1 février 2025
Développement d'un agent IA qui lit et analyse automatiquement les emails entrants d'un transporteur routier, en extrait les informations clés (expéditeur, destinations, marchandises, dates, contraintes) et les injecte directement dans le TMS (Transport Management System). La solution combine OpenAI et Mistral pour le traitement du langage naturel, avec un pipeline Python connecté au système d'information existant.
Le défi
Ce transporteur routier régional reçoit quotidiennement des dizaines d'emails de clients contenant des demandes de transport. Chaque email contient des informations variées : adresses d'enlèvement et de livraison, nature et poids des marchandises, dates souhaitées, contraintes spécifiques (température, ADR, horaires de livraison). Ces informations arrivent dans des formats libres — texte brut, tableaux, pièces jointes — et doivent être interprétées puis ressaisies manuellement dans le TMS par les exploitants. Ce processus chronophage génère des erreurs de saisie, retarde la prise en charge des commandes et mobilise des compétences humaines sur des tâches à faible valeur ajoutée.
Notre approche
Nous avons développé un agent IA en Python qui se connecte à la boîte email de l'entreprise via IMAP et analyse chaque message entrant. Le pipeline de traitement combine deux modèles de langage — OpenAI pour l'extraction structurée des données et Mistral pour la classification et la validation croisée. L'agent identifie automatiquement les champs clés de chaque demande : expéditeur, destinataire, adresses, nature des marchandises, dates, contraintes spécifiques. Les données extraites sont formatées selon le schéma du TMS et injectées directement via son API. Un système de scoring de confiance permet à l'agent de signaler les cas ambigus aux exploitants pour validation manuelle avant intégration, garantissant la fiabilité du processus.
Résultats
Suppression de la saisie manuelle des demandes de transport reçues par email. Les informations sont extraites, structurées et injectées automatiquement dans le TMS. Les exploitants ne traitent plus que les cas signalés comme ambigus par le système de scoring de confiance. Le temps de traitement par demande passe de plusieurs minutes de saisie manuelle à une injection automatique avec validation en un clic.
Stack technique
Pourquoi deux modèles de langage
L'utilisation combinée d'OpenAI et Mistral répond à un besoin de fiabilité. OpenAI excelle dans l'extraction structurée de données à partir de texte libre, tandis que Mistral apporte une couche de validation et de classification complémentaire. Cette approche multi-modèles permet de croiser les résultats et d'identifier les cas où l'extraction est incertaine, réduisant ainsi les erreurs d'interprétation sur des données critiques comme les adresses ou les contraintes de transport.
Intégration avec le TMS existant
Le pipeline IA se connecte directement au TMS (Transport Management System) du transporteur via son API. Les données extraites des emails — expéditeur, destinataire, adresses de chargement et déchargement, nature des marchandises, dates et contraintes — sont formatées selon le schéma attendu par le TMS et injectées automatiquement. Cette intégration native évite toute double saisie et garantit la cohérence entre les données email et le système de gestion.
Scoring de confiance et boucle d'amélioration
Chaque extraction est accompagnée d'un score de confiance. Au-dessus d'un seuil défini avec le client, l'injection dans le TMS est automatique. En dessous, l'exploitant est alerté pour validation manuelle. Chaque correction manuelle alimente un jeu de données qui sert à affiner les prompts et les règles d'extraction. Cette boucle d'amélioration continue permet au système de gagner en précision au fil du temps sur les cas spécifiques au métier du transporteur.
Solution technique livrée
Le système livré comprend un agent Python connecté à la boîte email de l'entreprise via IMAP, un pipeline de traitement combinant OpenAI (extraction structurée) et Mistral (classification et validation croisée), une intégration directe avec l'API du TMS pour l'injection automatique des ordres de transport, un scoring de confiance par extraction avec seuil configurable, et un tableau de bord de suivi pour les exploitants. L'agent fonctionne en continu et traite les emails entrants sans intervention humaine pour les cas dont le score de confiance dépasse le seuil.
Un projet similaire en tête ?
Discutons de votre besoin en Agent IA Entreprise. Notre équipe vous accompagne de la conception au déploiement.
Approfondissez le sujet
IA et lecture d'emails dans le transport : intégration TMS
Comment l'IA analyse et extrait automatiquement les données des emails pour alimenter le système de gestion transport.
Lire l'article complet →
Les exploitants passaient une partie de leur journée à relire les emails clients et à ressaisir les informations dans le TMS. L'agent IA fait ce travail automatiquement : il lit l'email, extrait les données de transport et les injecte dans le système. Les exploitants n'interviennent plus que sur les cas ambigus signalés par le scoring de confiance.
Un projet similaire ?
Discutons de votre besoin et voyons comment nous pouvons vous aider.