Automatiser la saisie des commandes email dans votre CRM ou ERP

Chaque jour, votre équipe ADV ouvre des dizaines d'emails de commandes, copie les lignes produits, vérifie les références, ressaisit l'adresse de livraison dans l'ERP. Quand tout va bien : 10 à 15 minutes par commande. Quand un client écrit en désordre, oublie une référence ou change l'adresse en dernière ligne : 20 à 30 minutes. Multiplié par des centaines de commandes par mois, c'est une charge considérable sur une tâche à zéro valeur ajoutée.

La bonne nouvelle : c'est précisément ce type de tâche que l'automatisation par IA gère le mieux. Un LLM comprend un email rédigé en texte libre, extrait les informations structurées et les injecte dans votre CRM ou ERP, sans que vos clients aient besoin de changer leurs habitudes. Pas de formulaire imposé, pas de format attendu.

Ce guide présente la méthode que nous appliquons chez Tensoria pour déployer ce type d'automatisation, en partant d'un cas client concret : Copro Assistance, 100h/mois économisées, 1 500+ emails traités, 2 bugs en 6 mois. Nous vous expliquerons aussi les limites réelles et la seule règle qui compte pour que ça fonctionne en production. Pour comprendre les fondamentaux des automatisations métier par IA, notre page de service détaille les types de flux que nous prenons en charge.

Pourquoi la saisie manuelle des commandes email résiste si longtemps

Avant de parler solution, il est utile de comprendre pourquoi ce problème existe encore dans tant de PME alors que les outils d'automatisation existent depuis des années.

Les approches classiques ont toutes échoué pour la même raison : les emails de commandes ne sont pas structurés. Un bon de commande PDF avec un tableau, oui, l'OCR peut le traiter. Un email où un client écrit "Bonjour, je voudrais 3 boîtes du produit que j'ai pris le mois dernier plus 2 rouleaux du nouveau catalogue page 12, pour livrer chez mon associé cette fois" — aucun parser à base de règles n'en vient à bout.

C'est le changement qu'apportent les LLM (grands modèles de langage) depuis 2023. Ils ne cherchent pas des patterns fixes : ils comprennent l'intention. Ils peuvent déduire qu'il s'agit d'une commande, identifier les produits même avec des descriptions approximatives, repérer les informations d'adresse et signaler les ambiguïtés plutôt que de les ignorer.

Ce que la saisie manuelle coûte vraiment

Le coût visible, c'est le temps de saisie. Mais le coût réel est plus large :

• Erreurs de saisie : en saisie manuelle, le taux d'erreur se situe entre 2 et 4%. Sur 500 commandes par mois, c'est 10 à 20 commandes erronées à corriger, des litiges clients, des retours.
• Délai de traitement : une commande reçue à 17h30 n'est saisie que le lendemain matin. Dans certains secteurs (distribution, pièces détachées, imprimerie), ce délai fait perdre des marchés.
• Charge mentale : la saisie de commandes est une tâche peu stimulante qui fatigue vos équipes ADV, augmente le turn-over et détourne leur attention des clients complexes qui nécessitent une vraie intervention humaine.

Le cas Copro Assistance : 100h/mois économisées sur la gestion des emails

Copro Assistance est une société de gestion de copropriétés. Chaque jour, leur équipe recevait des dizaines d'emails de demandes d'intervention, de signalements de pannes, de questions de copropriétaires — chacun avec ses informations à extraire, qualifier et saisir dans leur outil de suivi.

Le flux avant automatisation : lire l'email, identifier le type de demande, extraire les informations (copropriété concernée, nature du problème, urgence, coordonnées), créer une fiche dans l'outil CRM, router vers le bon interlocuteur. Répété des dizaines de fois par jour, par plusieurs personnes.

Ce que nous avons mis en place

Nous avons déployé un workflow n8n + LLM qui surveille la boîte email entrante et traite automatiquement chaque message :

1. Détection et classification. L'email est lu, le LLM détermine le type de demande (intervention urgente, question administrative, demande de devis, etc.) et son niveau de priorité.
2. Extraction structurée. Les informations clés sont extraites : immeuble concerné, nature de la demande, coordonnées de l'expéditeur, date souhaitée d'intervention si mentionnée. Le résultat est un objet JSON propre.
3. Création de fiche et routage. La fiche est créée automatiquement dans leur outil de suivi, assignée au bon interlocuteur, et une notification est envoyée à l'équipe concernée.
4. Validation en 30 secondes. L'opérateur reçoit un résumé structuré à valider en un coup d'œil. Pas de relecture de l'email original : juste la fiche pré-remplie à confirmer ou corriger.

Le détail complet de ce déploiement — contexte, architecture technique, difficultés rencontrées — est disponible dans notre cas client Copro Assistance.

Comment fonctionne l'extraction IA sur un email de commande texte libre

Voici le flux technique, étape par étape, tel que nous le déployons pour la saisie de commandes.

