Une intelligence artificielle à l’œuvre à chaque étape de votre activité

Elle lit les documents, remplit les champs, trouve les tarifs et les droits, et lit les factures — l’IA intervient à chaque étape.

L’IA lit vos documents de transport et remplit les champs — 98,6 % de précision

Traduction automatique des documents et des messages dans 36 langues

Formulaire prérempli depuis une photo, recherche tarifaire et lecture des factures

Le système lit vos documents — vous n’avez pas une seule donnée à saisir

L’IA lit vos CMR, factures, T1/T2, listes de colisage et connaissements ; elle extrait des champs comme le code SH, le poids et l’expéditeur avec un score de confiance, et remplit elle-même le formulaire.

Ne saisissez plus jamais les données vous-même.

Photographiez un produit, le catalogue se remplit tout seul

L’IA analyse la photo d’un produit ou d’une palette et suggère automatiquement les champs du catalogue — nom, catégorie, marque, dimensions : vous créez une fiche de stock en quelques secondes.

Les suggestions sont modifiables ; elles sont enregistrées après votre validation.

L’IA repère les incohérences entre vos documents

Elle compare le nombre de colis, les poids et les noms des parties entre la CMR, la facture et la liste de colisage ; elle signale les incohérences, valide le type de document et vous avertit des fichiers non valides.

L’IA repère les écarts qui échapperaient à l’œil humain.

Une IA présente à chaque étape de votre activité

Pas un simple assistant, mais une couche d’IA qui opère sur les documents, les tarifs, le catalogue, les contrôles et les factures.

Les résultats tarifaires et antidumping sont fournis à titre indicatif uniquement.

Lecture de documents et extraction de champs — Lit la CMR, la facture, le T1/T2, la liste de colisage et le connaissement ; remplit les champs avec un score de confiance.
Traduction en 36 langues — Traduit automatiquement documents et messages dans 36 langues, pour que vous échangiez dans votre propre langue.
Formulaire prérempli depuis une photo — Suggère automatiquement les champs du catalogue à partir de la photo d’un produit ou d’une palette ; l’enregistrement se fait après votre validation.
Recherche tarifaire et antidumping — Fournit codes SH, droits d’importation et mesures antidumping en vigueur à partir de sources officielles TR/UK/UE/US, avec l’IA si nécessaire.
Contrôle de cohérence — Repère les écarts de nombre de colis, de poids et de noms des parties entre les documents ; valide le type de document et signale les fichiers non valides.
Lecture des factures de fret — L’IA lit la facture de fret reçue, en extrait le montant total et la partie facturée, et les rattache au dossier d’expédition.

Pilotez votre activité avec l’IA

Lecture de documents, traduction, tarifs, contrôles de cohérence et lecture des factures — le tout sur un socle unique, dès le premier jour.

Que fait réellement un logiciel d’IA pour la logistique et la chaîne d’approvisionnement ?

Quatre capacités de l’IA sont matures en logistique : l’extraction des champs des documents, le contrôle croisé des documents entre eux, la traduction multilingue et la conversion de photos en données structurées. Cinq autres sont en développement : l’aide au classement tarifaire, l’évaluation des dommages, la saisie des justificatifs de dépenses, l’ETA et la création de dossiers à partir de texte libre. Tout cela relève de la saisie et du contrôle de données. L’IA ne décide ni du classement, ni des déclarations, ni des prix ; ses résultats sont probabilistes et exigent une validation humaine. La valeur dépend de la fréquence à laquelle se répète l’étape manuelle remplacée, et non de la liste des fonctionnalités.

Ce que l’IA fait réellement en logistique aujourd’hui se résume à neuf capacités : quatre matures, cinq encore en développement. Les capacités matures se vérifient en quelques secondes en confrontant le résultat à sa source : extraire les champs des documents, lire les documents les uns par rapport aux autres pour signaler les écarts, traduire la correspondance et les documents, et transformer une photo en données structurées. Celles qui sont en développement exigent du jugement, dépendent de conditions extérieures ou de la discipline sur le terrain : l’aide au classement tarifaire, l’évaluation des dommages sur les équipements, la saisie des justificatifs de dépenses, l’heure d’arrivée estimée et la création de dossiers à partir de texte libre.

