Automatisation des appels d'offres BTP : 8-14h gagnées par AO pour un constructeur romand

TL;DR

• Contexte : entreprise générale de construction romande, ~40 collaborateurs, mix marché public + privé
• Problème : qualification et préparation d'appels d'offres (publics SIMAP + privés) extrêmement chronophages
• Solution : workflow IA d'analyse de dossier d'appel d'offres + générateur d'extraits techniques sur la base des projets passés
• Résultat type : entre 8 et 14 heures gagnées par appel d'offres, +20% de réponses soumises à effectif constant

Note : exemple représentatif anonymisé basé sur nos missions types BTP/construction en Suisse romande. Données illustratives.

Le contexte

Une entreprise générale de construction romande de taille moyenne (40 collaborateurs, dont 6 chargés d'affaires + 4 ingénieurs métré) répond chaque année à environ 60 à 100 appels d'offres :

• ~60% appels d'offres publics (publiés sur SIMAP — la plateforme officielle suisse des marchés publics)
• ~40% sollicitations privées (promoteurs, propriétaires, régies)

Le pain point chronophage : chaque appel d'offres demande 12 à 30 heures de préparation avant même la phase chiffrage technique :

1. Lecture et synthèse du cahier des charges (souvent 80-300 pages)
2. Identification des exigences spécifiques (qualifications requises, certifications, délais, pénalités, conditions de paiement)
3. Constitution du dossier administratif (extrait registre du commerce, attestations AVS/LPP/SUVA, références…)
4. Rédaction du mémoire technique (méthode, références projets similaires)
5. Pré-évaluation : "vaut-il le coup de répondre ?" (taux de win réaliste vs. coût de la réponse)

Sur les 100 appels, environ 30% sont effectivement répondus, ~10% gagnés. Beaucoup d'énergie part en pure qualification.

La solution déployée

Mission cadrée en 8 semaines.

Phase 1 — Diagnostic

Cartographie des 5 dernières années d'appels d'offres traités : distribution par taille de marché, par type d'ouvrage (logement, tertiaire, rénovation, génie civil), par maître d'ouvrage. Croisement avec le taux de transformation (réponses gagnées / réponses soumises).

Insight clé : certaines combinaisons (taille, type, maître d'ouvrage) avaient un taux de win > 25%, d'autres < 5%. Une grille de pré-qualification pouvait éliminer 30% des appels d'offres "à perte".

Phase 2 — Build (6 semaines)

Stack technique : pipeline LLM (Claude 3.5 Sonnet ou Mistral selon données client), base vectorielle des dossiers passés (mémoires techniques + comptes-rendus de chantier), connecteur SIMAP (scraping légal de la plateforme officielle), workflows n8n pour orchestration.

Module 1 — Analyse automatique de dossier

• Upload du PDF du cahier des charges (souvent en 1 fichier de 100+ pages)
• Sortie en 5 minutes :
  • Synthèse en 1 page (objet, montant estimé, délais, critères d'attribution)
  • Liste des exigences obligatoires (certifications, références minimales, qualifications)
  • Liste des points d'attention (clauses de pénalité, délais courts, garanties exigées)
  • Score de pertinence : "vaut-il le coup de répondre ?" sur la base des critères calibrés sur l'historique

Module 2 — Générateur de mémoire technique

• Indexation de tous les mémoires techniques passés et des comptes-rendus de chantier
• Génération automatique d'un brouillon de mémoire technique basé sur :
  • Les exigences identifiées dans le module 1
  • Les références projet similaires retrouvées dans la base
  • Les méthodes décrites dans des mémoires gagnants
• L'humain (chargé d'affaires) édite, valide, contextualise — il ne part plus de la page blanche

Module 3 — Dossier administratif

• Bibliothèque centralisée des attestations à jour (AVS/LPP/SUVA, casier)
• Génération automatique du dossier admin pour l'appel d'offres concerné

Phase 3 — Adoption

• Formation 6h sur deux sessions (chargés d'affaires + assistant administratif)
• Co-construction de la grille de pré-qualification avec le directeur (calibrée sur 5 ans d'historique)
• Pilote sur 10 appels d'offres avant rollout

Les résultats (illustratifs)

Après 6 mois en production :

• ⏱️ Temps préparation par appel d'offres : entre 8 et 14 heures économisées (sur 12-30h initiales selon complexité)
• 📊 Volume de réponses soumises : +20% à effectif constant (capacité de traiter plus d'opportunités)
• 🎯 Taux de win : maintenu (~10%) — l'IA ne "remplace" pas la qualité du chiffrage métier, elle libère du temps pour mieux le faire
• 💼 Pré-qualification éliminée : ~30% des appels d'offres écartés en 15 minutes au lieu de 4-8h (le score de pertinence est calibré strict)
• 📚 Activation du capital expérience : les mémoires techniques s'enrichissent en continu, et les nouveaux chargés d'affaires accèdent aux meilleurs précédents en 30 secondes

Effet qualitatif important : les chargés d'affaires sont moins "épuisés" en fin de cycle d'appels d'offres. La fatigue cumulée sur des semaines de soumissions impacte la qualité — le projet a libéré de la bande passante mentale.

Ce qu'on a appris

1. L'IA générative sur cahier des charges PDF a ses limites. Les plans techniques (DWG, IFC) restent du domaine de l'ingénieur — le module 1 traite le textuel, pas le graphique.
2. La grille de pré-qualification a été le sujet politique du projet. "Refuser de répondre" est culturellement difficile dans le BTP. Il a fallu plusieurs réunions avec le directeur pour calibrer le seuil et trouver un accord.
3. L'intégration SIMAP demande de la rigueur. La plateforme officielle change ses formats régulièrement. On a prévu un budget de maintenance ~10% du build sur la première année — utile.

Vous êtes une entreprise générale ou un bureau d'études en Suisse romande ?

Le pattern s'applique aussi à : architectes (qualification de concours), bureaux techniques (réponses à AO publics), entreprises spécialisées en CVS/électricité (sous-traitance d'AO complexes).

Diagnostic gratuit 60 min : on identifie ensemble si l'automatisation de votre pipeline d'appels d'offres a un ROI réaliste pour votre volume.