Comment l'IA révolutionne le suivi des appels d'offres en France et à l'international ?

Article co-écrit avec Nathanaël FIJALKOW
Chercheur CNRS, LaBRI
Post-doc à Oxford, Berkeley, Alan Turing Institute à Londres
Chercheur CNRS depuis janvier 2018, affilié au LaBRI, Université de Bordeaux (génération de code, machine learning, deep learning, grands modèles de langage)
Responsable de l'équipe Synthèse au LaBRI
50+ publications dans des conférences et revues internationales
Best Paper Award at AAAI 2025.

‍

Introduction - Une transformation majeure dans un écosystème saturé d'informations publiques

‍

Le suivi des appels d'offres a longtemps été une activité manuelle, presque artisanale, reposant sur la lecture des bulletins officiels, des journaux imprimés et des premiers portails institutionnels apparus dans les années 2000. Mais ce modèle, encore viable il y a une dizaine d'années, a été complètement bouleversé par l'augmentation massive du volume d'informations disponibles. En France, il existe aujourd'hui des centaines de sources différentes à surveiller quotidiennement. À l'international, ce nombre explose : plusieurs milliers, voire dizaines de milliers de sources uniques. Chaque pays, chaque région, chaque ministère, chaque service public, chaque agence publique a son propre système, sa propre logique de publication, ses propres formats.

Dans cet environnement fragmenté et ultra-dense, les entreprises doivent identifier, filtrer et analyser très rapidement des informations extrêmement hétérogènes. Le défi n'est plus de trouver les données : elles sont partout. Le défi est maintenant d'identifier l'information pertinente, de la structurer et de la transformer en décisions. C'est là que la Data Intelligence, combinée aux technologies d'intelligence artificielle appliquées à l'analyse des appels d'offres, crée une rupture complète. Elle permet d'automatiser des tâches jusqu'alors inconcevables à grande échelle, en donnant aux organisations un accès instantané à des données publiques mondiales structurées, enrichies et immédiatement utilisables.

‍

1. Pourquoi le suivi des appels d'offres est devenu un défi impossible à relever sans la Data Intelligence ?

‍

Bien avant l'apparition de la Data Intelligence, le suivi des marchés publics reposait sur des actions simples : feuilleter un journal, consulter manuellement quelques sites web, classer des PDF dans des dossiers partagés et, éventuellement, construire une feuille de calcul ou une base de données interne. Ce flux de travail s'est effondré sous la pression de l'explosion du volume des données publiques. Aujourd'hui, une organisation qui cherche à surveiller seulement cinq grandes régions du monde - l'Europe, l'Afrique, le Moyen-Orient, l'Asie et les Amériques - est immédiatement confrontée à une avalanche de sources institutionnelles, de portails régionaux, de bulletins municipaux, de sites web d'agences nationales et d'une multiplicité d'éditeurs qui évoluent constamment.

Chaque source a ses propres formats, règles, niveau de transparence et rythme de publication. Les avis peuvent être publiés quotidiennement, hebdomadairement, irrégulièrement ou même modifiés après coup. Les PDF peuvent être scannés, mal structurés ou dépourvus de métadonnées. Dans un tel contexte, le contrôle manuel est tout simplement devenu impossible, même pour les organisations disposant de ressources importantes. Il ne s'agit pas d'un problème d'organisation, mais d'un problème d'échelle.

L'explosion du volume des données publiques ne s'accompagne pas d'une augmentation proportionnelle de la qualité ou de la normalisation. Au contraire, plus il y a d'informations, plus il y a de bruit et plus il est difficile d'en extraire de la valeur. C'est précisément ce qui rend les technologies modernes de Data Intelligence indispensables.

