PME industrielle : tri des emails et commandes par IA, -73% de temps de traitement

Cas client livré en 2025 pour une PME industrielle française de 45 personnes, spécialisée dans la fabrication et la distribution de composants. L'enjeu : reprendre le contrôle d'une boîte mail partagée qui recevait 200 à 300 emails par jour et mobilisait une personne entière chaque matinée. À 6 mois, le temps de tri a baissé de 73% et les commandes ne se perdent quasiment plus.

À quoi ressemblait le quotidien avant l'agent ?

Une seule boîte mail partagée, deux adresses publiques (contact@ et commandes@) redirigées au même endroit, et tout le flux entrant qui s'y déversait sans aucune logique de tri.

Problème 1 : Une boîte partagée saturée

Entre 200 et 300 messages par jour, dans le désordre le plus total. Une commande ferme cohabitait avec une relance fournisseur, une facture à payer, une demande SAV urgente, un devis à chiffrer et une douzaine de spams. Aucun objet d'email n'était fiable : la moitié des clients écrivaient "Bonjour" en sujet ou répondaient à un vieux fil.

Problème 2 : Une matinée entière sur le tri manuel

Une assistante commerciale ouvrait la boîte chaque matin et passait en moyenne 3h15 à lire, classer et transférer chaque message vers la bonne personne ou le bon service. Du travail de routage pur, sans valeur ajoutée, qui mangeait plus de la moitié de sa journée et la coupait de ses tâches commerciales.

Problème 3 : Des commandes qui se perdent

Avec un backlog qui grossissait certains jours de pic, des emails passaient sous le radar. Sur le trimestre observé avant le projet, l'équipe a identifié 9 commandes traitées en retard ou égarées dans le fil, dont deux clients qui sont partis à la concurrence. Le coût n'était pas qu'en heures, il était commercial.

Problème 4 : Des délais de réponse qui s'allongent

Comme tout passait par un seul goulot le matin, un email arrivé à 14h n'était souvent traité que le lendemain. Le SLA de réponse implicite tournait autour de 26 heures, là où un acheteur industriel attend un accusé de réception le jour même.

Pour le pendant collecte et relance documentaire dans un autre secteur, voir notre cas client expert-comptable collecte de pièces et relances par IA.

Comment fonctionne l'agent IA de tri et de routage ?

L'architecture tient en 5 briques modulaires, branchées directement sur la boîte partagée.

Brique 1 : Lecture du flux entrant

L'agent surveille la boîte partagée en temps réel via IMAP. Chaque nouvel email est lu intégralement (corps, objet, expéditeur, pièces jointes) avant tout traitement. Rien n'est jugé sur le seul objet, justement parce que l'objet est peu fiable dans ce contexte.

Brique 2 : Classification en 6 catégories

L'agent attribue à chaque message une catégorie : commande, demande de devis, SAV, comptabilité, fournisseur, ou autre. La classification s'appuie sur le contenu réel du message, pas sur des mots-clés rigides. Un email qui dit "il me faut 40 références X-220 avant vendredi" est une commande, même si l'objet est vide.

Brique 3 : Extraction des informations clés

Sur les emails de type commande et devis, l'agent extrait les données structurées : référence produit, quantité, identité du client, urgence éventuelle. Ces champs sont normalisés et préparés pour être poussés dans l'ERP, ce qui évite à l'assistante de re-saisir manuellement les informations.

Brique 4 : Routage vers le bon service

Chaque message est ensuite acheminé vers la bonne destination : le service commercial pour les commandes et devis, le technicien référent pour le SAV, la comptabilité pour les factures, les achats pour les fournisseurs. Le routage tient compte de la charge et du référent habituel de chaque client.

Brique 5 : Accusé de réception et escalade

L'agent pré-rédige un accusé de réception adapté au type de message ("votre commande est bien reçue, elle est en cours de traitement par notre service commercial"). Pour les commandes marquées urgentes, il escalade immédiatement par notification au responsable concerné, sans attendre le passage matinal sur la boîte.

L'architecture interne suit notre standard à 3 agents Claude : un orchestrateur (Claude Haiku 4.5) qui décide de la catégorie et de la route, un rédacteur (Claude Sonnet 4.6) qui produit l'accusé de réception, et un fact-checker (Claude Haiku 4.5) qui vérifie la cohérence de l'extraction. Pour le pattern de qualification multi-agents, voir notre guide setter IA B2B pour qualifier les leads.