Ce qu’elles ne font pas est tout aussi clair. Elles ne prennent en charge ni le classement, ni la déclaration, ni la fixation des prix ; ces actes engagent une responsabilité et restent du ressort d’une personne. Elles ne prévoient ni une file d’attente en douane, ni la capacité d’un ferry, ni un contrôle à la frontière. Surtout, un résultat d’IA est une probabilité, pas une certitude : chaque champ comporte un risque d’erreur, si bien qu’aucun flux de travail conçu sans étape de validation n’est sûr.

Cette page attribue à chacune des neuf capacités un niveau de maturité et précise comment elle se mesure, où elle échoue et de quelles données elle a besoin. Ensuite : comment tester en démo l’affirmation « nous avons de l’IA » d’un éditeur.

Le vrai travail de l’IA en logistique, c’est lire, pas prédire : extraire des données structurées des documents papier, des photos et du texte libre.
Jugez chaque capacité à l’aune de deux questions — comment est-elle mesurée, et où se trompe-t-elle ? Une promesse d’IA qui ne répond à aucune des deux n’est pas mesurable.
Un pourcentage de précision ne veut rien dire en soi : demandez sur quel jeu de documents, s’il s’agit d’une mesure par champ ou par document, et qui a effectué la mesure.
Faites la démo sur vos pires documents scannés, pas sur le jeu préparé par l’éditeur. C’est précisément là que l’IA échoue.
Si une extraction arrive dans le dossier sans validation, le système génère une charge de correction cachée qui engloutit le temps gagné.
Sans données, pas d’IA : un historique manquant, un annuaire de partenaires commerciaux vide et des scans en basse résolution dégradent directement le résultat.

Que fait réellement l’IA en logistique ?

