Cas réel : une direction achats reçoit chaque mois 11 exports Excel provenant de 11 usines. Claude, l'assistant IA d'Anthropic, accélère l'analyse. Mais il ne peut pas deviner de façon fiable des règles métier qui ne figurent dans aucun des 11 fichiers. Le bon premier outil n'est pas un agent. C'est un import propre.
Consolidation_achats_mensuelle.xlsx
Données fictives · illustration synthétique
| Site | Fichier source | Fournisseur | Indicateur | Période | Devise | Montant | Contrôle |
|---|---|---|---|---|---|---|---|
| Usine 01 | ERP-A_JUN.xlsx | Fourn. Alpha | Spend YTD | YTD | EUR | 128 400 | OK |
| Usine 02 | ERP-B_2026.xlsx | Fourn. Beta | Annual Budget | Annuel | PLN | 420 000 | À convertir |
| Usine 03 | SPEND_M06.csv | Fourn. Delta | PPV | Mois ? | USD | -18 900 | Période ? |
| Usine 04 | AOP_export.xlsx | Fourn. Sigma | Savings | YTD | Local | 31 200 | Colonne abs. |
Avant l'analyse
Chaque fichier est accepté, corrigé ou mis de côté.
Fichiers compris
9 / 119 fichiers gardent le format attendu. 2 ont changé : ils sont mis de côté avant reporting.
Montants remis en euro
EURLes montants en dollar, zloty ou devise locale utilisent le même taux validé.
Lignes à vérifier
27Période absente, colonne manquante ou montant incohérent : correction avant analyse.
Fichier prêt
Un fichier final avec les mêmes colonnes, la même devise et les mêmes périodes. Claude peut commenter les écarts au lieu de deviner ce que chaque usine voulait dire.
Le cas est simple à comprendre et très fréquent dans les organisations multi-sites. La direction achats doit consolider chaque mois les données de 11 usines. Chaque usine exporte depuis son ERP. Parfois l'ERP est différent. Parfois il est identique, mais le fichier ne l'est pas : colonnes déplacées, libellés différents, devises locales, périodes mal alignées, nomenclatures propres à un site.
Avant Claude, cette consolidation prenait environ une semaine. Avec Claude, elle prend encore une journée complète, suivie d'une vérification ligne à ligne, parce que personne ne sait quelles règles l'IA a devinées. Le travail n'a pas disparu : il s'est déplacé de la consolidation vers le contrôle.
Le « jamais » du titre ne porte pas sur la capacité. Il porte sur la responsabilité : deviner, de façon fiable et reproductible, des règles métier qui ne figurent dans aucun fichier. Toute la différence est là : analyser une donnée propre, ou inventer une vérité.
Excel n'est ici que le symptôme visible. Le vrai sujet est plus profond : les 11 usines n'envoient pas une donnée achats commune. Elles envoient 11 interprétations locales d'une même réalité métier.
Tant que cette couche n'est pas traitée, tout le reste reste fragile : nettoyage manuel, corrections de devises, vérification des colonnes, harmonisation des nomenclatures, puis contrôle humain avant chaque analyse.
Chaque mois, la direction achats reçoit des fichiers Excel issus de plusieurs ERP, avec des formats, colonnes, devises et nomenclatures qui ne racontent pas exactement la même chose.
La personne qui connaît les subtilités de chaque fichier devient l'interface entre les usines, les ERP, les corrections manuelles et le reporting final.
Le temps de nettoyer, consolider puis analyser les fichiers, les achats ont déjà dû arbitrer des fournisseurs, des écarts ou des budgets sans vision fiable.
Si un indicateur annuel est mélangé avec un Year-to-Date, l'analyse peut rester très plausible tout en étant fausse.
Le réflexe est naturel. Puisque Claude sait lire des fichiers Excel, on lui donne les exports et on lui demande l'analyse. C'est exactement le genre de cas où l'IA donne l'impression de résoudre le problème alors qu'elle déplace seulement l'effort.
L'agent travaille sur des données non standardisées, parfois incohérentes, dont la structure varie selon les usines. Il peut deviner, mais il ne sait pas toujours s'il doit deviner. Et dans un reporting achats, une bonne phrase sur un mauvais indicateur reste une mauvaise décision.
L'erreur est de demander à l'IA d'être à la fois moteur d'import, contrôleur qualité, référentiel de données et analyste achats. Ce sont quatre responsabilités différentes.
L'IA est très forte pour commenter, comparer, synthétiser, repérer des anomalies ou préparer un support. Elle est beaucoup moins rassurante quand elle doit inventer seule la structure d'un système d'information qui n'existe pas.
