IA et mémoire technique : après 30 tests, pourquoi je n’automatise plus la rédaction de A à Z

Pourquoi j’ai voulu automatiser le mémoire technique avec l’IA

Peut-on réellement utiliser l’IA pour rédiger un mémoire technique presque entièrement ? C’est la question à laquelle j’ai essayé de répondre en construisant un outil dédié aux entreprises du paysage.

L’idée de départ était simple : déposer les pièces du DCE, laisser l’IA les analyser, croiser les attentes du marché avec les données de l’entreprise, définir une stratégie de réponse puis générer un mémoire technique presque terminé.

Sur le papier, la promesse était forte : vous déposez votre DCE, vous récupérez un mémoire technique adapté à votre entreprise et au chantier, puis il ne reste plus qu’à le relire et à faire quelques ajustements.

Lorsqu’une entreprise du paysage répond à des appels d’offres, la réalisation du mémoire implique pourtant de parcourir les pièces du DCE, retrouver les critères de notation, identifier les informations importantes, rechercher les données de l’entreprise, adapter la réponse au chantier, rédiger, vérifier et mettre en forme.

Si vous souhaitez revenir sur les bases, j’ai détaillé ces enjeux dans le guide complet du mémoire technique espaces verts.

Une dizaine de prototypes et environ 30 DCE testés

Le premier prototype était relativement simple. Un agent IA recevait les documents du marché, réalisait une synthèse, récupérait du contexte sur l’entreprise puis rédigeait le mémoire technique.

Le résultat était déjà intéressant. Mais pour obtenir quelque chose de suffisamment cadré, il fallait continuellement empêcher l’agent de partir dans certaines directions. Nous n’étions plus seulement en train de lui expliquer ce qu’il devait faire. Il fallait aussi anticiper tout ce qu’il ne devait pas faire.

Les prototypes suivants sont donc devenus beaucoup plus structurés : synthèse détaillée des pièces, questions de cadrage, rapprochement avec la base entreprise, arbitrages, proposition d’axes de stratégie, choix de la stratégie, génération du mémoire, puis édition du document avec l’IA.

J’ai ensuite encore simplifié le processus. L’objectif était de conserver suffisamment de contexte et de cohérence sans transformer la réalisation du mémoire en parcours de vingt étapes.

Au total, j’ai construit une dizaine de versions et utilisé environ 30 DCE issus de vrais marchés. J’ai également essayé plusieurs familles de modèles d’intelligence artificielle, notamment OpenAI, Gemini et Claude.

Le constat était finalement assez constant : ce n’était pas la capacité de l’IA à écrire qui posait le plus gros problème.

Techniquement, l’IA arrive à rédiger le mémoire

Je ne suis pas arrivée à la conclusion que l’IA était mauvaise pour travailler sur des mémoires techniques. Au contraire.

Avec suffisamment de contexte, des instructions précises et une bonne base de données d’entreprise, elle est capable de produire un document structuré et crédible.

La base entreprise fonctionnait particulièrement bien

Une partie de l’outil permettait à l’entreprise d’intégrer ses moyens humains, son matériel, ses références, ses méthodes, ses procédures, ses engagements environnementaux, ses certifications, ses documents internes et ses anciens mémoires techniques.

Les informations pouvaient être ajoutées manuellement ou extraites automatiquement depuis les documents de l’entreprise. Sur mes tests, cette extraction a été l’une des parties les plus convaincantes.

L’IA arrivait à récupérer énormément d’informations et à les structurer de manière exploitable. Ensuite, elle pouvait rapprocher les demandes du marché des moyens réellement disponibles dans l’entreprise.

Par exemple : le client demande tel type d’organisation. Quelles informations possédons-nous dans la base pour y répondre ? Cette contrainte apparaît dans le DCE. Quelles références, procédures ou moyens de l’entreprise pourraient être pertinents ?

C’est puissant. La structure était là, les données entreprise étaient présentes, le contexte du chantier était pris en compte et les attentes du DCE étaient comprises.

Et pourtant, au moment de relire le document, un problème restait : il fallait quand même reprendre beaucoup de choses.

IA mémoire technique : les limites observées sur de vrais DCE

C’est probablement le principal enseignement de tous ces tests : un mémoire bien rédigé n’est pas forcément un bon mémoire.

