Tout e-commerçant BtoB qui gère un catalogue de plusieurs centaines de milliers de références issues de multiples fournisseurs se heurte tôt ou tard au même mur : comment harmoniser des données hétérogènes sans mobiliser des équipes entières à temps plein, ni prendre le risque de contenus approximatifs ou hors charte ? C’est ce défi qu’a résolu Manutan, leader européen du e-commerce BtoB, en s’appuyant sur l’expertise d’AVISIA pour automatiser la création de ses fiches produits grâce à un système de LLMQu'est-ce qu'un Large Language Model (LLM) ? Si vous avez testé des outils d'IA conversationnelle récemment, alors vous avez directement interagi avec ce qu'on appelle un Large Language Model. Derrière ce terme se cache une réalité technologique fascinante. Concrètement, il s'agit d'un système d'int... More agentique.
Plutôt que de revenir sur les résultats obtenus, cet article se concentre sur la méthode : comment structurer un projet de génération de contenu par IA générativeQu'est-ce que l'IA Générative ? L'IA Générative est une sous-branche de l'IA. Elle se concentre sur la création de nouveaux contenus (textes, images, vidéos...) à partir des données d'entraînement. Les modèles d'IA générative sont capables de générer de nouvelles données similaires aux données sur l... More, du cadrage initial à l’industrialisation, en maîtrisant le risque d’hallucination propre aux LLM. Vous y découvrirez les étapes clés du projet, les livrables produits à chaque phase, les critères qui ont permis de valider la qualité éditoriale, ainsi que les trois piliers qui, selon nous, conditionnent la réussite de ce type de projet en contexte BtoB.
Pourquoi automatiser la création de fiches produits dans un catalogue BtoB hétérogène ?
Avant l’intervention d’AVISIA, l’ampleur du problème se mesurait en trois chiffres : 15 jours de travail pour réécrire un seul fichier fournisseur, 2 équivalents temps plein mobilisés en continu sur cette tâche, et 24 000 € par an dépensés en agences externes pour absorber le surplus.
Guillaume Duval, CDO de Manutan, a impulsé ce projet de transformation digitale. Les équipes métiers souffraient de l’hétérogénéité des données fournisseurs. Les fichiers reçus manquaient d’uniformité et d’optimisation pour le référencement SEO. Avant l’intervention d’AVISIA, la réécriture manuelle mobilisait deux personnes à plein temps. Ce processus chronophage exigeait quinze jours de travail par fichier. Manutan recourait aussi à des agences externes pour un budget de 24 000 € par an. AVISIA a été ainsi choisi pour automatiser ce flux opérationnel.
Quelle architecture de GenAI construire pour automatiser les références produits ?
Étape 1 – Cadrage : auditer les flux fournisseurs et poser le référentiel de règles métier
Pour analyser le problème, nos consultants ont audité les flux fournisseurs. Cela a eu pour but de cartographier les formats (Excel, CSV, EDI, XML) et formaliser les règles métiers. Avant de choisir les LLM, aucune alternative logicielle n’avait été envisagée : seules les solutions humaines traitaient ces données. Concernant la base de données, l’architecture s’appuie sur Snowflake pour garantir la gouvernance et la traçabilité de l’IA. Ce choix s’est imposé naturellement lors du cadrage. En effet, Snowflake constituait déjà la fondation technologique maîtrisée par Manutan au sein de son environnement Cloud sur Microsoft Azure.
Ce que cette étape produit comme livrables :
- Une cartographie des flux fournisseurs par format (Excel, CSV, EDI, XML)
- Un référentiel des règles métiers et des exigences éditoriales/SEO
- Le choix argumenté de l’architecture data (ici, Snowflake)
- Une première modélisation chiffrée des gains de productivité attendus
La difficulté technique majeure résidait dans l’immense hétérogénéité des 4 000 sources fournisseurs. Celles-ci se caractérisaient par des nomenclatures inégales, des fiches incomplètes et des formats variables. Face à cette qualité fluctuante, le défi pour AVISIA était de maîtriser le risque d’« hallucinations » de l’IA générative, en empêchant le LLM d’inventer des attributs techniques manquants.