Le premier outil à construire n'est pas un grand logiciel achats. Ce n'est pas non plus une plateforme IA. C'est un outil d'import capable de prendre les fichiers réels, de reconnaître leur format, de les normaliser et de bloquer les incohérences avant qu'elles n'entrent dans le reporting.
L'outil sait qu'un export usine A ne se lit pas comme un export usine B, même si les deux viennent du même ERP.
Les champs métier arrivent dans un modèle unique : fournisseur, famille d'achat, période, montant, devise, site, quantité, indicateur.
Colonnes manquantes, devises inattendues, doublons, périodes incohérentes, valeurs extrêmes : le problème remonte avant l'analyse.
L'IA ne travaille plus sur 11 fichiers bruts. Elle interroge une base consolidée, historisée et contrôlée.
Dans les fichiers envoyés par les usines, un intitulé peut être évident pour le site qui l'exporte et ambigu pour le siège. Avant de demander un commentaire à Claude, il faut donc savoir si le chiffre représente un mois, un cumul, un budget, une dépense réelle ou un écart de prix.
| Source | Ce que le fichier affiche | Ce qu'il faut comprendre | Ce que l'outil vérifie |
|---|---|---|---|
| Usine A | Dépenses cumulées depuis janvier | Ce n'est pas la dépense du mois. C'est le total depuis le début de l'année. | Confirmer la période et éviter de le comparer à un budget mensuel. |
| Usine B | Budget annuel en devise locale | Le montant couvre toute l'année et n'est pas exprimé en euro. | Convertir la devise, puis rattacher le montant au bon site et à la bonne période. |
| Usine C | Écart de prix en dollar | Ce n'est pas une dépense totale. C'est un écart entre un prix attendu et un prix constaté. | Signaler les valeurs négatives ou nulles avant de rédiger un commentaire. |
Le sujet n'est pas de choisir entre Excel et l'IA. Le sujet est de choisir où placer la responsabilité de la fiabilité.
| Approche | Ce que vous achetez | Risque principal | Pertinent si... |
|---|---|---|---|
| Agent IA directement sur Excel | Une analyse rapide sur des fichiers non normalisés | Résultats plausibles, erreurs silencieuses, confiance qui baisse | Petit volume, formats stables, indicateurs déjà propres |
| Macro ou script ponctuel | Une automatisation locale pour un format donné | Casse dès qu'une usine change son export ou sa nomenclature | Un seul ERP, peu de variantes, besoin très ciblé |
| Import Excel structuré | Un outil qui reconnaît, normalise et contrôle les fichiers | Les règles de lecture doivent être cadrées sérieusement au départ | Multi-sites, ERP hétérogènes, reporting récurrent |
| Plateforme achats complète | Une refonte plus large du cycle achats | Projet long, migration lourde, adoption incertaine | Process achats à standardiser au-delà du reporting |
La bonne méthode n'est pas de lancer six mois de refonte ERP. C'est de réduire le désordre à l'entrée, là où il coûte le plus cher chaque mois. On peut souvent commencer par un périmètre très concret : les exports mensuels existants et les indicateurs qui servent vraiment au pilotage. La logique ressemble à celle d'un premier outil interne utile : choisir un flux précis, le rendre fiable, puis élargir seulement si le gain est prouvé.
Étape 1
Pas les formats théoriques. Les vrais fichiers reçus chaque mois, avec leurs écarts, leurs colonnes vides, leurs devises et leurs exceptions.
Étape 2
Ce que la direction veut piloter : dépenses par usine, familles, fournisseurs, écarts de prix, budget, YTD, annuel, devise de référence.
Étape 3
Pour chaque export, on précise quelle colonne lire, quelle devise appliquer, quelle période retenir et quel contrôle effectuer.
Étape 4
Une donnée incohérente ne doit pas disparaître dans un tableau final. Elle doit être signalée, qualifiée, puis corrigée ou exclue.
Étape 5
Une fois la consolidation fiable, Claude peut générer les commentaires, repérer les anomalies et préparer les supports de pilotage.
Une fois la consolidation fiable, l'IA peut enfin faire ce qu'elle fait bien : accélérer l'analyse, pas inventer la donnée.
Expliquer les hausses, baisses, écarts par usine ou famille d'achat avec un langage exploitable en comité.
Repérer des montants, fournisseurs, devises ou volumes qui sortent du comportement habituel.
Produire une première version des messages clés, points de vigilance et questions à renvoyer aux usines.
