Comment l'IA note un appel d'offres par rapport à votre catalogue produits
2 juin 2026 · 8 min de lecture
La plupart des outils d'alerte d'appels d'offres fonctionnent par mots-clés. Vous saisissez quelques termes, le système vous envoie par e-mail chaque avis qui les contient, et vous passez vos matinées à supprimer ceux qui ne s'appliquent pas. Le problème n'est pas que les alertes par mots-clés trouvent trop peu. C'est qu'elles trouvent trop de mauvaises choses, et manquent la bonne quand l'acheteur emploie d'autres mots.
Une meilleure approche note chaque appel d'offres par rapport à votre catalogue produits réel. Cet article explique comment cela fonctionne, étape par étape, et pourquoi la correspondance au niveau du catalogue produit une liste restreinte à laquelle vous pouvez vous fier.
Partez de ce que vous vendez, pas de ce que vous cherchez
Le fondement d'une correspondance précise est une image exacte de ce que fait réellement votre entreprise. Un mot-clé est une supposition. Un catalogue est un fait.
Trinta commence par lire les produits d'une entreprise et son site web. À partir de là, il construit un profil de mots-clés multilingue : les matériaux, les familles de produits, les normes que vous détenez, les secteurs que vous servez et les mots qu'un acheteur emploierait, sur chacun de vos marchés, pour décrire ce que vous fabriquez. Un fabricant de gaz médicaux au Portugal ne vend pas seulement du « gaz ». Il vend des centrales à oxygène, des systèmes de vide, des unités d'air médical, des composants de réseau et les certifications qui vont avec, décrits en portugais, français, espagnol, anglais et arabe selon la localisation de l'acheteur.
Ce profil est le point de référence. Chaque appel d'offres est ensuite mesuré par rapport à lui.
Les limites de la correspondance par mots-clés
La correspondance par mots-clés échoue pour deux raisons structurelles.
D'abord, la dérive du vocabulaire. « Fourniture et installation d'une centrale de production d'oxygène pour un hôpital régional » et « fornecimento de central de produção de oxigénio medicinal » décrivent la même opportunité dans deux langues. Un ensemble de mots-clés réglé sur l'un manquera entièrement l'autre. Même au sein d'une seule langue, « générateur d'oxygène PSA », « centrale de concentration d'oxygène » et « système de production d'oxygène sur site » sont trois formulations d'un même produit.
Ensuite, les faux positifs. Une recherche sur « oxygène » renvoie des appels d'offres de traitement de l'eau, des marchés de surveillance environnementale et des avis de fourniture de gaz de soudage qui n'ont rien à voir avec l'infrastructure hospitalière. L'acheteur a utilisé votre mot-clé. L'opportunité n'est pas la vôtre.
La notation au niveau du catalogue règle les deux. Elle lit pour le sens, non pour des correspondances de chaînes de caractères, et elle mesure à quel point le sens s'aligne avec ce que vous vendez réellement.
La correspondance sémantique : lire pour le sens
La technique centrale est le vecteur d'embedding. Un embedding transforme un fragment de texte en une liste de nombres qui capte son sens. Deux textes qui signifient la même chose produisent des nombres similaires, même lorsqu'ils ne partagent aucun mot et relèvent de langues différentes.
Lorsqu'un appel d'offres est publié, Trinta génère un embedding à partir de son titre, de sa description, de ses codes de classification et de son acheteur. Il le compare à l'embedding de votre profil de mots-clés. Plus les deux sont proches, plus la correspondance sémantique est élevée. C'est ainsi que « achat de système photovoltaïque pour des équipements publics » peut être reconnu comme pertinent pour un installateur solaire dont le catalogue n'a jamais utilisé le mot « photovoltaïque ».
La similarité sémantique est le signal isolé le plus fort. À elle seule, toutefois, elle ne suffit pas.
La notation d'adéquation : les facteurs au-delà de la similarité
Un appel d'offres peut sembler sémantiquement proche et rester une mauvaise adéquation. Un cabinet de conseil de deux personnes ne devrait pas courir après un contrat qui nécessite une équipe de livraison de cent personnes. Une entreprise agréée uniquement au Kenya ne devrait pas se voir présenter un avis qui ne peut être servi que depuis l'intérieur du Brésil.
Ainsi, la similarité sémantique est combinée à des facteurs structurés qui décrivent l'adéquation :
Le recouvrement sectoriel. Les codes de classification de l'appel d'offres (CPV en Europe, UNSPSC dans les agences de l'ONU, équivalents nationaux ailleurs) s'alignent-ils avec les secteurs de votre catalogue ? Ce sont des métadonnées attachées par l'acheteur lui-même, ce qui en fait un contrôle croisé fiable de la lecture sémantique.