Extraction des champs des documents / lecture de documents (mature) — Reconnaît le type de document — facture commerciale, lettre de voiture CMR, liste de colisage, certificat d’immatriculation, passeport — et transforme son contenu en données structurées : noms des parties, dates, nombre de colis, poids brut et net, montants, numéros de documents, dates d’expiration. Dans les systèmes bien conçus, les données extraites arrivent dans le formulaire sous forme de suggestion et sont validées avant d’être enregistrées. Ce n’est pas un standard du secteur, mais un choix de conception sur lequel il faut interroger l’éditeur séparément. Le travail de saisie qui consiste à lire des documents et à les retaper à l’écran. Dans la plupart des entreprises, ce n’est pas un poste dédié, mais une charge diluée dans la journée de l’exploitant et du comptable. Deux indicateurs combinés : la précision par champ (champs correctement extraits divisés par le nombre total de champs qui auraient dû être lus) et le taux d’intervention (documents nécessitant une correction humaine divisés par le nombre total de documents). Le chiffre par document — les documents qui passent sans aucune correction — est toujours plus bas, car un seul champ erroné fait échouer tout le document. Les mentions manuscrites, le texte qui chevauche un tampon ou une signature, les scans de qualité fax ou en basse résolution, les photos prises de biais au téléphone, les tableaux à plusieurs colonnes tassés sur une seule page et les modèles jamais vus auparavant. Les erreurs augmentent fortement dans les mises en page où le système lit la position sur la page plutôt que le libellé du champ. Une copie numérique à une résolution lisible — idéalement un PDF nativement numérique — et la page complète, non rognée. Pour la validation, le champ doit avoir un équivalent dans le système, par exemple la raison sociale officielle de l’entreprise telle qu’enregistrée dans votre annuaire de partenaires commerciaux.
Contrôle de cohérence entre documents (mature) — Lit les documents d’une même expédition les uns par rapport aux autres et signale les écarts : le poids sur la facture face au poids sur la liste de colisage, le nombre de colis, les noms des parties, l’origine et la valeur. L’incohérence apparaît avant le départ du camion ou le dépôt de la déclaration — pas à la frontière. La personne qui pose deux ou trois documents côte à côte et les compare à l’œil. Les jours chargés, c’est la première tâche abandonnée — et le jour où elle l’est, c’est celui où elle coûte le plus cher. Le taux de détection (combien d’incohérences connues ont été signalées) et le taux de fausses alertes (combien d’avertissements produit un jeu parfaitement cohérent). Si le second n’est jamais mesuré, l’équipe apprend à ignorer les avertissements et le contrôle devient décoratif en quelques semaines. Partout où un même fait est écrit sous des formes différentes mais légitimes : brut face à net, unités différentes, montants arrondis, nom commercial abrégé, deux adresses pour la même entreprise. Si un document n’a jamais été téléversé, le contrôle est partiel ; à moins que le système n’indique « il n’y a pas de second enregistrement à comparer », une lacune silencieuse s’ouvre et l’équipe croit qu’un contrôle a été effectué. Au moins deux documents, tous deux rattachés au même dossier d’expédition. La liste des champs à comparer et le seuil de tolérance — combien de kilos d’écart passent sans avertissement — doivent être définis.
Aide au classement tarifaire — codes SH et nationaux (en développement) — Propose des codes tarifaires candidats à partir de la description du produit et de la ligne de facture, rapproche des descriptions similaires et affiche les droits d’importation ainsi que les mesures commerciales en vigueur pour ce code. En Turquie, le code national est le GTİP, qui prolonge le code SH international à six chiffres par des chiffres nationaux supplémentaires ; d’autres marchés étendent le SH à leur manière. La suggestion est une liste restreinte — la décision sur le code à déclarer reste du ressort d’une personne. L’employé chargé de la conformité douanière qui parcourt le tarif ligne par ligne, fouille d’anciens dossiers à la recherche d’un produit similaire, ou envoie un e-mail à un expert et attend sa réponse. La fréquence à laquelle le bon code apparaît en première suggestion, et celle à laquelle il figure parmi les trois premières ; utilisez comme jeu de référence vos propres déclarations passées et clôturées. Observez aussi la fréquence à laquelle l’outil dit clairement qu’il n’est pas sûr — un outil qui n’hésite jamais n’est pas mesurable. Les marchandises composées de plusieurs matières, les articles vendus en assortiment, les pièces de machines qui se classent selon leur fonction et les lignes dont le nom commercial est générique (« accessoire », « pièce de rechange »). Comme les subdivisions nationales au-delà des six chiffres du SH diffèrent d’un pays à l’autre, un même produit peut relever de codes différents à l’import et à l’export ; lorsque la nomenclature évolue lors d’une mise à jour annuelle, un code tiré d’un ancien dossier peut ne plus avoir d’équivalent aujourd’hui. Si l’écran n’indique pas quelle année de nomenclature l’outil consulte, vous ne pouvez pas vérifier la suggestion. La description technique, la composition des matières, l’usage prévu, le pays d’origine et, si possible, une photo. La qualité des suggestions baisse nettement lorsque seul le nom commercial abrégé de la ligne de facture est fourni.
