Transformer des commandes désordonnées en transactions structurées

Choco, une plateforme au service des distributeurs de produits alimentaires et de boissons, affirme avoir intégré des agents d’IA en profondeur dans le pipeline de commandes d’un secteur encore alourdi par le travail manuel. Dans une étude de cas client publiée le 27 avril, l’entreprise a indiqué que les API OpenAI l’aident désormais à traiter plus de 8,8 millions de commandes par an, tout en réduisant de 50 % la saisie manuelle des commandes et en doublant la productivité des équipes commerciales sans augmenter les effectifs.

Le problème que Choco cherchait à résoudre est familier dans toute la distribution, même s’il n’a rien de glamour. Les commandes n’arrivent pas toujours sous une forme numérique propre. Elles passent par des e-mails, des SMS, des messages vocaux, des images, des documents et même des notes manuscrites. Des employés humains traduisent ensuite ces fragments en enregistrements structurés dans un ERP. Ce travail est intensif, répétitif et dépend de connaissances contextuelles qui résident souvent dans la tête de personnels expérimentés du service commandes.

L’argument de Choco est que les modèles de langage modernes sont enfin assez performants pour aller au-delà de l’assistance et passer à l’exécution. Plutôt que de simplement aider les employés à lire et résumer les entrées, l’entreprise affirme que ses systèmes d’IA peuvent convertir des communications multimodales en commandes prêtes pour l’ERP, en s’appuyant sur le contexte propre à chaque client.

Là où se trouvait vraiment la difficulté

L’étude de cas est remarquable parce qu’elle ne décrit pas le défi comme une simple extraction de texte. Les responsables techniques de Choco expliquent que le problème le plus difficile était le contexte implicite : associer les SKU propres à chaque client, les préférences d’unités, les schémas de livraison et l’historique des commandes. Autrement dit, le goulot d’étranglement n’était pas seulement de lire le message. Il s’agissait de lever les ambiguïtés comme le ferait un opérateur humain expérimenté.

Cette distinction est importante dans l’IA d’entreprise. De nombreux flux de travail paraissent automatisables jusqu’à ce que les cas limites apparaissent. Un distributeur peut recevoir un SMS incomplet ou une image floue qui ne prend sens qu’à la lumière du comportement antérieur du client et des conventions du catalogue. Choco dit avoir mis en place une infrastructure d’apprentissage dynamique en contexte afin que le système puisse désambiguïser les entrées à partir de l’historique du client et des données produit.

Si cela est exact à grande échelle, c’est une capacité bien plus significative que l’analyse générique de documents. Cela suggère un modèle d’agents d’IA utiles parce qu’ils sont intégrés dans le contexte opérationnel, et pas seulement parce qu’ils savent lire du texte non structuré.

De OrderAgent à VoiceAgent

Choco indique avoir lancé OrderAgent pour traiter des entrées multimodales, puis s’être étendu à la voix avec un système appelé VoiceAgent, propulsé par l’API Realtime d’OpenAI. Cela permet aux clients de passer commande naturellement par téléphone avec une latence inférieure à la seconde, y compris en dehors des heures ouvrées.

Le cas d’usage est simple. La distribution alimentaire repose sur des commandes constantes et sensibles au temps, et de nombreux fournisseurs fonctionnent encore via des canaux de communication fragmentés et informels. Un système capable de rester disponible 24 h/24, d’accepter les commandes vocales et de les convertir en enregistrements structurés réduit la dépendance aux créneaux de personnel et à la transcription manuelle.

Cela pointe aussi vers une évolution plus large de la manière dont l’IA d’entreprise est déployée. Au lieu d’imposer de nouvelles interfaces aux utilisateurs, les entreprises appliquent les modèles aux canaux que les gens utilisent déjà. E-mails, SMS, appels téléphoniques et images deviennent des entrées lisibles par machine sans exiger une refonte complète des workflows côté client.

Pourquoi cela compte au-delà d’une seule entreprise

Les récits d’adoption de l’IA se concentrent souvent sur le codage, le marketing ou le travail de connaissance dans de grands bureaux. Le cas de Choco est plus opérationnel. Il se situe dans l’économie réelle, où les restaurants, distributeurs, fournisseurs et responsables de comptes dépendent d’une prise de commande rapide. Cela en fait un exemple utile des domaines où les systèmes agentiques peuvent créer de la valeur plus tôt que certaines visions grand public de l’IA.

L’entreprise dit servir plus de 21 000 distributeurs et 100 000 acheteurs aux États-Unis, au Royaume-Uni, en Europe et dans la région du Golfe. À cette échelle, réduire la saisie manuelle des commandes n’est pas seulement une statistique d’économie de main-d’œuvre. Cela peut affecter le débit, les taux d’erreur, la couverture de service et la vitesse à laquelle une entreprise peut croître sans augmenter proportionnellement ses effectifs administratifs.

L’étude de cas d’OpenAI souligne aussi pourquoi Choco a choisi ses API : performances du modèle, capacité multimodale, sorties structurées et fiabilité en production à grande échelle. Ce sont les qualités qui comptent lorsque le modèle fait partie d’un pipeline transactionnel plutôt que d’un environnement de démonstration. Les entreprises n’ont pas seulement besoin d’un modèle qui paraît fluide. Elles ont besoin d’un modèle qui produit des sorties exploitables de manière constante.

Du logiciel de workflow à l’exécution du travail

L’affirmation la plus intéressante de l’étude de cas est conceptuelle. Choco décrit le passage comme une transition du logiciel de workflow vers des systèmes d’IA capables d’exécuter le travail directement. C’est une affirmation plus forte que l’automatisation au sens classique. Elle implique que le logiciel prend en charge des tâches autrefois gérées par le jugement humain et la mémoire contextuelle, et pas seulement la numérisation d’un formulaire.

Il reste toutefois des limites à ce que l’on peut déduire d’une réussite publiée par l’entreprise elle-même. Le texte source ne fournit pas de benchmarking indépendant, de taux d’erreur ni de cas d’échec. Mais il offre une vision concrète de la manière dont les agents d’IA sont positionnés dans une industrie réelle : non pas comme des copilotes abstraits, mais comme des systèmes opérationnels qui ingèrent une communication humaine désordonnée et produisent des transactions prêtes pour l’activité.

Si ce modèle se généralise, certains des premiers gains durables de l’IA pourraient venir de secteurs longtemps fragmentés sur le plan numérique. La distribution alimentaire en fait partie, et Choco se présente comme la preuve que le secteur peut désormais absorber l’IA agentique à l’échelle de la production.

Cet article est basé sur un reportage d’OpenAI. Lire l’article original.