Étape 1 : capture et déclenchement

Le workflow se déclenche à chaque email entrant dans la boîte dédiée aux commandes (ou dans la boîte principale, filtrée par mots-clés). N8n surveille la boîte via IMAP ou Gmail API et lance le traitement en temps réel.

Si des pièces jointes sont présentes (bon de commande PDF, tableau Excel), elles sont extraites séparément et traitées en parallèle de l'email.

Étape 2 : extraction structurée par le LLM

Le contenu de l'email est envoyé à un LLM avec un prompt précis. Le prompt définit exactement les champs à extraire et leur format attendu. Exemple de champs pour une commande produit :

• Nom et référence client
• Lignes de commande (référence produit, désignation, quantité, prix unitaire si mentionné)
• Adresse de livraison (si différente de l'adresse habituelle du client)
• Date de livraison souhaitée
• Commentaires ou instructions particulières
• Niveau de confiance de l'extraction (le LLM signale lui-même les ambiguïtés)

Le LLM retourne un objet JSON structuré. Si une information est manquante ou ambiguë, le champ est renseigné à null avec un commentaire explicatif plutôt qu'une valeur inventée. C'est une consigne explicite du prompt : ne jamais inventer, toujours signaler l'incertitude.

Étape 3 : enrichissement et résolution des références

Le JSON extrait est souvent incomplet : le client écrit "les filtres habituels" sans donner de référence. Cette étape consiste à croiser avec votre base de données :

• Recherche du client dans le CRM par nom/email pour récupérer son historique de commandes
• Résolution des produits ambigus par recherche vectorielle dans le catalogue (le LLM trouve la correspondance la plus probable)
• Vérification des stocks si l'ERP l'expose via API

Cette étape fait la différence entre un système qui extrait mécaniquement et un système qui comprend le contexte métier.

Étape 4 : validation humaine (la règle des 20%)

C'est l'étape que beaucoup sous-estiment. L'IA n'est jamais fiable à 100%. Un déploiement sans validation humaine est un déploiement qui créera des erreurs de commande, des litiges clients et une perte de confiance dans le système.

La règle que nous appliquons systématiquement : la vérification ne doit jamais prendre plus de 20% du temps que la saisie manuelle prenait avant.

Concrètement :

• Si la saisie manuelle prenait 2 heures, la vérification doit se faire en moins de 24 minutes.
• Si la saisie prenait 30 minutes par commande, la validation doit se faire en moins de 6 minutes.

Pour atteindre ce ratio, l'interface de validation est primordiale. On n'affiche pas l'email original à relire — on affiche uniquement le résumé structuré extrait, avec les champs incertains mis en évidence. L'opérateur confirme ou corrige en quelques clics.

Étape 5 : injection dans le CRM ou l'ERP

Une fois validée, la commande est créée automatiquement dans votre outil de gestion via API. Le workflow gère les cas d'erreur (client introuvable, produit hors catalogue, stock insuffisant) en routant vers l'équipe appropriée plutôt qu'en bloquant silencieusement.

Un email de confirmation est envoyé au client, un accusé de réception interne notifie l'équipe logistique, et la commande apparaît dans le tableau de bord avec son statut.

Quels types de commandes l'IA traite bien, et lesquels posent problème

Soyons directs sur les limites. Un bon diagnostic avant déploiement évite les mauvaises surprises.

Ce que l'IA traite très bien

• Clients réguliers avec un vocabulaire stable. Le LLM apprend vite les patterns d'un client qui écrit toujours de la même façon. Le taux d'extraction correcte dépasse 99% sur ces profils.
• Produits avec des noms distincts. Moins les produits se ressemblent dans leur désignation, plus l'extraction est fiable. "Filtre F10 blue" et "joint torique 12mm" sont faciles à distinguer.
• Emails en français standard. Les LLM actuels (GPT-4o, Claude 3.5, Mistral Large) gèrent parfaitement le français professionnel, y compris les formulations indirectes.
• Commandes avec une structure implicite mais cohérente. "Je veux X de Y et Z de W" — même sans formulaire, le LLM comprend la structure.

Ce qui nécessite une attention particulière

• Références produits très proches. "Référence A123" et "Référence A132" sont faciles à confondre si le client les écrit de mémoire. L'étape d'enrichissement avec la base catalogue est indispensable.
• Commandes multi-adresses ou multi-chantiers. Quand un client commande pour plusieurs sites dans le même email, la segmentation est plus délicate. Cela demande un prompt plus élaboré et souvent une validation systématique.
• Emails mêlant commande et réclamation. "Je renvoie la commande de la semaine dernière car il manquait les pièces X, et je re-commande aussi Y et Z pour demain." L'IA doit distinguer la réclamation de la nouvelle commande — faisable, mais à tester soigneusement.
• Langues multiples. Si vos clients écrivent en anglais, espagnol ou arabe, les LLM gèrent généralement bien, mais les tests sur le corpus réel sont obligatoires avant déploiement.

Comparaison avec les approches alternatives

Avant de choisir la voie IA, il est légitime de comparer avec les autres options disponibles.