Interroger le référentiel consolidé sans reconstituer manuellement les données à chaque nouvelle question.
Le premier ROI tient en une ligne : une semaine récupérée par mois, des chiffres fiables, une personne libérée. Une semaine entière, pas la journée résiduelle : tant qu'il faut tout vérifier derrière l'IA, le temps gagné est repris par le contrôle.
Le bon calcul compare le prix de l'outil au coût mensuel de la consolidation manuelle, plus le risque d'arbitrer fournisseurs, volumes et budgets sur des données fausses.
Si le sujet déborde du reporting (ERP, prestataire, responsabilité des chiffres, arbitrage acheter ou construire), la décision se cadre avec un CTO externalisé avant de signer un gros chantier.
1 à 4 jours (2 000 à 5 000 € HT) pour lire les fichiers réels, identifier les formats, les risques et dire si un outil d'import léger suffit.
Forfait cadré pour construire l'outil : dépôt des fichiers, reconnaissance des formats, normalisation, contrôles, exports et base consolidée.
Utile si le sujet touche aussi l'ERP, la responsabilité de la qualité des chiffres, les prestataires, la roadmap outil achats ou la décision build vs buy.
Le bon point de départ est court et concret : ouvrir les fichiers réels, écrire les règles qui manquent aujourd'hui, puis décider si le premier outil peut être construit sur un périmètre clair. Le livrable attendu n'est pas une recommandation de plus. C'est un outil qui vise le reporting du mois suivant, si les règles métier sont arbitrées dans les temps.
Piège 1
Importer plus vite des données fausses ne règle rien. Le vrai sujet est de contrôler ce qui entre avant de produire une analyse.
Piège 2
Le bon périmètre initial est souvent simple : les 11 exports mensuels, les indicateurs critiques et les incohérences qui bloquent le reporting.
Piège 3
Si seule une personne sait qu'une colonne doit être retraitée ou qu'une usine exporte en devise locale, vous n'avez pas un processus. Vous avez une dépendance.
Piège 4
L'IA peut expliquer, comparer, reformuler et signaler. Elle ne doit pas être chargée d'inventer le référentiel de données sur lequel l'entreprise pilote.
Si votre direction achats passe encore une semaine par mois à consolider et vérifier des exports Excel, l'agent IA n'est pas la première brique. Il peut réduire la douleur, mais il ne supprime pas la cause : l'absence de donnée standardisée.
La bonne séquence est plus sobre : importer, reconnaître, normaliser, contrôler, consolider. Ensuite seulement, brancher l'IA pour analyser, commenter et préparer le reporting. L'IA ne remplace pas le référentiel. Elle l'exploite.
Cinq termes qui reviennent dans les exports achats. La plupart des erreurs de consolidation viennent de leur confusion.
Commencez par lire les exports réels, puis définissez un modèle commun : mêmes champs, mêmes devises, mêmes périodes pour tous les sites. L'automatisation vient ensuite : import, règles par usine, contrôles qualité, consolidation, puis analyse IA sur une donnée fiable.
Pas forcément au départ. Les usines peuvent continuer à exporter en Excel si c'est le point de passage réaliste. Le changement utile consiste d'abord à créer un import fiable qui transforme ces fichiers en référentiel commun.
Parce que Claude reçoit le désordre tel quel. Avec des colonnes hétérogènes, des devises non harmonisées et des indicateurs de période différents, il peut produire une analyse convaincante et fausse à la fois. L'IA en analyse doit intervenir après la consolidation. Elle peut aider à construire les règles d'import, mais c'est un humain qui les valide et un pipeline déterministe qui les exécute, à l'identique chaque mois.
Pour un premier périmètre ciblé, quelques semaines peuvent suffire si les fichiers réels sont disponibles et que le décideur peut arbitrer les règles métier. Le délai dépend surtout du nombre de formats, d'exceptions et de contrôles nécessaires.
Les deux doivent être alignées, mais le besoin part du métier. La direction achats sait quels indicateurs comptent, quelles corrections sont acceptables et quelles erreurs bloquent le pilotage. La partie technique transforme ces règles en système fiable.
Quand elle travaille sur le référentiel : une donnée propre, dont l'historique et les contrôles font foi. À ce moment-là, elle peut accélérer les analyses mensuelles, détecter les anomalies et préparer les commentaires de reporting sans remplacer les règles métier.
Pour aller plus loin : démarrer un premier outil métier en 15 jours, et si votre projet doit passer par la DSI, le guide pour obtenir un oui.