Le problème n'était pas la qualité du travail, maîtrisée, mais trois conséquences de cette dépendance : la charge, les oublis qui pèsent directement sur la marge d'un chantier, et l'impossibilité d'ouvrir une agence sans recruter un profil expérimenté et attendre qu'il monte en compétence.
C'est ce troisième point qui a décidé la direction. L'objectif n'était pas d'économiser vingt minutes par note, c'était de rendre le modèle réplicable. Le pilote complet est décrit dans le cas client d'automatisation des débours et DPGF.
Ce qui a été construit en 28 jours de développement
Une interface web sécurisée où les équipes déposent les documents d'un chantier. Un moteur combinant OCR, règles métier et RAG qui extrait les matériaux, les quantités, les longueurs et les postes de main-d'œuvre, puis les rapproche de la base de prix et de main-d'œuvre interne. En sortie, une note de débours structurée, un DPGF pré-rempli au format Excel et des exports CSV pour l'ERP de chiffrage. Un tunnel de validation, entre les deux, où le chargé d'étude voit les données extraites, les ajuste et valide avant toute génération de livrable.
L'équipe était de trois personnes : un chef de projet IA et automatisation, un ingénieur IA et data pour l'extraction et l'entraînement du moteur, un développeur full-stack senior pour l'interface. Vingt-huit jours de développement au forfait, en itérations courtes avec démonstrations régulières.
Résumé de la vidéo : Bpifrance présente les cas d'usage les plus fréquents chez les PME accompagnées et une méthode en trois temps, du repérage du processus au premier déploiement, qui recoupe le déroulé de ce pilote.
Trois choix qu'on referait à l'identique
Entraîner le moteur sur l'historique de l'entreprise, pas sur une logique générique. Le moteur a appris sur les plans, les notes de débours et les DPGF produits à la main au fil des années. Il reproduit les habitudes de chiffrage maison, typologies de plans et matériaux compris. C'est ce qui a fait l'adoption : un chargé d'étude reconnaît ses propres pratiques dans la sortie de l'outil, au lieu de devoir apprendre celles d'un éditeur. Le principe est le même que pour toute extraction de données de documents par IA : la valeur vient des règles métier autant que du modèle.
Tester sur des dossiers réels, jamais sur des jeux fabriqués. Chaque itération a été démontrée sur des chantiers fournis par les équipes, avec leurs plans penchés, leurs notes semi-structurées et leurs formats de bureaux d'études différents. Un pilote qui marche sur un jeu propre et échoue en production n'a rien prouvé.
Garder la décision humaine, et le dire dès le cadrage. Le tunnel de validation n'est pas une concession, c'est la règle fondatrice du projet. Sur un chiffrage, une erreur non rattrapée se paie en marge, pas en temps perdu. L'outil propose, le chargé d'étude décide. C'est aussi ce qui a installé la confiance des équipes en quelques semaines.
Les choix techniques, et pourquoi
| Choix | Option retenue | Raison |
|---|---|---|
| Lecture des plans | OCR et modèles légers de type Mistral OCR et Mistral Small, mobilisés selon la complexité | Coût par page maîtrisé, briques interchangeables sans refonte |
| Hébergement | OVHcloud, en France | Plans clients, grilles de prix et historiques restent sous contrôle de l'entreprise ; aucune donnée ne sert à entraîner un modèle tiers |
| Interface et API | React et Node.js, API documentée | Stack standard, reprise possible en interne ou par un autre prestataire |
| Livrables | Excel et CSV vers l'ERP existant | Aucun changement d'outil pour les équipes |
| Propriété | Code et modèles entraînés cédés au client | Un pilote qu'on ne peut ni reprendre ni héberger chez soi est une dépendance |
Sur les données personnelles présentes dans les pièces de marché, les traitements suivent les fiches pratiques IA de la CNIL : seuls les champs utiles au chiffrage sont extraits, et le journal des traitements est consultable.
Ce que les 70 % ne disent pas
Le gain de temps par note est réel et mesuré. Le gain qui compte est ailleurs : la compétence rare, celle du chargé d'étude expérimenté, se déplace de la saisie vers le contrôle. Un profil moins expérimenté peut produire une note fiable en validant ce que l'outil propose, avec les règles maison intégrées. C'est ce qui rend l'ouverture d'une agence envisageable sans faire exploser le back-office, comme le formule la direction générale dans le cas client.
Le socle est prêt pour les extensions identifiées dans la feuille de route, dont un assistant conversationnel pour modifier les exports et la duplication sur de nouvelles agences. Elles seront engagées sur des gains objectivés, pas sur l'élan du pilote. Ce point mérite d'être dit : la tentation, après un pilote réussi, est d'ajouter des fonctions ; la discipline est d'attendre la mesure.
Les limites à connaître avant de lancer le même projet
Le moteur vaut ce que vaut l'historique. Une entreprise qui n'a pas conservé ses notes de débours passées, ou dont les pratiques de chiffrage varient d'un chargé d'étude à l'autre, devra d'abord stabiliser ses règles. Les plans les plus dégradés, scans de scans ou photos, restent les cas où le tunnel de validation est le plus sollicité. Et le projet suppose une base de prix interne à jour : l'outil rapproche les quantités de cette base, il ne l'invente pas.
Le contexte sectoriel joue en faveur de ce type de projet. Le guide France Num sur l'analyse documentaire place la lecture de documents techniques parmi les usages IA les plus rentables pour une PME, et l'Insee mesure que l'adoption de l'IA reste très liée à la taille de l'entreprise, ce qui laisse aux PME du bâtiment qui s'équipent une avance sur leur marché local.
Ce que le pilote a demandé aux équipes
Du temps, surtout au début. Fournir des dossiers réels, relire les premières sorties ligne à ligne, signaler chaque écart au moteur et expliquer pourquoi tel poste de main-d'œuvre va avec telle pièce. Ce travail de relecture des premières semaines est ce qui a permis au moteur de s'aligner sur les pratiques maison ; il ne se délègue pas au prestataire, parce que le prestataire ne connaît pas les règles de chiffrage de l'entreprise. Les directions qui le savent avant de signer planifient ces heures ; celles qui le découvrent en cours de route vivent le pilote comme une charge.
La méthode JUWA sur ce type de mission
Un cadrage court sur les cas d'usage prioritaires, un pilote de huit à dix semaines sur un périmètre resserré, testé sur des dossiers réels, avec un tunnel de validation dès la première version. Livraison documentée et réversible, code et modèles cédés, hébergement en France. L'industrialisation vient ensuite, mesurée, extension par extension. La méthode est celle appliquée sur les autres projets d'agents IA métier en PME, du cabinet comptable à l'industrie.
