← BlogIA et technologie

Comment les LLM lisent les documents d'appel d'offres : l'extraction en pratique

20 août 2026 · 5 min de lecture

Un avis d'appel d'offres est rarement un document unique et propre. C'est généralement un avis, plus un cahier des charges, plus un projet de contrat, plus une poignée d'annexes, certaines numérisées, d'autres au format PDF natif, certaines se contredisant sur de petits points qui ne deviennent un problème qu'une fois l'offre déjà soumise. Demander à un modèle de langage de lire tout cela et d'en extraire l'échéance, les lots et les critères d'évaluation semble une tâche d'extraction simple. En pratique, c'est une tâche dont la fiabilité varie considérablement selon ce qui est extrait et à partir de quel type de document.

Cela mérite d'être compris avec précision, car le coût d'une erreur n'est pas une faute de mise en forme. C'est une échéance manquée ou une offre disqualifiée. Ce qui suit est un examen ancré dans le réel de ce que les grands modèles de langage font de manière fiable en lisant des documents d'appel d'offres, où ils rencontrent des difficultés récurrentes, et pourquoi un humain doit toujours vérifier les champs qui comptent le plus.

Ce que les LLM font de manière fiable

Les modèles de langage sont performants pour l'extraction structurée à partir de documents propres en texte natif. Lorsqu'un avis d'appel d'offres est un PDF ou une page HTML bien formatés avec des champs clairement libellés, un modèle extrait de manière fiable :

Les échéances énoncées, lorsqu'elles sont écrites explicitement sous forme de date et d'heure dans le document

Les numéros et descriptions de lots, lorsque l'appel d'offres sépare clairement ses lots en sections distinctes et libellées

Les adresses de soumission et points de contact, lorsqu'ils sont écrits comme de simples coordonnées

Les pondérations des critères d'évaluation, lorsque l'appel d'offres les énonce explicitement, par exemple une clause indiquant que le prix compte pour un pourcentage indiqué et le mérite technique pour le reste

Le fil conducteur est que le modèle n'est pas invité à interpréter quoi que ce soit. Il localise un fait déjà énoncé dans le texte, à peu près dans les termes que le modèle est entraîné à reconnaître, et le reproduit. C'est la tâche d'extraction pour laquelle les modèles de langage ont été conçus, et pour des documents propres la précision est réellement élevée.

Là où l'extraction devient plus difficile

La fiabilité chute fortement dès que le document d'entrée devient plus désordonné, pour des raisons qui n'ont rien à voir avec la sophistication du modèle.

Documents numérisés et qualité de l'OCR. Une grande part des annexes d'appels d'offres, en particulier les anciens modèles ou les documents issus de systèmes d'achat qui ne se sont jamais modernisés, n'existent que sous forme d'images numérisées. Avant qu'un modèle de langage ne puisse lire le moindre texte, cette numérisation doit passer par une reconnaissance optique de caractères, et la qualité de l'OCR varie énormément selon la résolution du scan, l'inclinaison de la page et l'écriture manuscrite. Un chiffre mal lu dans une échéance ou un montant budgétaire n'est pas une défaillance de raisonnement du modèle, c'est un problème de données d'entrée corrompues que le modèle ne peut détecter à moins que la valeur obtenue ne soit invraisemblable en soi.

Structure incohérente entre les documents. Un dossier d'appel d'offres assemblé à partir d'un avis, d'un cahier des charges et de plusieurs annexes rédigés par différents services à différents moments emploie rarement une terminologie ou une mise en page cohérentes. Une échéance figurant dans l'avis principal peut être répétée, ou subtilement reformulée, dans une annexe avec un libellé différent. Lorsque deux documents du même dossier énoncent des chiffres légèrement différents, un modèle extrayant à partir d'un seul rapportera avec assurance une valeur techniquement présente dans le texte et néanmoins erronée au regard de l'intention réelle de l'acheteur.

Tableaux à cellules fusionnées ou mises en page irrégulières. Les décompositions de lots, les bordereaux de prix et les tableaux d'exigences sont fréquemment la partie la moins normalisée de tout dossier d'appel d'offres. Les cellules fusionnées, les en-têtes multi-lignes et les tableaux qui changent de structure à mi-page constituent un point faible bien documenté de l'extraction automatisée en général, et les modèles lisant ceux-ci via une conversion PDF-vers-texte héritent de toute information structurelle perdue lors de cette conversion.

Tout ce qui exige du jugement plutôt qu'une lecture littérale. C'est la distinction la plus importante. Un modèle peut extraire de manière fiable une pondération d'évaluation énoncée. Il est bien moins fiable pour déduire une pondération réelle non énoncée à partir d'un texte suivi, par exemple lorsqu'un appel d'offres indique que le prix et la qualité comptent tous deux sans jamais attribuer de pourcentages, et que la pondération réelle ne devient claire qu'à partir de la manière dont l'acheteur a noté des appels d'offres comparables par le passé. Il s'agit là d'un jugement interprétatif, non d'une extraction, et le traiter avec la même assurance qu'une extraction littérale est une erreur.

Pourquoi les enjeux sont asymétriques

Toutes les erreurs d'extraction n'ont pas le même poids. Une adresse e-mail de contact mal lue est un désagrément. Une échéance mal lue, un seuil budgétaire mal lu ou un critère d'exclusion obligatoire manqué peuvent disqualifier une offre entièrement, parfois sans aucune possibilité de correction après la soumission.