Traduction multilingue de la correspondance et des documents (mature) — Traduit sur-le-champ la correspondance liée aux expéditions et les documents en langue étrangère ; chaque partie écrit et lit dans sa propre langue. En logistique, le vrai gain n’est pas la traduction mot à mot, mais la garantie que les phrases portant les adresses, les consignes d’emballage, les conditions de paiement et les instructions de livraison sont bien comprises. Les heures perdues dans un onglet de traduction, la traduction sous-traitée et le goulet d’étranglement de « la seule personne ici qui parle la langue ». Mesurez les erreurs qu’elle provoque, pas la traduction elle-même : les incidents dus à un malentendu (mauvaise adresse, mauvais emballage, date de livraison manquée) et le temps pendant lequel un dossier reste en suspens dans l’attente d’une traduction. L’argot du métier et les abréviations, la terminologie douanière locale, deux langues mélangées dans une même phrase, les unités et formats de date différents, et les nuances juridiques. La traduction automatique d’un contrat ou d’un texte de déclaration n’a aucune valeur juridique, et la traduction par erreur des noms de parties et de lieux est un autre échec fréquent. Le texte lui-même ; pour les documents, d’abord un scan lisible. Des noms d’entreprises, de personnes et de lieux correctement orthographiés dans l’annuaire évitent que ces noms soient traduits à tort.
Extraction de données et mesure à partir de photos — palettes, marchandises, véhicules (mature) — Des champs comme la catégorie de produit, le type d’emballage, la plaque d’immatriculation ou les dimensions d’une palette sont extraits d’une photo. Dans les systèmes bien conçus, ils arrivent dans le formulaire sous forme de suggestions et ne sont pas enregistrés sans validation ; ce n’est pas un standard, mais un choix de conception sur lequel il faut interroger l’éditeur séparément. Lorsque le téléphone dispose d’un capteur de profondeur, longueur, largeur et hauteur sont relevées avec une marge d’erreur bien plus étroite qu’une estimation par photo ; cette marge varie selon l’appareil, la distance et la surface, et elle reste consignée dans le dossier avec la photo. La mesure au mètre ruban notée dans un carnet, la recopie des données de la carte grise à l’écran et la création d’un nouveau produit à partir d’un formulaire vierge. Le nombre de champs suggérés validés sans modification et l’écart de temps de remplissage du formulaire. Pour la mesure, la référence est la même palette mesurée au mètre ruban ; l’écart est exprimé en centimètres. Un éclairage insuffisant, les surfaces filmées et réfléchissantes, les charges empilées de façon irrégulière ou débordantes, d’autres palettes à l’arrière-plan, et une profondeur impossible à déduire d’une seule image. La mesure par capteur n’est pas non plus exempte d’erreur ; l’écart augmente sur les surfaces réfléchissantes et filmées. Le volume déduit d’une photo est une estimation : en cas de litige sur le poids volumétrique, savoir quel enregistrement fait foi est une question contractuelle — convenez par écrit de la méthode de mesure dès le départ. Une photo cadrant l’ensemble de la charge, prise de face et sous un éclairage suffisant. La mesure nécessite un appareil doté d’un capteur de profondeur et assez d’espace pour faire le tour de la palette.
Évaluation des dommages et de l’état des équipements — photos de remise (en développement) — Les photos prises lorsqu’une remorque, un conteneur ou une charge change de mains sont analysées ; les dommages visibles, les pièces manquantes et les souillures sont signalés, et la différence entre deux remises est mise en évidence. Le résultat est un enregistrement horodaté ; ce qui détermine la responsabilité n’est pas la photo elle-même, mais la période de garde pendant laquelle elle a été prise. L’habitude d’imputer les dommages au dernier conducteur sans preuve, et les litiges sur les retenues qui ne reposent que sur les souvenirs de chacun. La part des remises avec un jeu de photos complet et la part des litiges sur dommages clos sur preuve. La détection se mesure à part : taux de détection sur des jeux présentant des dommages connus, fausses alertes sur des jeux sans dommage. La limite absolue est la suivante : on ne peut pas distinguer de façon fiable un dommage ancien d’un dommage récent. Le système n’attribue donc pas la responsabilité ; il montre la différence entre deux moments, et la décision de savoir dans quelle période de garde tombe cette différence reste du ressort d’une personne. Les images prises de nuit ou sous la pluie, les surfaces boueuses, les toits et les châssis jamais visibles en raison d’un angle de prise de vue étroit, et la marchandise cachée dans une caisse fermée affaiblissent encore la détection. Un jeu de photos pris sous les mêmes angles à chaque remise, avec l’heure et le lieu de prise de vue, ainsi que la trace de qui détenait l’équipement à ce moment-là. Cette capacité dépend entièrement de la discipline sur le terrain : si la photo n’a jamais été prise, il n’existe aucun enregistrement à analyser.