Pour surmonter ces obstacles, l’architecture intègre Azure Data Factory afin de normaliser et orchestrer les flux entrants. Côté IA, les experts en data d’AVISIA ont développé un système de LLM agentique, véritable « machine de construction de prompts ». Ce dispositif intelligent réunit les déclinaisons d’une offre, y injecte le contexte métier et intègre des exemples validés depuis Snowflake. Cette approche contraint le comportement de l’IA, lui imposant de ne jamais extrapoler. Le contenu généré reste ainsi fiable, structuré et parfaitement optimisé pour le référencement naturel (SEO) du site.
Étape 2 – Prototypage : itérer sur le prompt engineering avant l’industrialisation
Le projet s’est étalé sur six mois, piloté par une équipe agile unissant les experts d’AVISIA et de Manutan. Pour valider la viabilité de la solution, un prototype a automatisé la génération de 5 000 fiches produits. Pendant qu’AVISIA ajustait de manière itérative l’ingénierie des prompts et les modèles d’IA, les équipes métiers de Manutan évaluaient et validaient la qualité éditoriale en conditions réelles.
Concrètement, la validation portait sur plusieurs axes : la conformité à la charte éditoriale et au ton de marque, l’exactitude technique des attributs produits par rapport aux données fournisseur, l’absence d’extrapolation ou d’invention de caractéristiques non fournies, et le respect des exigences SEO (structure des titres, densité et pertinence des mots-clés, unicité du contenu pour éviter le duplicate content).
Étape 3 – Industrialisation : un pipeline sous supervision continue, pas une boîte noire
Après des tests de charge intensifs, AVISIA a déployé le pipeline final, interconnectant Azure Data Factory, Snowflake et les API d’Azure OpenAI.
En production, la qualité générée fait l’objet d’un suivi continu : échantillonnage régulier des fiches par les équipes métiers, remontée des écarts par rapport aux règles définies lors du cadrage, et enrichissement progressif de la base d’exemples validés dans Snowflake pour affiner le comportement du LLM dans la durée.
Pour pérenniser cette transformation digitale, le cabinet a assuré le transfert de compétences et la formation des équipes de Manutan, leur permettant de piloter l’outil de GenAI en totale autonomie. Les équipes métiers ont ainsi été formées au pilotage de l’outil et à la lecture des règles de prompt engineering sous-jacentes, leur permettant de valider la qualité des fiches et d’ajuster les paramètres en autonomie, sans dépendance continue au prestataire.
Quels enseignements tirer du déploiement d’un LLM agentique en BtoB ?
Les 3 piliers du succès du LLM en BtoB chez Manutan
Pour AVISIA, ce projet e-commerce BtoB confirme trois enseignements clés sur les LLM. D’abord, la spécificité des prompts : les instructions doivent être ultra-personnalisées aux règles métiers pour respecter la technicité des catalogues. Ensuite, la souveraineté : l’architecture doit sécuriser les données au sein du Cloud client (Azure) pour garantir la conformité. Enfin, le pragmatisme : la valeur métier prime sur la sophistication technologique pure.
Avec le recul, Manutan concentrerait ses efforts encore plus tôt sur l’acculturation des équipes à la GenAI pour accélérer la validation humaine, indispensable en amont de la chaîne de valeur.
« L’IA permet à nos collaborateurs de se focaliser sur la qualité finale de la fiche produit », souligne Guillaume Duval.
Ces trois piliers se traduisent concrètement par une réduction significative des délais et des coûts de traitement, et par une réaffectation des équipes vers des missions à plus forte valeur ajoutée (contrôle qualité, stratégie catalogue).
Replay de la conférence Future For Data & AI 2025
Le replay vidéo complet de notre intervention conjointe sur ce sujet stratégique lors de la dernière édition du Forum Future For Data & AI 2025 est désormais disponible en ligne.
Pour y accéder instantanément et découvrir les coulisses techniques ainsi que les retours d’expérience de ce projet d’envergure, nous vous invitons à remplir notre formulaire dédié :