On peut facilement être impressionné lorsqu’une IA produit plusieurs dizaines de pages en quelques minutes. Le document est propre, les phrases sont fluides, le vocabulaire est professionnel et les informations semblent cohérentes.

Mais le but d’un mémoire technique n’est pas d’avoir du texte. Il doit permettre à l’entreprise de défendre son offre. Chaque partie doit apporter quelque chose. Chaque moyen présenté doit avoir une raison d’être. Chaque argument doit répondre à une attente du maître d’ouvrage.

C’est là que la différence entre rédiger et répondre devient importante. Une IA peut rédiger un paragraphe convaincant sur les moyens matériels. Mais pourquoi mettre ce matériel plutôt qu’un autre ? Pourquoi cette équipe ? Pourquoi cette organisation ? Quelle référence chantier est réellement la plus pertinente ?

L’information implicite reste difficile à capturer

Dans la pratique, énormément de petites subtilités influencent ces choix. Elles ne sont pas toutes contenues dans une base de données.

Une entreprise peut posséder deux machines capables d’effectuer une même tâche. Sur le papier, les deux fonctionnent. Mais le chargé d’études sait peut-être que l’une sera beaucoup plus adaptée en raison de l’accès au chantier, des habitudes de son équipe, du rendement réel observé ou d’une information connue en interne mais jamais formalisée.

L’IA peut proposer. Elle peut comparer. Elle peut ouvrir des pistes. Mais elle ne possède pas automatiquement cette connaissance implicite.

À partir de quand l’IA commence-t-elle à faire perdre du temps ?

C’est la question qui a complètement changé ma manière d’aborder le projet. Le besoin initial des entreprises était clair : gagner du temps et rendre la réponse aux appels d’offres moins pénible.

Mais si le processus consiste à laisser l’IA analyser le DCE, laisser l’IA rédiger le mémoire, relire le DCE pour vérifier que rien n’a été oublié, relire intégralement le mémoire, vérifier les informations, reprendre les critères insuffisamment développés, réécrire certains paragraphes et ajouter les subtilités que l’IA ne connaissait pas, alors il faut se poser une question simple : est-ce que j’ai réellement gagné du temps ?

Reprendre un texte existant n’est pas toujours plus simple que rédiger

Quand une partie générée par l’IA n’est pas satisfaisante, on peut se dire qu’il suffit de la corriger. Mais on ne repart plus d’une page blanche. Le raisonnement proposé par l’IA est déjà devant nous, la structure est déjà là et les arguments sont déjà sélectionnés.

On peut alors avoir tendance à améliorer ce qui existe au lieu de se demander si l’on aurait construit la réponse de cette manière en partant de zéro. Le premier texte devient une sorte de point d’ancrage.

Il existe aussi un risque de confiance excessive

Plus une réponse générée semble professionnelle, plus il est facile de lui accorder du crédit. Pourtant, le chargé d’études reste responsable de ce qu’il dépose.

Selon les marchés, un détail oublié ou une information insuffisamment développée peut faire perdre des points. L’objectif ne devrait donc pas être de supprimer les contrôles humains, mais de les placer aux bons endroits.

Les tâches sur lesquelles l’IA m’a réellement convaincue

Au lieu de demander comment faire réaliser tout le mémoire par une IA, j’ai commencé à me demander sur quelles étapes l’IA apportait réellement plus de valeur qu’elle ne créait de travail supplémentaire.

Et là, les réponses deviennent beaucoup plus intéressantes.

Le but n’est pas forcément de ne plus jamais ouvrir le DCE. Le but est d’avoir une première cartographie beaucoup plus claire du marché, puis de mieux exploiter les informations fiables déjà présentes dans l’entreprise.

Faut-il vraiment un générateur de mémoire technique ?

Il existe de plus en plus de logiciels et d’assistants IA capables de générer du contenu pour des réponses aux appels d’offres. Mais la question à poser n’est pas simplement : est-ce que le logiciel sait générer un mémoire ?

Aujourd’hui, la génération de texte n’est plus une fonctionnalité particulièrement rare. Des outils généralistes peuvent déjà lire des documents, travailler à partir de fichiers et de contexte, analyser des informations et aider à produire des documents.

Le vrai sujet devient donc : qu’est-ce que l’outil métier apporte en plus ?