C'est pourquoi les chaînes d'extraction sensées ne traitent pas chaque champ de la même manière. Les champs à faible conséquence en cas d'erreur peuvent raisonnablement fonctionner avec une relecture allégée. Les champs où une erreur est disqualifiante, échéances, seuils financiers, critères d'exclusion obligatoires, justifient une vérification humaine par rapport au document source avant que quiconque ne se fie à la valeur extraite.

Pourquoi la relecture humaine reste importante

La conclusion pratique n'est pas que les modèles de langage ne sont pas fiables pour ce travail. Pour la plupart des champs, sur la plupart des documents propres, ils sont rapides et précis d'une manière que la relecture manuelle à grande échelle ne peut égaler. La conclusion est plus étroite : la confiance dans l'extraction n'est pas uniforme selon les types de champs et la qualité des documents, et les champs au coût d'erreur le plus élevé sont fréquemment les mêmes que ceux les plus exposés aux modes de défaillance ci-dessus, annexes numérisées, reformulations incohérentes entre documents, tableaux qui ne se convertissent pas proprement.

Un flux de travail solide utilise le modèle pour un premier passage rapide sur un grand volume de documents, puis achemine les champs à plus fort enjeu, les échéances avant tout, vers une personne qui les vérifie par rapport à la source d'origine avant que l'équipe d'offre ne s'y fie. Ce n'est pas un aveu que la technologie n'est pas prête. C'est ajuster le niveau de relecture au coût d'une erreur, la même discipline que toute équipe d'achat applique déjà à son propre processus interne de validation.

Bien faire cela à grande échelle

Lire une poignée d'appels d'offres avec attention est gérable à la main. Lire des centaines d'appels publiés chaque jour sur des dizaines de portails d'achat, dans des formats et des langues variés, ne l'est pas, et c'est le problème de volume qui rend l'extraction automatisée digne d'être utilisée en premier lieu. TRINTA lit ce qu'une entreprise vend et fait remonter chaque jour les appels d'offres correspondants provenant de sources officielles, en appliquant l'extraction automatisée à cette échelle tout en gardant les champs à plus fort enjeu visibles pour qu'un humain les confirme avant qu'une échéance ne soit jamais menacée.

Questions fréquentes

L'IA peut-elle extraire de manière fiable les échéances d'appel d'offres des documents PDF ?

Les modèles de langage sont généralement fiables pour extraire une échéance d'appel d'offres lorsqu'elle est énoncée explicitement sous forme de date et d'heure dans un document propre en texte natif. La fiabilité chute lorsque l'échéance n'apparaît que dans un document numérisé dépendant de la reconnaissance optique de caractères, ou lorsque différents documents du même dossier énoncent l'échéance avec un libellé subtilement différent ou reformulé, ce qui explique pourquoi les champs à fort enjeu comme les échéances justifient toujours une vérification humaine par rapport à la source d'origine.

Pourquoi les modèles de langage ont-ils du mal avec les documents d'appel d'offres numérisés ?

Un modèle de langage ne peut pas lire directement une image numérisée, la numérisation doit donc d'abord passer par une reconnaissance optique de caractères, et la précision de l'OCR varie sensiblement selon la résolution du scan, l'inclinaison de la page et la qualité de l'écriture manuscrite. Toute erreur introduite à l'étape de l'OCR se répercute directement dans l'extraction du modèle et n'est pas quelque chose que le modèle peut détecter par lui-même, à moins que la valeur obtenue ne soit manifestement invraisemblable.

L'IA peut-elle déterminer la pondération réelle des critères d'évaluation d'un appel d'offres ?

Un modèle de langage peut extraire de manière fiable une pondération des critères d'évaluation lorsque l'appel d'offres l'énonce explicitement, comme une clause précisant que le prix compte pour un pourcentage indiqué de la note. Il est bien moins fiable pour déduire une pondération réelle non énoncée à partir d'un texte général, par exemple lorsqu'un appel d'offres indique que le prix et la qualité comptent tous deux sans jamais attribuer de pourcentages, car cela requiert un jugement interprétatif plutôt qu'une extraction littérale.

Pourquoi la relecture humaine reste-t-elle nécessaire si l'IA peut extraire automatiquement les données d'appel d'offres ?

La relecture humaine reste nécessaire parce que les champs au coût d'erreur le plus élevé, comme les échéances, les seuils financiers et les critères d'exclusion obligatoires, sont souvent les mêmes que ceux les plus exposés aux modes de défaillance de l'extraction, comme une mauvaise qualité d'OCR, une reformulation incohérente entre annexes et des mises en page de tableaux irrégulières. Un champ à fort enjeu manqué ou mal lu peut disqualifier une offre entièrement, aussi l'ajustement du niveau de relecture au coût d'une erreur reste-t-il une pratique courante même avec une extraction automatisée.

Quels champs des documents d'appel d'offres sont les plus difficiles à extraire avec précision pour l'IA ?

Les champs les plus difficiles à extraire avec précision sont ceux figurant dans des documents numérisés ou de mauvaise qualité, ceux dispersés de manière incohérente dans plusieurs annexes au libellé contradictoire, et ceux présentés dans des tableaux à cellules fusionnées ou à mises en page irrégulières qui ne se convertissent pas proprement en texte. Les champs exigeant du jugement plutôt qu'une lecture littérale, comme une pondération d'évaluation non énoncée à déduire d'un texte suivi, sont également considérablement moins fiables que les champs énoncés de manière explicite et claire.

Partager cet article

Reference