Saisie des justificatifs de dépenses et des factures de frais, imputation aux coûts (en développement) — Les tickets de carburant, de péage, de stationnement, de réparation et de contrôle technique sont lus ; le montant, la date, la devise, le commerçant et la catégorie de coût sont extraits et imputés au bon véhicule, au bon trajet ou au bon compte conducteur. La partie lecture est aussi mature que l’extraction de documents ; ce qui est encore en développement, c’est le rattachement du ticket au bon véhicule, à la bonne ligne de coût et au bon taux de change. Un ticket en devise étrangère est converti selon la politique de change définie par l’entreprise — le plus souvent le taux du jour de la dépense — et le taux appliqué comme sa source doivent être visibles dans l’enregistrement. Le comptable qui saisit un sac de tickets dans un tableur en fin de mois, et la dispute avec le conducteur sur les chiffres. Le temps de traitement par ticket, la part des champs corrigés à la main et le nombre de tickets non rapprochés à la clôture mensuelle. Suivez aussi quelle part du coût total par véhicule peut être ventilée par catégorie — ce qui ne peut pas être ventilé disparaît dans les frais généraux. Le papier thermique décoloré, les tickets pliés ou déchirés, les libellés de lignes imprimés uniquement dans la langue locale, les quatre derniers chiffres illisibles d’une carte, un ticket couvrant plusieurs véhicules, et un moyen de paiement impossible à déduire du ticket. Si la date est illisible, la conversion de devise ne peut pas être établie de façon fiable. Une photo nette montrant l’intégralité du ticket, la date de la dépense, quel conducteur était associé à quel véhicule à cette date et le moyen de paiement — espèces, carte d’entreprise et carte carburant ne s’imputent pas de la même façon —, ainsi que la politique de change de l’entreprise et la source de taux utilisée.
Heure d’arrivée estimée et ordonnancement des arrêts (en développement) — Une heure d’arrivée estimée est calculée à partir de la distance, de l’itinéraire et des conditions de circulation ; sur les trajets à plusieurs arrêts, ceux-ci sont ordonnés selon la distance totale la plus courte. L’essentiel relève du calcul plutôt que de l’apprentissage ; un véritable apprentissage ne commence qu’une fois vos propres durées de trajet et temps d’attente historiques intégrés aux données. Le planificateur qui construit de tête l’ordre des arrêts en regardant une carte, et le « demain dans la soirée, normalement » donné au client au téléphone. L’erreur absolue moyenne de l’estimation (l’écart entre l’arrivée prévue et l’arrivée réelle) et le respect du créneau de livraison promis. Pour l’ordonnancement, l’étalon est la différence de kilomètres totaux entre l’itinéraire du système et un itinéraire construit à la main. Les files d’attente en douane et aux frontières, les horaires de départ des ferries et les traversées complètes, les grèves, la météo, les heures de fermeture du destinataire et l’attente au quai. C’est là que se loge l’essentiel des retards, et la plupart échappent à l’estimation. Sans votre propre historique, le système n’apprend jamais les temps d’attente réels sur vos axes. Des adresses et des coordonnées exactes, un flux de position en temps réel, les horaires d’ouverture et de rendez-vous de chaque arrêt, et les restrictions liées au type de véhicule. L’apprentissage exige des durées de trajet passées et des temps d’attente réels enregistrés sur le même axe.
Création de dossiers à partir de texte libre et d’instructions vocales (en développement) — Un e-mail de commande, un message ou une instruction orale est transformé en dossier structuré : parties, adresses, lignes, poids et dates arrivent dans les champs. Une phrase comme « remplace l’adresse du destinataire par celle-ci » ou « supprime la troisième ligne » met à jour le champ concerné, si bien que quelqu’un qui ne connaît pas les écrans peut quand même faire le travail en le décrivant. L’employé qui recopie les mêmes informations d’un e-mail vers un formulaire, et le temps qu’un nouvel arrivant passe à apprendre sur quel écran va chaque information. La part des champs remplis par dossier, le nombre de corrections humaines et le temps nécessaire pour ouvrir un premier dossier sans erreur. Comme indicateur distinct, suivez la fréquence à laquelle un utilisateur non formé mène la tâche à bien seul, du premier coup. Les instructions vagues ou contradictoires (« envoie-le comme d’habitude »), le contexte resté en haut d’un fil d’e-mails, l’audio capté dans une cabine bruyante, le choix entre deux entreprises aux noms proches ou entre deux adresses d’une même entreprise, et une devise ou une condition de livraison jamais précisée. Sur les champs critiques, le système doit poser la question plutôt que deviner. Le texte intégral de l’instruction ou un enregistrement audio clair, ainsi qu’un annuaire des entreprises, des adresses et des produits bien renseigné. Avec un annuaire vide, l’extraction n’a rien à rapprocher, et le système se met à créer des enregistrements nouveaux mais erronés.