Voir nos différents articles sur l'identification des appels d'offres en France et à l'international dans les secteurs de l'énergie et des infrastructures :

‍

- Comment trouver des appels d'offres pour des services de conseil en matière d'infrastructures et d'énergies renouvelables en Afrique
- Comment identifier les appels d'offres internationaux dans le secteur de l'énergie
– Comment identifier les opportunités dans le domaine des infrastructures énergétiques en France

- Comment identifier les appels d'offres et les projets photovoltaïques en France
– Comment identifier les appels d'offres internationaux dans le secteur de l'énergie en Afrique
– Comment suivre les appels d'offres publics dans le domaine des infrastructures en Europe
– Trouver des appels d'offres de conseil dans le domaine des infrastructures et des énergies renouvelables en Afrique
– Trouver des appels d'offres dans le domaine de l'ingénierie dans le secteur énergétique africain

‍

‍

2. La nouvelle génération de crawlers intelligents : une première révolution dans l'automatisation de la collecte de données

‍

La première étape de cette transformation consiste à automatiser la capture des données publiques à l'aide de crawlers et de scrapers intelligents. Les scrapers de la première génération étaient très basiques : ils visitaient un site web, récupéraient son HTML et l'extrayaient à l'aide de quelques règles prédéfinies. Le problème était que ces systèmes étaient extrêmement fragiles : le moindre changement dans la structure du site web cassait tout. De plus, ils étaient incapables de comprendre la logique éditoriale d'un site, et encore moins de distinguer les avis d'appel d'offres des simples articles d'actualité.

La nouvelle génération de crawlers, conçue pour le suivi des appels d'offres à grande échelle, fonctionne tout à fait différemment. Ils analysent les structures DOM, détectent automatiquement les schémas caractéristiques des avis d'appel d'offres, identifient les sections pertinentes, adaptent leurs règles lorsque le site change, reconstruisent la logique même lorsque les pages sont modifiées et reconnaissent des structures que le développeur n'a jamais vues. Il s'agit de systèmes dynamiques, capables d'explorer rapidement des milliers de sources, de contourner les obstacles techniques (CAPTCHA, redirections, sites multilingues) et de s'adapter à l'extrême diversité du web public mondial.

Grâce à ces architectures, les entreprises peuvent pour la première fois "voir" l'écosystème complet des publications d'appels d'offres, non seulement en France mais aussi dans des régions historiquement complexes comme l'Afrique de l'Ouest, le Moyen-Orient ou certaines parties de l'Asie. La collecte est devenue évolutive, elle est désormais industrialisable.

‍

‍

3. La véritable avancée : une intelligence artificielle capable de comprendre le contenu des appels d'offres

‍

La collecte d'informations ne résout pas le problème. Les entreprises ne veulent pas seulement voir les appels d'offres : elles veulent les comprendre, les qualifier, les classer par ordre de priorité et en extraire immédiatement des informations clés. C'est là que l'intelligence artificielle appliquée aux appels d'offres joue un rôle central.

‍

3.1. L'importance cruciale des ensembles de données massives pour la formation des modèles

Un modèle d'IA - même très avancé - ne peut produire de bons résultats que s'il a accès à un ensemble de données massif, propre et représentatif. Dans le domaine des marchés publics, cela signifie qu'il faut disposer de données historiques :

- plusieurs centaines de milliers d'appels d'offres,
- répartis par pays, régions et pouvoirs adjudicateurs,
- couvrant les années de publication,
- dans tous les formats existants,
- avec une grande diversité de vocabulaire, d'expressions et de structures.

Pourquoi est-ce essentiel ?
Parce que chaque pays a sa propre façon de rédiger un appel d'offres, ses propres formulations juridiques, ses propres métadonnées, et même ses propres habitudes d'écriture. Un modèle formé uniquement sur des données françaises serait incapable d'interpréter correctement un appel d'offres émis en Égypte, au Kenya, en Colombie ou au Vietnam.

La qualité des données historiques est donc une exigence non négociable pour un modèle performant.

‍

3.2. L'IA doit extraire trois niveaux d'informations de plus en plus complexes

Un appel d'offres n'est pas un simple texte. C'est un objet administratif, juridique et technique, et l'IA doit en extraire trois couches distinctes.

