Assistant IA rédaction devis & offres

Problème : Ce bureau d'études technique passait en moyenne 4 heures par devis : recherche de références, rédaction des descriptifs, calcul des métrés et mise en forme. Les ingénieurs souhaitaient utiliser l'IA pour accélérer le processus, mais la direction refusait tout envoi de données confidentielles vers ChatGPT ou des services cloud. Solution : Nous avons déployé un modèle LLM open source (Mistral) dans l'infrastructure du client, connecté à sa base de devis historiques et à son référentiel technique. L'assistant génère des ébauches de devis à partir d'un brief, propose des descriptions techniques issues de projets similaires et pré-remplit les tableaux de métrés. Tout reste en local. Résultat : Le temps moyen de rédaction d'un devis est passé de 4h à 1h20. Aucune donnée confidentielle ne quitte l'infrastructure du client. Les ingénieurs se concentrent sur la valeur ajoutée technique plutôt que sur la rédaction. Le taux de réponse aux appels d'offres a augmenté de 35 %.

Problème

Ce bureau d'études technique passait en moyenne 4 heures par devis : recherche de références, rédaction des descriptifs, calcul des métrés et mise en forme. Les ingénieurs souhaitaient utiliser l'IA pour accélérer le processus, mais la direction refusait tout envoi de données confidentielles vers ChatGPT ou des services cloud.

Solution mise en oeuvre

Nous avons déployé un modèle LLM open source (Mistral) dans l'infrastructure du client, connecté à sa base de devis historiques et à son référentiel technique. L'assistant génère des ébauches de devis à partir d'un brief, propose des descriptions techniques issues de projets similaires et pré-remplit les tableaux de métrés. Tout reste en local.

Résultat obtenu

Le temps moyen de rédaction d'un devis est passé de 4h à 1h20. Aucune donnée confidentielle ne quitte l'infrastructure du client. Les ingénieurs se concentrent sur la valeur ajoutée technique plutôt que sur la rédaction. Le taux de réponse aux appels d'offres a augmenté de 35 %.

Pourquoi ce cas compte pour une PME

Ce cas illustre comment un cadrage précis, un outillage adapté et une mesure explicite des gains transforment un besoin métier en résultat exploitable pour une PME.

En bref

Powehi a déployé un LLM open source (Mistral) dans l'infrastructure d'un bureau d'études, connecté à sa base de devis historiques. L'assistant génère des ébauches de devis, propose des descriptions techniques et pré-remplit les métrés, le tout en local, sans fuite de données. Résultat : temps de rédaction divisé par 3, taux de réponse aux appels d'offres augmenté de 35 %.

Indicateurs publiés

Temps de rédaction d'un devis: ÷ 3 · Données envoyées à l'extérieur: 0

Technologies

Mistral AI · RAG · PostgreSQL · Docker · API interne

Repères pour évaluer ce cas

Pour transposer ce retour d'expérience, vérifiez le contexte initial, le périmètre réellement livré, les responsabilités de maintenance et les indicateurs disponibles. La valeur d'une solution dépend autant de son adoption par l'équipe que de sa technologie. Cette grille aide à comparer le problème traité avec votre propre situation avant de lancer un prototype ou une intégration.