Combien d’erreurs de préparation commencent par une simple confusion entre 10 unités et 10 cartons ? Dans la distribution B2B, les clients expriment rarement leurs besoins selon une logique parfaitement standardisée. Ils parlent de palettes, de colis, de lots, de sacs ou de cartons, parfois avec des libellés propres à leur entreprise. Pour réduire cette charge, nous montrons comment automatiser la saisie des commandes avec l’IA tout en conservant la maîtrise des quantités réellement à préparer.
La difficulté ne réside donc pas uniquement dans la lecture d’un e-mail ou d’un PDF. Elle concerne surtout l’interprétation commerciale de la demande, la correspondance avec les unités gérées dans l’ERP et le calcul de la quantité physique à expédier. Une conversion de conditionnement dans les commandes par IA doit être fiable, traçable et compatible avec les règles propres à chaque client.
Un client peut demander « 12 cartons », tandis que l’ERP gère l’article en unités de base. Si chaque carton contient 24 pièces, la commande représente 288 unités à réserver, préparer et facturer. La conversion devient encore plus sensible lorsque plusieurs niveaux coexistent, par exemple une pièce, un carton de 12, une caisse de 4 cartons et une palette de 20 caisses.
Le conditionnement peut aussi modifier le prix, le minimum de commande, le poids transporté ou la règle de préparation. Une palette complète n’est pas toujours interchangeable avec plusieurs cartons, notamment lorsque les stocks sont répartis sur plusieurs dépôts. Une fiche article correctement structurée doit donc contenir les unités de mesure, les conditionnements, les dimensions et les paramètres logistiques utiles à la commande.
Dans la pratique, une erreur à ce stade produit des effets en chaîne. Une quantité sous-évaluée peut provoquer une rupture ou un reliquat inattendu. Une quantité surestimée peut entraîner une préparation excessive, un retour, une immobilisation de stock ou un litige avec le client. Pour un grossiste ou un distributeur, la conversion de conditionnement est ainsi une règle métier, et non un simple détail de saisie.
Les outils d’automatisation fondés sur des modèles fixes savent repérer une colonne « quantité » ou une référence placée à un endroit précis. Ils rencontrent davantage de difficultés lorsque le client écrit « 3 palettes du produit habituel », « 5 cartons complets » ou « 2 lots comme la dernière fois » dans le corps d’un e-mail.
Le problème vient du fait que l’information utile est souvent répartie entre plusieurs éléments. Le produit apparaît dans une pièce jointe, le conditionnement dans le message, le ratio dans l’historique du client et la règle de facturation dans l’ERP. Une extraction classique peut lire chaque fragment sans comprendre qu’ils décrivent une seule ligne de commande.
La situation se complique encore lorsque deux clients utilisent le même mot pour désigner des réalités différentes. Chez l’un, un carton contient 6 unités ; chez l’autre, il en contient 12. Une automatisation fiable doit donc tenir compte du client, du produit, du dépôt, de la date de validité et du catalogue de référence. Pour approfondir le traitement des flux reçus par e-mail, nous expliquons aussi comment automatiser le traitement des commandes par email sans imposer de nouveau canal aux acheteurs.
Une automatisation des commandes par IA commence par l’analyse du document dans son ensemble. Le système identifie le client, la référence, la quantité, l’unité demandée et les éventuelles indications complémentaires. Il peut traiter le texte libre d’un e-mail, un PDF, un fichier Excel ou une image, puis réunir les informations dans une structure exploitable.
La deuxième étape consiste à rapprocher la formulation reçue de la fiche article de l’ERP. Le moteur recherche la référence exacte, mais aussi les désignations utilisées par le client, les références internes, les abréviations et les habitudes de commande. Si le client écrit « caisse de 48 » alors que le catalogue utilise « palette 48 unités », l’objectif est d’identifier la correspondance sans inventer une donnée absente.
La troisième étape applique le ratio connu. Si une ligne indique 8 cartons et que chaque carton contient 12 unités, la quantité de base devient 96 unités. Le résultat peut ensuite alimenter la réservation de stock, la préparation, la tarification et l’export de la commande. Dans un cas d’intégration Sage, les références, conditionnements, stocks et tarifs ont été repris depuis l’ERP, ce qui illustre l’importance d’un référentiel article cohérent pour automatiser les échanges.
Chez VistaFlow, nous combinons l’extraction documentaire, la reconnaissance des références et l’historique des commandes. Notre interface permet de superviser les quantités et les conditionnements avant l’export. Nous décrivons cette logique plus largement dans notre article consacré à la saisie automatique des commandes.
Une conversion réussie ne se limite pas à multiplier une quantité par un coefficient. Il faut d’abord vérifier que le conditionnement demandé existe bien pour la référence concernée. Un même produit peut être vendu en pièces, en cartons ou en palettes, mais toutes les combinaisons ne sont pas nécessairement autorisées.
Le système doit ensuite contrôler la cohérence du résultat. Une commande de 3 palettes peut être techniquement valide, mais incompatible avec le stock disponible, le minimum de livraison ou la capacité de préparation du site. Si le client commande une fraction de palette, l’entreprise doit savoir si elle peut expédier des cartons incomplets ou si une validation commerciale est obligatoire.