Une interface supplémentaire ne suffit pas

À mes yeux, un outil spécialisé devient réellement intéressant s’il apporte une méthode adaptée aux appels d’offres, une base entreprise structurée, des points de contrôle pertinents, des analyses spécialisées, des rapprochements entre plusieurs sources, un processus clair et des automatisations qui évitent réellement des tâches.

Sinon, le risque est simplement de mettre un chatbot derrière une nouvelle interface. Ce n’est pas forcément inutile. Mais ce n’est pas non plus une transformation profonde du travail du chargé d’études.

La bonne question : combien de travail l’outil m’évite-t-il réellement ?

Un outil capable de générer 30 pages en quelques minutes semble impressionnant. Mais un outil qui vous évite une heure de lecture du DCE, trente minutes de recherche d’informations, une incohérence oubliée, une mauvaise décision de réponse ou plusieurs copier-coller depuis d’anciens documents peut finalement avoir beaucoup plus de valeur.

Le processus que je construirais aujourd’hui

Si je repartais aujourd’hui de zéro, je ne construirais donc plus un générateur de mémoire technique autonome. Je construirais un copilote pour le chargé d’études.

Une base entreprise fiable

Toutes les informations utiles sont centralisées et structurées : moyens, équipes, matériels, méthodes, références, procédures, engagements, certifications et données spécifiques. Une information obsolète ne doit pas continuer à alimenter les futurs mémoires.

Une analyse approfondie du DCE

L’IA analyse les pièces et prépare une synthèse, les exigences importantes, les critères, les incohérences, les points de vigilance, les informations administratives utiles et les questions restant sans réponse.

Un Go / No-Go assisté

Les exigences du marché sont comparées aux critères de l’entreprise. L’outil ne dit pas simplement “oui, répondez”. Il explique pourquoi le marché semble compatible avec les capacités disponibles et quels points doivent être arbitrés.

Une stratégie validée par l’humain

L’IA rapproche les attentes du marché et les forces de l’entreprise. Elle propose. Le chargé d’études décide. C’est à ce moment-là qu’il peut ajouter ce qui ne figure dans aucune base : son expérience, ses choix techniques, ses habitudes, les particularités de son équipe ou sa connaissance du terrain.

Une co-rédaction critère par critère

Au lieu de générer immédiatement tout le document, l’IA accompagne la rédaction des parties importantes. Le chargé d’études précise les choix, puis l’IA peut structurer, reformuler, compléter à partir des données disponibles, vérifier la cohérence et proposer des améliorations.

Un contrôle final DCE / mémoire

Avant dépôt, un dernier contrôle croisé permet d’identifier les critères oubliés, les incohérences, les engagements risqués, les informations non justifiées ou les éléments du DCE qui n’ont pas été repris. Puis l’humain effectue la validation finale.

Humain + IA : probablement le meilleur compromis aujourd’hui

J’ai commencé ce projet en essayant de réduire au maximum l’intervention humaine. Au fur et à mesure des tests, j’ai finalement fait l’inverse : j’ai cherché les endroits où l’intervention humaine apportait le plus de valeur.

Automatiser davantage n’est pas automatiquement mieux. Il faut automatiser ce qui mérite de l’être.

Pour un mémoire technique, l’IA est excellente pour lire, comparer, rechercher, structurer, rapprocher des informations et proposer des pistes.

L’humain reste excellent pour arbitrer, contextualiser, apporter son expérience, comprendre les subtilités de son entreprise et décider de la réponse qu’il veut réellement défendre.

Et chez Paysaflow ?

Cette réflexion correspond finalement à la manière dont j’aborde aujourd’hui l’automatisation dans les entreprises du paysage. Je ne cherche pas à remplacer un processus entier simplement parce que l’IA peut techniquement exécuter certaines de ses tâches.

Je cherche d’abord à comprendre où l’entreprise perd du temps, où l’information se disperse, quelles tâches sont réellement répétitives, quelles décisions nécessitent encore une expertise humaine et quels outils peuvent fluidifier tout le processus.

Pour les mémoires techniques, cela peut passer par une analyse automatisée des DCE, une base entreprise interrogeable, une aide au Go / No-Go, un travail sur la stratégie ou des contrôles avant dépôt. Pas forcément par un bouton “générer mon mémoire”.

Si vous souhaitez travailler de cette manière sur votre processus de réponse aux appels d’offres, vous pouvez découvrir comment Paysaflow aide les entreprises du paysage à gagner du temps.