Guides par métier5 min de lecture

Comparer les offres fournisseurs avec l'IA sans masquer les manques de preuves

Un workflow achats pour cartographier les réponses fournisseurs dans une matrice de preuves unique, sans inventer d'équivalences ni combler les lacunes.

Bokili EditorialPublié le 4 novembre 2026· Vérifié le 4 novembre 2026

Trois offres fournisseurs reportées dans une grille d’évaluation unique, avec les preuves manquantes laissées visibles pour l’examen humain

Une offre fournisseur peut sembler complète : titres soignés, affirmations confiantes, vocabulaire calqué sur l'appel d'offres. C'est là que la comparaison assistée par IA peut échouer. Le modèle risque de présenter trois réponses comme équivalentes, même si l'une fournit des preuves, l'autre une promesse et la dernière reste muette.

Les équipes achats peuvent utiliser l'IA pour organiser des réponses longues, mais pas pour inventer une comparabilité. Le résultat utile est une matrice de preuves qui applique des critères fixes, relie chaque observation à la réponse du fournisseur et laisse les lacunes visibles. Le jury d'évaluation conserve la maîtrise du jugement, des demandes de clarification et de la recommandation d'attribution.

Fixez les règles avant que l'IA ne voie les offres

Les directives commerciales du gouvernement britannique stipulent que les critères de sélection des fournisseurs et la méthode d'évaluation doivent être établis avant l'appel d'offres. Elles précisent que les propositions doivent être évaluées selon ces critères, avec un soutien interfonctionnel et sans conflits d'intérêts. De même, le Procurement Act considère les critères d'attribution et la méthode d'évaluation comme la base de l'analyse des offres.

Ce principe s'applique au-delà des marchés publics. Si un outil d'IA déduit les critères de l'offre la plus convaincante, la comparaison s'adapte aux preuves fournies. Figez d'abord les questions, barèmes, pondérations, preuves requises et conditions d'échec. N'utilisez ensuite un environnement IA approuvé que pour l'extraction et l'organisation.

La matrice de preuves CLEAR

C — Critères définis

Définissez les critères, la grille de notation et les preuves requises avant de traiter toute offre.

L — Lien vers la réponse

Ancrez chaque observation à une section, une page, un tableau ou un court extrait de la réponse du fournisseur.

E — Écarts visibles

Signalez explicitement tout élément manquant, ambigu ou hors sujet. Une cellule vide doit rester vide.

A — Appliquer une norme

Utilisez les mêmes questions, format de réponse et règles de preuve pour chaque fournisseur.

R — Réserver le jugement humain

Laissez le jury vérifier les preuves, gérer les clarifications et valider chaque note et recommandation.

Workflow IA en 5 étapes pour comparer les offres

Du dossier de réponse à la matrice d'analyse

1
1. Créer la matrice vierge
Créez les lignes à partir des critères publiés et des colonnes : ancre de preuve, affirmation du fournisseur, lacune, statut de clarification et note.
2
2. Traiter un fournisseur à la fois
Fournissez à l'outil approuvé le texte du critère et seulement les sections pertinentes de la réponse. Demandez une extraction, pas une note.
3
3. Conserver le texte source
Conservez un court extrait et sa source à côté de chaque résumé. N'autorisez pas le modèle à renforcer des termes comme « peut », « prévoit de » ou « a l'intention de ».
4
4. Répéter la même requête
Utilisez la même instruction et le même schéma de sortie pour chaque offre. Enregistrez tout problème d'analyse au lieu d'improviser.
5
5. Vérifier avant d'évaluer
Un spécialiste des achats vérifie chaque ancre et chaque lacune. C'est seulement ensuite que le jury applique la méthode de notation publiée.

L'outil ne doit pas décider si une phrase vague mérite des points. Il doit aider l'équipe à voir que la phrase est vague. Séparez l'extraction et l'évaluation pour qu'un résumé soigné ne devienne pas une note officieuse.