Cette logique de contrôle est particulièrement importante dans les environnements multi-enseignes et multisites. Un ratio peut varier selon le dépôt, le fournisseur ou la période de validité d’un emballage. Dans notre approche, les cas incertains restent visibles dans une interface de validation humaine. L’objectif n’est pas de masquer l’incertitude, mais de concentrer l’attention de l’ADV sur les exceptions qui présentent un véritable risque opérationnel.
Le contexte logistique français montre d’ailleurs que le conditionnement est lié à des opérations plus larges que la seule saisie. Dans son rapport annuel 2025 publié en 2026, STEF décrit notamment des investissements dans la mécanisation et l’automatisation des préparations à la couche et au colis. Cela rappelle qu’une donnée de commande fiable doit rester cohérente avec les réalités de stockage, de préparation et d’expédition.
Le premier bénéfice est la fiabilité de la quantité transmise à l’ERP. Lorsque la conversion est calculée automatiquement à partir du référentiel et des règles client, l’ADV n’a plus à rechercher manuellement le nombre d’unités par carton ou par palette pour chaque commande.
Le deuxième bénéfice concerne la continuité du flux. L’IA peut extraire les données du message et de ses pièces jointes, les rapprocher des références connues, puis préparer la commande pour validation. L’équipe ne ressaisit pas les mêmes informations dans plusieurs outils. Elle contrôle le résultat plutôt qu’elle ne le reconstruit intégralement.
Le troisième bénéfice est commercial. Une commande correctement convertie est préparée avec moins d’allers-retours, les stocks sont mieux reflétés et le client reçoit une réponse plus cohérente. Dans le cadre de notre solution, les clients constatent généralement entre 40 % et 80 % de temps gagné sur le traitement global des commandes, selon les volumes, les formats reçus et le niveau de validation nécessaire.
Cette organisation ne supprime pas le rôle de l’ADV. Elle le recentre sur les références ambiguës, les demandes particulières, les ruptures, les substitutions et la relation client. Nous détaillons cette approche dans notre guide sur le traitement automatique des commandes pour l’ADV.
La première condition est la qualité du référentiel produit. Les fiches articles doivent préciser les unités de base, les conditionnements autorisés, les ratios, les règles de vente et, si nécessaire, les variations par client ou par site. Une IA peut interpréter une demande, mais elle ne peut pas déduire de façon fiable un ratio qui n’est jamais défini dans les données de l’entreprise.
La deuxième condition est la traçabilité. Chaque conversion devrait conserver la demande d’origine, la référence retenue, le conditionnement reconnu, le calcul appliqué et la personne ayant validé une éventuelle correction. Cette piste permet de comprendre rapidement pourquoi une commande a été convertie en telle quantité et de corriger le référentiel si une règle métier évolue.
La troisième condition est l’intégration avec l’ERP. Une solution peut être performante à l’extraction tout en restant limitée si elle ne transmet pas les données dans le format attendu par le système de gestion. Chez VistaFlow, nous nous appuyons sur une API sécurisée, SFTP ou des connecteurs natifs, avec un contrôle humain avant l’export final.
La conversion de conditionnement n’oppose pas l’intelligence artificielle et l’expertise humaine. L’IA est adaptée à la lecture de grands volumes, au rapprochement de formulations variées et à l’application répétitive de ratios connus. L’humain reste indispensable lorsque la demande est inhabituelle, que le catalogue comporte plusieurs correspondances ou que l’impact commercial d’une erreur est élevé.
Pour les dirigeants et responsables ADV, le bon indicateur n’est donc pas seulement le taux d’automatisation. Il faut aussi mesurer le taux de lignes converties sans correction, le nombre d’exceptions, les écarts de stock, les retours liés aux quantités et le temps moyen consacré à une validation. Cette approche permet de faire progresser l’automatisation commandes IA sans sacrifier la qualité de service.
Une conversion de conditionnement fiable commence par un référentiel article précis, puis associe compréhension du langage, rapprochement avec l’ERP, calcul du ratio et contrôle des exceptions. Pour un grossiste ou un distributeur, cette chaîne évite les erreurs de quantité, protège la disponibilité des stocks et réduit la ressaisie. L’IA apporte sa valeur lorsqu’elle automatise les cas répétitifs tout en laissant aux équipes le dernier mot sur les demandes sensibles.
Il s’agit de traduire l’unité demandée par le client, par exemple un carton ou une palette, en quantité exploitable par l’ERP et l’entrepôt. Le calcul repose sur un ratio défini pour la référence concernée.
L’OCR convertit une image ou un PDF en texte, mais il ne comprend pas nécessairement le lien entre une référence, une quantité et une unité logistique. Il doit être complété par l’analyse du langage, le rapprochement avec le catalogue et des règles métier.
Elle identifie le produit et le conditionnement demandé, retrouve le ratio applicable dans les données de référence, puis calcule la quantité de base. Si plusieurs interprétations sont possibles, la ligne est signalée pour validation plutôt que convertie automatiquement.
Oui, notamment pour les références nouvelles, les ratios absents, les demandes ambiguës ou les commandes à fort enjeu. Chez VistaFlow, les équipes peuvent contrôler et corriger les données avant leur export final vers l’ERP.
La connexion dépend des interfaces disponibles dans le système de gestion, comme une API, un accès SFTP ou un connecteur natif. Le point essentiel est de vérifier la transmission des références, unités, ratios, prix et quantités converties dans le format attendu par l’ERP.