- Informations générales et administratives

Il s'agit d'éléments structurels : date de publication, délai, nom de l'acheteur, lieu d'exécution, type de procédure, type de marché (travaux, fournitures, services).
Ces éléments sont essentiels pour classer correctement les appels d'offres et fournir une base structurée aux moteurs de recherche.

Note : les informations générales et administratives sont, dans la plupart des cas, explicitement fournies par les pouvoirs adjudicateurs et donc directement accessibles par le biais de l'exploration, de la récupération ou, le cas échéant, des API des plateformes. Ces champs étant "codés en dur", leur extraction ne nécessite généralement pas d'algorithmes sophistiqués, contrairement aux informations juridiques ou techniques, dont l'interprétation est beaucoup plus complexe.

- Informations juridiques et procédurales

Ils déterminent s'il est possible de faire une offre.
Ils comprennent les visites obligatoires du site, les pénalités de retard, les conditions de renouvellement, les exigences de cautionnement, les obligations de certification et les critères d'évaluation pondérés.
Ces détails sont souvent enfouis dans des annexes ou des paragraphes difficiles à détecter. L'extraction automatique nécessite un modèle spécialement formé pour reconnaître des modèles juridiques complexes.

- Informations techniques et spécifiques au domaine

C'est là que réside l'essentiel de la valeur.
Ce sont les données les plus difficiles à extraire, car elles se trouvent généralement dans le CCTP (spécifications techniques), le règlement de l'appel d'offres ou de grandes annexes techniques.

Exemple : photovoltaïque
Un modèle expert doit être capable d'extraire :

- puissance totale du projet,
- nombre de panneaux,
- surface utilisable,
- type de site (auvent, toit, montage au sol),
- présence de systèmes photovoltaïques,
- distance par rapport au point de connexion au réseau le plus proche,
- type de terrain (friche industrielle, sol pollué, terre agricole, etc.).

Exemple : stations de recharge
Un modèle doit extraire la puissance de recharge (CA, CC, ultra-rapide), le nombre d'unités, le type d'installation, les normes requises, les modalités d'entretien et les contraintes du site.

Ces éléments d'information ne peuvent être extraits que par des modèles spécifiquement formés aux données techniques. Il ne s'agit pas d'une simple reconnaissance de texte, mais d'une interprétation du domaine.

Il est également important de noter que les DCE - et donc les CCTP - ne sont pas toujours directement accessibles. Les acheteurs demandent souvent aux fournisseurs de s'enregistrer avant de télécharger les documents d'appel d'offres. Cela crée une difficulté majeure : certaines informations techniques, bien qu'essentielles, ne peuvent pas être récupérées automatiquement et ne peuvent donc pas être analysées.

Un autre défi sous-estimé est le coût du traitement. Lorsque l'on fait appel à des LLM généralistes tels que Gemini, Claude, Mistral ou ChatGPT pour analyser des documents, les résultats peuvent être très bons, mais chaque analyse nécessite un appel payant à l'API. À l'échelle mondiale - des milliers ou des dizaines de milliers de documents par jour - le coût devient prohibitif.

C'est pourquoi le secteur a besoin de modèles natifs, optimisés, légers et économiquement viables, capables de traiter de grands volumes de documents sans faire exploser les coûts.

C'est aussi pourquoi ce métier ne s'improvise pas. Il nécessite des années de R&D continue, souvent en partenariat avec des entreprises technologiques ou des laboratoires universitaires spécialisés dans l'IA, pour créer des modèles propriétaires adaptés aux formats spécifiques, aux contraintes légales et à la diversité technique des documents d'appel d'offres.

‍

‍

‍

‍

‍

4. Dans un monde saturé de données, la Data Intelligence permet enfin d'extraire le signal utile

‍

Jamais auparavant autant de données publiques n'ont été disponibles. Mais cette abondance n'est pas une solution : c'est un problème. Le bruit est devenu immense et la valeur est enfouie sous des océans de textes, de PDF scannés, de documents incohérents et de publications parfois redondantes.

