Poupin Menuiserie

Cadrer en deux jours d'immersion

• Faisabilité testée sur plusieurs centaines de fichiers réels, avec un coût par document.
• Un écart détecté en séance, devant la direction, avant qu'une ligne du service soit écrite.
• Restitution écrite le jour même, avec ce que le service contrôle, ce qu'il signale et ce qu'il ne contrôlera pas.

Étude des formats avec l'IA générative

Les formats et les règles de lecture ont été dégagés de plusieurs milliers d'accusés de réception avec l'IA générative, en phase d'étude, sur un volume impossible à traiter à la main.

Lecture déterministe à la place du LLM prévu

Le devis prévoyait un LLM pour une étape. Sur les documents réels, le banc de mesure a montré que le modèle inventait des valeurs plausibles, sans prévenir. Dans un outil de contrôle, une fausse lecture écrit un mauvais montant. J'ai retiré le LLM du service livré : à l'exécution, aucun modèle génératif n'intervient.

• Lecture déterministe : XML fournisseur, puis texte du PDF, puis OCR local, chaque lecture vérifiée contre l'ERP.
• Un document n'est rattaché à une commande que si trois clés concordent. Sinon, un humain tranche, avec la raison affichée.

En service en quatre semaines

• Plus de neuf accusés sur dix rattachés automatiquement sur le courrier réel, aucun faux rattachement constaté.
• Les écarts de montant, de délai et de produit partent à l'acheteur concerné.

Mise en production par paliers

Simulation, puis revue des traces avec le client, puis écriture réelle dans l'ERP. Chaque palier a demandé son accord écrit avant de toucher ses données de production.

Un service maintenu par le développeur interne

• Code intégré dans le dépôt NestJS du développeur interne, à sa demande.
• Règles fournisseurs dans des fichiers lisibles : ajouter un fournisseur ne demande pas de toucher au code.
• Service installé sur un poste verrouillé, sans droits d'administration, plutôt que sur un serveur dont d'autres dépendent.

Stack technique