Toute stratégie d’IA doit aboutir quelque part. Au niveau du conseil d’administration, le bon résultat est large et stratégique : où l’IA s’inscrit dans l’entreprise, ce qu’elle doit changer et jusqu’où aller. Le travail se complique à mesure que cette stratégie se traduit, niveau par niveau, en opérations. Elle doit devenir un flux de travail précis, avec des données d’entrée précises, qui change une décision précise prise un mardi ordinaire. Cette traduction, du sommet à l’établi, est l’endroit où les ambitions en matière d’IA perdent le plus souvent leur élan. C’est aussi là que SmoothOperator.ai est conçu pour agir.
Pour une activité d’infrastructures, les appels d’offres publics sont un choix naturel. Les infrastructures d’usines, la soudure et le génie civil se remportent en grande partie par la commande publique. Le flux d’avis est constant, la capacité de réponse limitée, et chaque offre préparée pour la mauvaise opportunité retire de l’effort à la bonne.
Trouver des appels d’offres n’a jamais été le vrai problème. Le problème est de juger de l’adéquation, car l’adéquation est le point de rencontre de deux choses. D’un côté, les exigences de l’appel d’offres, souvent réparties entre cahiers des charges et annexes. De l’autre, ce que l’entreprise sait faire, a déjà fait et est prête à s’engager à faire, consigné dans des politiques, des référentiels de compétences et des années de propositions passées. Les deux côtés sont profonds, et la décision dépend de leur mise en relation. C’est pourquoi les équipes jugeraient tout système à l’aune d’une série de questions exigeantes :
Fait-il ressortir les appels d’offres qui comptent pour nous, et pas seulement des correspondances de mots-clés ?
Juge-t-il l’adéquation au regard de nos politiques, de nos compétences et de nos références ?
L’équipe des offres peut-elle voir pourquoi un appel d’offres a obtenu sa note ?
La décision go / no-go reste-t-elle entre les mains de nos équipes ?
Nos propositions, nos prix et nos politiques restent-ils sous notre contrôle ?
Pouvons-nous le réutiliser pour la décision suivante, et pour la prochaine entreprise du portefeuille ?
L’approche : du sommet à l’établi, un niveau à la fois
Comparer ouvertement les options. Nous sommes partis de la stratégie, pas de la technologie. Nous avons structuré l’ambition en feuilles de route de mise en œuvre alternatives, aux côtés des options déjà sur la table : les technologies traditionnelles en place dans l’entreprise et des propositions alternatives. En les comparant côte à côte, le CTO a choisi une approche progressive fondée sur les processus métier. La qualification des appels d’offres est devenue l’un de ses cas d’usage de validation de concept.
Impliquer les bonnes personnes à chaque niveau. Le CTO était le relais vers l’entreprise. Les personnes qui trient les appels d’offres et préparent les offres sont intervenues aux étapes où leur jugement comptait. Le flux de travail est ainsi resté ancré dans la façon dont les opportunités sont réellement évaluées, et non dans celle qu’imagine un document de stratégie.
Construire ce que l’entreprise n’avait fait qu’imaginer. L’équipe savait comment elle voulait noter les opportunités mais ne l’avait jamais mis en place. Nous avons transformé cette intention en flux de travail opérationnel. Le prototype récupère les avis d’appels d’offres publics et permet de les rechercher par catégorie d’activité et par période, de sorte que le flux d’opportunités est filtré avant que quiconque ait à le lire.
Une évaluation, trois niveaux de détail. Le prototype produit trois livrables à partir de la même évaluation. La note go / no-go étaye la décision sur un appel d’offres donné. Le classeur de notation montre à l’équipe des offres comment chaque note a été obtenue. La synthèse du pipeline donne à la direction une vue d’ensemble des opportunités. La stratégie descend dans l’organisation, et l’information remonte sous la forme dont chaque niveau a besoin.
L’adapter à cette entreprise. Des principes génériques peuvent indiquer si un appel d’offres est bien construit et globalement attractif. Seul le savoir propre de l’entreprise peut dire s’il lui correspond. Nous avons identifié les données d’entrée qui font la différence : les politiques de l’entreprise, ses propositions passées et les informations sur ses compétences.
Comment la plateforme répond aux questions de l’entreprise
| L’entreprise demande | La réponse de la plateforme | Pilier | Dans le prototype |
|---|---|---|---|
| Trouve-t-il les appels d’offres qui comptent ? | Se connecte aux sources d’appels d’offres publics et filtre par catégorie d’activité et par période avant que quiconque ne lise un avis | 5 · Couche d’intégration | Réalisé |
| Juge-t-il l’adéquation à notre activité ? | Intègre les politiques, les référentiels de compétences et les propositions passées dans une base de connaissances sélectionnée sur laquelle s’appuie chaque évaluation | 1 · DataStudio™ | Données d’entrée identifiées |
| L’équipe des offres peut-elle voir pourquoi ? | Relie chaque note à l’exigence, la politique, la compétence ou la proposition passée qui la fonde, et la confronte aux critères de l’entreprise | 3 · TruthFlow™ | Notation sur des principes génériques |
| Chaque appel d’offres est-il noté de la même façon ? | Chaque avis passe par les mêmes étapes, critères et contrôles, et le résultat est présenté au niveau de détail dont chaque lecteur a besoin | 2 · MetaBuilder™ | Réalisé |
| La décision reste-t-elle entre les mains de nos équipes ? | La décision go / no-go passe par une étape d’approbation, avec une trace d’exécution et un journal d’audit | Garde-fous et supervision | Prévu dès la conception |
| Nos propositions et nos prix restent-ils sous notre contrôle ? | Modèles isolés des réseaux extérieurs, déployés dans le périmètre de l’entreprise ; aucun prompt ni document ne quitte le réseau | 4 · Private AI™ | Prévu pour la production |
| Pouvons-nous le réutiliser ? | Le même socle sert le cas d’usage suivant et la prochaine entreprise du portefeuille, chacun avec son propre savoir | La plateforme | — |
Le prototype a fonctionné sur des avis d’appels d’offres publics, qui ne présentent aucun risque de confidentialité. Le savoir qui rend l’évaluation propre à l’entreprise est une autre affaire : les propositions passées, les prix et les politiques internes comptent parmi les informations les plus sensibles qu’une entreprise détient. C’est pourquoi la production est prévue sur Private AI™.