Exemple concret : trois offres de service support

Imaginons un appel d'offres fictif demandant de prouver la gestion d'incidents hors horaires ouvrés (couverture, délai de réponse, procédure d'escalade). L'offre A garantit un support 24/7 pour les incidents prioritaires, avec un délai de réponse de 30 minutes et un tableau d'escalade. L'offre B promet un « support complet à la demande » sans préciser de délai ni de procédure. L'offre C fournit un planning du soir et un délai de deux heures, mais ne mentionne pas les week-ends.

Lire, c'est bien. Pratiquer, ça change tout.

Commencer

	Offre A	Offre B	Offre C
Couverture	24 h/24, 7 j/7, avec source	Support complet affirmé ; périmètre flou	Soirées indiquées ; week-ends absents
Délai de réponse	30 minutes	Non indiqué	Deux heures
Preuve d’escalade	Tableau d’escalade nommé	Non indiquée	Astreinte nommée, aucun circuit le week-end
Traitement dans la matrice	Preuve enregistrée	Lacune conservée	Preuve partielle et lacune

Un résumé IA peu pertinent pourrait qualifier les trois offres de « support complet ». CLEAR évite cette simplification. La matrice enregistre ce que chaque fournisseur a réellement fourni et distingue les preuves manquantes d'une mauvaise performance. Si les règles autorisent des clarifications, l'équipe suit cette voie formelle et ne demande pas au modèle de combler les silences.

Utilisez une instruction d'extraction cadrée

Voici une instruction pratique : « Pour ce critère uniquement, extrayez chaque affirmation explicite et sa source dans la réponse. Conservez les nuances. N’attribuez pas de score, ne déduisez pas d’équivalence et ne complétez pas les informations manquantes. Indiquez “non prouvé” lorsque la réponse ne fournit pas l’élément requis. Signalez toute formulation ambiguë pour examen humain. » Conservez des champs de critères et de résultats identiques pour tous les fournisseurs.

Ne collez aucune information confidentielle ou sensible dans un outil non approuvé. Le guide sur l'IA du gouvernement britannique (AI Playbook) insiste sur l'importance d'utiliser le bon outil, de comprendre ses limites, de tester les résultats et de conserver un contrôle humain significatif. Les directives sur la transparence de l'IA dans les marchés publics montrent aussi pourquoi les équipes ont besoin de contrôles explicites lorsque l'IA intervient dans le processus d'achat.

Vérifiez la matrice avant de communiquer un score

Vérifiez un échantillon des résultats positifs, chaque résultat négatif et chaque ligne pouvant modifier le classement. Assurez-vous que la matrice n'a pas fusionné de critères, normalisé d'unités incompatibles ou transformé des projets futurs en capacités actuelles. Notez qui a vérifié chaque ligne et quand. Pour un achat de grande valeur ou à haut risque, suivez les procédures formelles d'assurance, juridiques et commerciales de l'entreprise.

Ce workflow complète les guides Bokili pour créer un registre d'obligations contractuelles sourcées, lier les affirmations marketing à des preuves et transformer les idées en une file d'attente gouvernée de cas d'usage d'IA. La compétence clé est la traçabilité : la structure n'est utile que si un examinateur peut remonter à la source.

Comparaison d'offres : exercice de 10 min

Choisissez un critère fictif et peu sensible, puis définissez les preuves attendues avant de rédiger les réponses.
Rédigez trois courtes réponses fournisseurs : une complète, une vague et une partiellement complète.
Créez une matrice CLEAR vide avec une colonne pour la source et une autre pour les lacunes.
Lancez la même consigne d’extraction sur chaque réponse dans un outil approuvé.
Vérifiez qu’aucune case vide n’est devenue une supposition et qu’aucune nuance n’a été renforcée.
Réécrivez la consigne jusqu’à ce que la matrice préserve chaque lacune, puis enregistrez-la comme modèle d’entraînement métier.

Rendez les écarts analysables

L'IA peut réduire la charge administrative liée à la mise en correspondance de longues propositions dans une structure commune. Elle ne doit pas pour autant faire paraître similaires des preuves différentes. Un workflow d'achat robuste verrouille les critères, préserve la source et rend chaque absence facile à inspecter. Bokili aide les équipes à s'exercer à ces workflows cadrés, basés sur les preuves et adaptés aux rôles, via de courtes missions pratiques avant qu'ils ne deviennent critiques.