Comment tester en démo l’affirmation d’un éditeur sur son IA ?

« Notre IA lit vos documents automatiquement — la saisie disparaît. » — Téléversez à la suite trois versions provenant du même fournisseur : un document sur l’ancien papier à en-tête, un sur le nouveau, et un PDF nativement numérique. Comptez champ par champ — combien sont corrects, combien sont restés vides, combien sont remplis mais faux. Distinguez ensuite la cause de l’échec : le changement de modèle ou la qualité du scan ? Les remèdes diffèrent, et les éditeurs ne parlent généralement que du second. Les champs remplis mais faux sont les plus dangereux, car personne ne ressent le besoin de les vérifier. Un seul modèle présenté et le reste balayé d’un « nous configurerons cela lors de la mise en service » ; découvrir seulement après la signature que chaque nouveau modèle fournisseur est une prestation de configuration payante ; et aucun chiffre sur la baisse de précision quand un modèle change.
« Notre précision de lecture des documents est de quatre-vingt-dix et quelques pour cent. » — Commencez par une seule question : sur quel jeu de documents, avec combien d’échantillons, par champ ou par document, et qui a effectué la mesure ? Répétez ensuite la même mesure sur vingt de vos propres documents et produisez deux chiffres distincts — par champ et par document. L’écart entre les deux correspond à la charge de correction réelle que portera votre équipe. Un pourcentage unique sans aucune définition derrière, l’expression « standard du secteur », ou une réticence à répéter la mesure sur vos propres documents.
« L’IA vous signale quand elle n’est pas sûre. » — Téléversez un document volontairement abîmé : rayez un champ ou coupez la moitié de la page. Les champs à faible confiance se distinguent-ils visuellement à l’écran, ou chaque champ paraît-il aussi certain que les autres ? Essayez ensuite d’enregistrer — le système inscrit-il le champ incertain sans validation, ou le renvoie-t-il à un humain ? Tous les champs présentés avec la même certitude, un système incapable de dire « je ne suis pas sûr », et une extraction écrite directement dans le dossier sans aucune étape de validation.
« Le système apprend à l’usage — vous corrigerez de moins en moins. » — Corrigez un champ mal extrait, puis téléversez un second document sur le même modèle et du même fournisseur. La même erreur se reproduit-elle ? Si oui, posez trois questions : où ma correction est-elle stockée, existe-t-il une mémoire au niveau du modèle ou du fournisseur, et au bout de combien de temps l’effet se voit-il ? Un « oui, il apprend » sans aucun mécanisme derrière, et le refus d’admettre que la correction n’a en réalité été inscrite que dans ce seul dossier. Si l’apprentissage a réellement lieu, le second risque joue en sens inverse : à moins que le contrat ne précise comment vos données sont utilisées pour d’autres clients, vous risquez de payer cet apprentissage avec vos propres contenus.
« Notre IA trouve le code tarifaire douanier de votre produit. » — Donnez-lui un article difficile à classer : un textile en fibres mélangées, un assortiment vendu avec ses accessoires ou une pièce de machine qui se classe selon sa fonction. Interrogez ensuite le même produit avec deux descriptions différentes — l’une reprenant le nom commercial abrégé de la ligne de facture, l’autre une description technique complète incluant la composition des matières et l’usage prévu. Si le code change, vous savez à quoi l’outil est sensible ; s’il ne change jamais, il fait très probablement correspondre des mots-clés plutôt que de lire la description. Regardez aussi si l’écran affiche un code unique ou une liste de candidats argumentée. Un code unique sans justification, la même réponse avec la même confiance pour deux descriptions très différentes, un système qui ne peut jamais dire « je ne suis pas sûr » sur aucune ligne, et toute insinuation du type « vous pouvez déclarer sous ce code ».
« Notre IA détecte les incohérences entre vos documents. » — Testez trois choses séparément. D’abord, placez l’écart dans un champ non numérique — faites différer le nom du destinataire ou le pays d’origine ; le système ne regarde-t-il que le poids et le nombre de colis, ou compare-t-il aussi les champs texte ? Ensuite, retirez complètement un document du jeu ; le système indique-t-il « il n’y a pas de second enregistrement à comparer », ou affiche-t-il le dossier comme contrôlé ? Enfin, téléversez un jeu parfaitement cohérent et comptez le nombre d’avertissements produits. Demandez ensuite la liste écrite des champs contrôlés et la façon dont le seuil de tolérance se configure. Aucune liste des champs contrôlés disponible, un dossier auquel il manque un document affiché comme « contrôlé », des avertissements levés sur un jeu cohérent, et aucun moyen de gérer les avertissements autre que de les désactiver.
« Vos données sont en sécurité — nous nous occupons de la partie IA. » — Posez trois questions par écrit : vers quel pays un document transite-t-il pendant son traitement ; combien de temps est-il conservé et comment fonctionne une demande de suppression ; est-il consigné qui a corrigé une extraction, quand et avec quelle valeur ? Exigez les réponses dans une annexe au contrat et, pendant la démo, faites ouvrir l’historique des modifications d’un dossier pour le consulter vous-même. Des assurances verbales sans annexe écrite, la question du lieu de traitement éludée, et aucune trace des corrections conservée.