Pourquoi ne pas simplement… ?
Le CTO a pesé de vraies alternatives avant de choisir cette approche, et toute entreprise face à la même décision se posera les mêmes questions.
…continuer avec les alertes d’appels d’offres et les recherches sur les portails ? Elles tiennent leur promesse : elles vous signalent qu’un appel d’offres existe. Notre flux de travail commence de la même manière, par des recherches par catégorie et par date. Mais les alertes s’arrêtent là où le vrai travail commence. Quelqu’un doit encore lire chaque avis, le confronter à ce que l’entreprise peut livrer et décider s’il vaut une offre. Cette lecture est le goulet d’étranglement que l’entreprise voulait supprimer.
…demander à un assistant d’IA généraliste ? Un assistant peut bien résumer un appel d’offres. Juger de l’adéquation est une tâche différente. Il s’agit de confronter les exigences de l’appel d’offres aux politiques, aux compétences et à des années de propositions passées, de manière cohérente, sur un flux constant d’avis. Quand le savoir est à la fois vaste et profond, la recherche standard renvoie ce qui se ressemble, pas ce qui est logiquement lié. Elle ne garantit pas que chaque exigence a été prise en compte, ni que deux appels d’offres ont été notés selon les mêmes critères. Une équipe des offres ne peut pas comparer des notes qui n’ont pas été produites de la même façon.
…le construire en interne ? L’interface est la partie facile. Derrière, il faudrait construire et maintenir le pipeline de connaissances, la recherche structurée, la validation des notes, les permissions, la journalisation d’audit et l’hébergement privé des modèles. Le résultat serait un outil à usage unique, et le cas d’usage suivant repartirait de zéro.
…commencer par un programme d’IA à l’échelle de l’entreprise ? L’ambition du conseil d’administration est le bon point de départ pour la stratégie. Mais un programme qui démarre large peine souvent à atteindre le bureau où se prennent les décisions. Une approche progressive prouve la valeur sur une décision que l’entreprise connaît bien, sur un socle que chaque cas d’usage ultérieur réutilise.
Ce que le prototype a apporté
Le prototype a fait de la qualification des appels d’offres non plus une théorie mais un processus opérationnel : récupération, recherche, notation et trois livrables de revue. Il a donné au CTO quelque chose de concret à évaluer et aux équipes quelque chose de concret sur quoi réagir. Dans le prototype, l’évaluation applique des principes génériques. La plateforme est conçue pour les remplacer par le savoir propre de l’entreprise, afin que les recommandations reflètent la façon dont cette entreprise remporte des marchés.
Le prototype a aussi produit une liste définie du savoir d’entreprise nécessaire à la personnalisation. La plupart des initiatives d’IA s’enlisent parce que personne ne sait dire précisément ce que le système doit savoir de l’entreprise. Celle-ci le peut.
Pourquoi c’est important
Pour les CTO, la qualification des appels d’offres relie l’investissement en IA à une décision commerciale que tout le monde reconnaît : quelles opportunités méritent l’effort de préparation d’une offre. Le conseil d’administration y voit une étape de la stratégie, les équipes la vivent dans leur semaine de travail, et le CTO peut montrer un processus qui fonctionne au lieu d’en décrire un futur.
Pour les secteurs portés par les appels d’offres, comme la construction, les infrastructures industrielles, les services d’ingénierie et les travaux publics, le besoin est partout le même. Trop d’avis, trop peu de capacité de réponse et trop d’enjeux à bien choisir. Ce qui diffère, c’est le savoir de chaque entreprise, et c’est précisément la partie que la plateforme est conçue pour intégrer.
Pour les sociétés d’investissement et d’actionnariat actif, améliorer le fonctionnement des entreprises du portefeuille est le cœur même du métier. Le même socle sert chaque entreprise : préparation des connaissances, construction des flux de travail, liens vers les preuves, gouvernance et Private AI™. Chaque entreprise apporte ses propres politiques, son historique et ses décisions, et chaque nouveau cas d’usage s’appuie sur le précédent.
Nous travaillons en équipe resserrée : expérimentée, proche des décideurs, et concentrée sur un flux de travail à la fois jusqu’à ce qu’il ait fait ses preuves.
De la stratégie au flux de travail : le déroulement d’une collaboration
- Structurer l’ambition en feuilles de route alternatives et les comparer ouvertement aux technologies et propositions alternatives déjà sur la table.
- Choisir un premier cas d’usage lié à une décision métier identifiable, et impliquer ceux qui la prennent.
- Construire ce que l’entreprise voulait sans jamais l’avoir eu, et le prouver sur les données disponibles.
- Identifier le savoir d’entreprise nécessaire : les politiques, l’historique et les compétences qui rendent les recommandations propres à votre entreprise.
- Passer en production sur la bonne infrastructure, avec Private AI™ lorsque ce savoir est commercialement sensible.