Comment l'agent classe-t-il et évite-t-il les erreurs ?

Sur un flux où une erreur de tri peut faire disparaître une commande, le garde-fou compte autant que la performance.

Mécanique 1 : Score de confiance sur chaque classification

L'agent ne se contente pas de choisir une catégorie, il produit un score de confiance. Au-dessus d'un seuil calibré, il traite et route seul. En dessous, il bascule en file de validation humaine. Le silence n'est jamais une option : un cas incertain est toujours signalé, jamais classé en aveugle.

Mécanique 2 : Validation humaine sur les cas à enjeu

Les emails ambigus, les commandes au montant élevé et les messages mêlant plusieurs intentions (par exemple un SAV qui contient aussi une nouvelle commande) sont systématiquement remontés à l'assistante pour validation avant routage définitif. Ce filtre concerne environ 11% des messages, soit la part qui mérite réellement un œil humain. Cette logique de supervision est détaillée dans notre guide human-in-the-loop pour agents IA en PME.

Mécanique 3 : Extraction vérifiée, pas inventée

L'agent n'extrait une référence produit que si elle correspond au catalogue réel de l'entreprise. S'il lit "X220" mais que la référence officielle est "X-220-B", il ne devine pas : il signale l'écart pour confirmation. Cette discipline évite les fausses commandes générées par une extraction trop confiante. Le principe est développé dans notre guide anti-hallucination pour agent IA métier.

Mécanique 4 : Boucle d'apprentissage sur les corrections

Chaque correction faite par l'assistante (une catégorie réattribuée, une extraction ajustée) est enregistrée. Les cas récurrents alimentent une base de règles qui affine le comportement de l'agent. Sur les premières semaines, le taux de correction a baissé de moitié à mesure que les cas limites étaient intégrés.

Quels résultats à 6 mois ?

Mesurés à 6 mois après la mise en production (fin 2025) :

Métrique	Avant	Après	Variation
Temps de tri quotidien	3h15	53 min	-73%
Délai de première réponse	26h	4h30	-83%
Commandes perdues / trimestre	9	1	-89%
Emails classés sans intervention	0%	89%	nouveau
Taux d'erreur de routage	ligne de base	2,3%	faible
Charge re-saisie ERP	élevée	-64%	-64%

Investissement total : 9 400€ HT setup + 410€/mois (maintenance, APIs Claude, connecteur ERP, hébergement).

Payback : 4,2 mois. Le calcul combine les 2h20 quotidiennes d'assistante récupérées (réaffectées au suivi commercial) et la valeur des commandes qui ne se perdent plus, dont la marge couvre largement l'abonnement mensuel.

Bénéfices indirects observés :

• L'assistante a été réaffectée au suivi commercial actif (relances devis, satisfaction client), une tâche à vraie valeur ajoutée
• Les acheteurs reçoivent un accusé de réception le jour même, ce qui a amélioré la perception de réactivité de la PME
• Le service technique reçoit les SAV directement, sans transit de plusieurs heures par la boîte commune

Pour le cadrage budgétaire d'un projet de ce type, voir notre analyse du coût réel d'un agent IA en production pour une PME en 2026.

Quels apprentissages dans l'industrie ?

3 enseignements concrets sur ce secteur.

Apprentissage 1 : La boîte partagée est un point de contact business critique sous-estimé

Dans l'industrie, la boîte commande@ est souvent traitée comme une corvée administrative. C'est en réalité un canal de revenus direct : une commande mal routée, c'est du chiffre d'affaires qui s'évapore. L'automatiser n'est pas du confort, c'est de la protection commerciale.

Apprentissage 2 : L'extraction doit s'appuyer sur le catalogue réel

Les références produit industrielles sont précises et faciles à mal lire. Brancher l'agent sur le catalogue ERP plutôt que de le laisser deviner a été la décision la plus structurante du projet. C'est ce qui transforme une extraction approximative en donnée fiable et exploitable.

Apprentissage 3 : L'escalade des urgences vaut autant que le tri lui-même

Le gain le plus apprécié par la direction n'a pas été le temps économisé, mais le fait qu'une commande urgente arrivée à 16h soit signalée dans la minute au lieu d'attendre le lendemain matin. Le routage rapide a un impact direct sur les délais de livraison promis aux clients.