Le formulaire de commande en ligne reste la solution idéale sur le papier. En pratique, vos clients B2B les plus fidèles ne changeront pas leurs habitudes. Le flux email existera toujours en parallèle, et c'est lui qui génère le plus de charge.

Autre cas client : le suivi des achats automatisé chez Raynier

L'extraction d'informations depuis des emails ne se limite pas aux commandes clients. Chez Raynier, nous avons déployé une logique similaire sur les emails de confirmation de commandes fournisseurs : extraction des délais de livraison, des numéros de commande et des montants pour alimenter automatiquement le tableau de suivi achats.

Le gain : les acheteurs ne passent plus de temps à reporter manuellement les informations des emails fournisseurs dans leurs outils de suivi. Le détail de ce déploiement est dans notre cas client Raynier.

Ce qu'il faut cadrer avant de lancer le projet

Un déploiement réussi commence par un cadrage sérieux. Voici les questions à résoudre avant d'écrire la première ligne de workflow.

Analyse du flux email actuel

• Combien d'emails de commandes recevez-vous par jour/semaine/mois ?
• Quelle est la variabilité de format entre clients ? (2 gros clients réguliers ou 50 clients aux habitudes différentes ?)
• Quel est le temps de traitement moyen actuel par commande ?
• Quel est le taux d'erreurs constaté en saisie manuelle ?

Définition des champs à extraire

C'est l'étape que les équipes techniques ont tendance à bâcler. La liste des champs à extraire doit être validée par l'équipe ADV, pas imposée par les développeurs. Pour chaque champ : quelle est la valeur attendue si l'information est absente ? Que faire si elle est ambiguë ?

Règles métier et cas limites

• Comment traiter une commande d'un client inconnu ?
• Que faire si la quantité dépasse le stock disponible ?
• Comment gérer un email qui mélange une modification de commande existante et une nouvelle commande ?
• Qui reçoit les alertes sur les extractions incertaines ?

Ces règles métier ne peuvent pas être découvertes pendant le développement. Les définir en amont évite les retours en arrière coûteux.

Choix de l'infrastructure

Pour un flux de commandes clients, nous recommandons n8n en auto-hébergement ou n8n Cloud pour la partie orchestration, et un LLM via API pour l'extraction. Le choix du modèle dépend du volume et des contraintes de confidentialité :

• GPT-4o ou Claude 3.5 Sonnet : meilleure précision, idéal pour les volumes modérés (moins de 500 emails/jour)
• Mistral Large ou Mistral Medium : bon rapport précision/coût, hébergeable en Europe pour les données sensibles
• Modèle local (Ollama) : si la confidentialité des données commandes est critique, à évaluer selon les contraintes de latence

Pour les détails sur les workflows n8n + IA et leur architecture, notre article sur les cas d'usage n8n pour les PME couvre les patterns techniques les plus courants.

Le ROI : comment le calculer pour votre situation

La formule est simple. Ce qui est souvent sous-estimé, c'est le coût complet de la saisie manuelle.

Calcul du gain brut

Coût mensuel actuel = Nombre de commandes × Temps de saisie moyen × Taux horaire chargé de l'opérateur

Exemple concret : 400 commandes × 12 minutes × 35 €/h = 2 800 €/mois

Calcul du coût de l'automatisation

• Infrastructure n8n + LLM : 30 à 80 €/mois selon volume
• Temps de validation humaine après automatisation : environ 15 à 20% du temps initial, soit dans l'exemple 400 à 560 €/mois
• Maintenance workflow : négligeable après les 3 premiers mois (ajustements ponctuels)

Économie nette mensuelle dans cet exemple : 2 800 - 520 - 55 ≈ 2 225 €/mois. Le coût de déploiement (2 à 4 semaines de travail) est généralement amorti en 1 à 2 mois.

Pour aller plus loin sur la mesure du ROI des projets IA, notre article dédié au ROI des automatisations pour PME détaille les méthodes de calcul et les indicateurs à suivre.

Tensoria peut vous aider à déployer ce flux

Chez Tensoria, nous accompagnons des PME et ETI sur ce type de déploiement depuis notre implantation à Toulouse. Notre méthode : un cadrage rapide pour valider la faisabilité et estimer le gain réel, puis un déploiement progressif avec validation sur vos emails réels avant de basculer en production.

Pas de promesse de 100% d'automatisation. Pas de système "boîte noire". Un flux transparent, avec une étape de validation calibrée à vos contraintes, et un ROI visible dès les premières semaines.

Pour aller plus loin

• Cas client Copro Assistance — Le détail complet du déploiement : 100h/mois économisées, architecture technique, difficultés rencontrées
• Cas client Raynier — Extraction automatique depuis les emails de confirmation fournisseurs pour le suivi achats
• Nos services d'automatisation — Les types de flux que nous déployons pour les PME et ETI
• 5 workflows n8n + IA concrets pour PME — Emails, factures, CRM, rapports : les patterns d'automatisation les plus déployés
• Exemples d'automatisation de processus métier pour PME — Vue d'ensemble des cas d'usage et ROI observés