La Data Intelligence change tout. Elle filtre, normalise, enrichit et interprète les données pour :

- réduire drastiquement le bruit,
- identifier rapidement les opportunités pertinentes,
- comprendre les contraintes techniques et légales en quelques secondes,
- rendre les données consultables et exploitables,
- améliorer la prise de décision commerciale.

Il s'agit d'une transformation stratégique, et pas seulement technologique.

‍

5. Deepbloo : un leader technologique en matière d'IA appliquée aux appels d'offres dans le domaine de l'énergie et des infrastructures

‍

Deepbloo est l'une des rares entreprises capables d'appliquer l'intelligence des données et l'IA à ce niveau de profondeur dans les marchés publics, en particulier dans l'énergie et les infrastructures.

Vous pouvez découvrir une analyse complète sur la manière d'identifier les projets d'énergie renouvelable en France (et comment la plateforme peut vous aider) en consultant notre article dédié.

Grâce à plusieurs années d'exploration mondiale intensive, Deepbloo a construit l'un des plus grands ensembles de données dédiés aux appels d'offres dans le domaine de l'énergie et des infrastructures, contenant des centaines de milliers de publications historiques et des millions de documents techniques provenant de dizaines de pays.
Cette profondeur de données est un atout unique pour l'entraînement de modèles vraiment performants.

Deepbloo a développé sa technologie en étroite collaboration avec des institutions académiques de premier plan :

- Le LaBRI (Laboratoire d'Informatique de Bordeaux), l'un des plus grands laboratoires d'informatique en France.
- Chercheur Nathanaël Fijalkow, spécialiste de l'IA, de l'apprentissage statistique et de la modélisation des données complexes.
- L'Institut de science des données de Montpellier (Université de Montpellier), avec lequel un partenariat a été lancé en 2025 pour développer une nouvelle génération d'algorithmes d'analyse automatique des dossiers d'appels d'offres.

Ces collaborations permettent d'intégrer dans nos modèles des approches avancées en matière de structuration de textes, de reconnaissance automatique d'entités complexes et de classification technique.

Les pipelines technologiques de Deepbloo permettent de transformer les données brutes en intelligence opérationnelle.

- pour saisir automatiquement des appels d'offres provenant de milliers de sources,
- d'analyser des documents à l'aide de modèles spécialisés,
- pour extraire des informations techniques, juridiques et administratives,
- pour structurer les données dans un format standardisé,
- pour le rendre instantanément consultable par un moteur sémantique expert.

Pour les entreprises, il s'agit d'un changement de paradigme. Elles passent d'un suivi lent, incomplet et réactif à un système automatisé, exhaustif et intelligent, capable de détecter instantanément les appels d'offres pertinents et d'en extraire des informations clés.

Deepbloo a également été invité à présenter son approche de l'IA - basée sur des petits modèles agiles spécifiquement entraînés pour l'analyse des appels d'offres - lors de l'événement Dataquitaine. Voici la vidéo de cette présentation.

Demandez une démo ici.

‍

Conclusion - L'IA et la Data Intelligence ne sont plus optionnelles : ce sont des leviers stratégiques pour les entreprises.

‍

Le suivi des appels d'offres est devenu un enjeu crucial dans un monde où les données publiques se multiplient et où la concurrence internationale s'intensifie. Les méthodes manuelles ne peuvent plus suivre l'ampleur, la diversité et la complexité des publications. Seules des approches basées sur la Data Intelligence, des modèles d'IA spécialisés et une expertise sectorielle approfondie le permettent désormais :

- pour couvrir un périmètre global,
- pour extraire les signaux pertinents du bruit,
- pour analyser automatiquement des documents complexes,
- pour capturer des informations techniques et juridiques essentielles,
- et pour identifier les opportunités au bon moment.

Grâce à ses capacités techniques, à la profondeur de ses données et à ses partenariats scientifiques, Deepbloo est l'un des acteurs les plus avancés dans cette transformation. L'entreprise démontre que l'IA appliquée au suivi des appels d'offres n'est plus futuriste : c'est une réalité opérationnelle qui améliore déjà la performance commerciale de nombreuses organisations en France et dans le monde.

‍