L'adéquation géographique. L'entreprise est-elle active dans le pays de l'appel d'offres, ou capable d'y livrer ? Une opportunité que vous ne pouvez pas légalement servir n'est pas une opportunité.
L'adéquation de taille d'entreprise. La valeur du contrat se situe-t-elle dans la fourchette que votre entreprise peut réellement livrer ? L'adéquation à la valeur ancre la liste restreinte dans ce que vous pouvez gagner et exécuter.
Les signaux historiques. L'entreprise s'est-elle déjà intéressée à des appels d'offres similaires, ou a-t-elle remporté des contrats de ce type ? Le comportement passé est un prédicteur discret mais utile de la pertinence future.
Chaque facteur ajuste le score à la hausse ou à la baisse. Un appel d'offres sémantiquement proche, correctement classé, dans votre pays, à votre échelle et similaire à un travail que vous avez déjà réalisé remonte au sommet. Un appel d'offres proche sur les mots mais faux sur la géographie ou l'échelle s'efface.
De milliers d'avis à une liste restreinte quotidienne
L'objet de la notation est la sélection. Trinta a analysé plus d'un million d'appels d'offres provenant de sources officielles dans plus de 100 pays. Aucune équipe ne peut lire ce volume. Le moteur de notation le réduit à la poignée qui correspond réellement à votre catalogue, classée par adéquation, et les livre sous forme de condensé quotidien.
Au lieu d'ouvrir vingt portails et de supprimer quarante alertes non pertinentes, vous ouvrez un e-mail et lisez les dix opportunités qui méritent le plus votre temps. Le travail que vous économisez sur la recherche va directement dans le travail qui fait gagner : comprendre l'exigence et rédiger une offre solide.
Pourquoi la précision du catalogue produit des effets cumulatifs
Une alerte par mots-clés est statique. Elle renvoie le même type de bruit au premier jour comme au centième. La notation au niveau du catalogue s'améliore. Lorsque vous marquez une opportunité comme pertinente, le système apprend à en faire remonter davantage du même genre. Lorsque vous en rejetez une, il apprend à la filtrer. Au fil des semaines, la liste restreinte se resserre exactement vers le travail que votre entreprise est faite pour gagner.
Il existe une preuve concrète. Ultra Controlo, un fabricant de gaz médicaux au Portugal depuis 40 ans, a mis son catalogue dans Trinta et a fait remonter un appel d'offres de 700 000 EUR dès sa première semaine. Elle a remporté ce contrat deux semaines plus tard. Au cours du premier mois, la plateforme a fait remonter plus de 30 M EUR d'opportunités qualifiées correspondant aux produits de l'entreprise. Rien de tout cela n'est venu de la saisie de mots-clés dans une barre de recherche. Cela est venu de la connaissance détaillée, par le système, de ce que l'entreprise fabrique et de là où elle peut gagner.
À retenir
Les alertes par mots-clés répondent à la question « quels avis contiennent mes mots ? » La notation au niveau du catalogue répond à une question bien plus utile : « quels marchés publics mon entreprise est-elle réellement faite pour gagner ? » La première inonde votre boîte de réception. La seconde vous remet une liste restreinte. Pour toute entreprise qui vend de vrais produits sur les marchés publics, cette différence est la différence entre surveiller la commande publique et y concourir.
Questions fréquentes
How does AI score a tender against a product catalogue?
The scoring starts from what a company actually sells rather than from search terms. The catalogue becomes a multilingual profile, each incoming notice is compared against it semantically, and a fit score from 0 to 100 reflects what is being bought, where, at what scale, and how closely it matches the company's range.
Why is catalogue-level matching better than keyword alerts?
Because a catalogue describes capability, while keywords describe a guess about phrasing. Catalogue matching surfaces a notice that specifies your product in unfamiliar terms and suppresses one that merely shares a word. It also compounds: as the catalogue is refined, every future notice is judged against a better description of what the company can deliver.
What factors go into a fit score beyond text similarity?
Semantic similarity is the starting point, not the whole score. A useful fit score also weighs where the contract is, whether the buyer is reachable for that supplier, the scale of the contract against the supplier's capacity, and how central the requirement is to the catalogue rather than incidental to it.
Partager cet article
Reference
Articles similaires
Appels d'offres BASE.gov au Portugal : le guide complet du fournisseur
5 min de lecture
Le PNCP du Brésil expliqué : le portail national des marchés publics sous la Lei 14.133
5 min de lecture
Que sont les codes CPV et comment les utiliser pour trouver des appels d'offres
7 min de lecture
Comment Trinta surveille des centaines de sources chaque jour : au cœur de l'architecture
7 min de lecture
L'IA dans la commande publique : comment le machine learning transforme l'intelligence des appels d'offres
9 min de lecture