Trois approches : règles, IA greffée, plateforme nativement IA

Automatisation à base de règles (sans IA) — Les tâches répétitives dont le format d’entrée est fixe : importer des fichiers qui arrivent toujours sur le même modèle, déclencher une alerte à l’expiration d’un document, ordonner des arrêts selon la distance la plus courte, générer une facture à partir des données d’expédition. Quand le format est fixe, une règle est toujours moins chère, plus rapide et plus facile à auditer. Le résultat est reproductible et explicable : la même entrée produit toujours la même sortie Le débogage est simple — vous pouvez désigner la règle qui a produit le mauvais résultat Elle est défendable en cas d’audit, car le raisonnement est le texte même de la règle Elle casse dès qu’un modèle change ; chaque nouveau document fournisseur implique une nouvelle règle Elle ne peut pas traiter du tout les entrées non structurées — texte libre, photos, écriture manuscrite À mesure que les règles se multiplient, l’ensemble devient un empilement que personne ne comprend plus de bout en bout
IA greffée sur un logiciel existant — Les entreprises dont l’activité est bien rodée et qui ont un goulet d’étranglement clairement identifié : uniquement la lecture des factures entrantes, ou uniquement la traduction de la correspondance. Si vous voulez accélérer une étape précise sans remplacer le système central, c’est un point de départ raisonnable. Elle accélère une seule étape, avec un faible risque de migration et peu de formation Le périmètre étant restreint, le succès se voit vite dans les mesures Si elle ne vous convient pas, vous retirez le module seul ; inutile de déplacer toute l’activité Les données extraites ne se rattachent généralement pas au dossier principal ; elles s’affichent à l’écran mais n’alimentent jamais l’expédition, la facture ni les comptes tiers Elle ne peut pas faire de contrôle croisé : elle ne lit que le document qu’elle a sous les yeux et ignore tout du second enregistrement à comparer La validation, la correction et la piste d’audit se trouvent ailleurs, si bien que la chaîne de responsabilité se rompt
Plateforme nativement IA (extraction au sein même du dossier) — Les activités où les mêmes données sont ressaisies plusieurs fois par jour et où la charge documentaire et linguistique est lourde. Le critère est la répétition, pas le secteur : comptez dans combien d’endroits distincts vous écrivez le même poids, le même nombre de colis et les mêmes coordonnées des parties en une journée. Si ce nombre est élevé, cette approche est rentable ; s’il est faible, elle ne l’est pas. Les mêmes données sont saisies une seule fois ; les deuxième et troisième ressaisies n’ont jamais lieu La comparaison est possible, car documents et dossiers partagent le même contexte Seuils de tolérance et règles de validation se définissent en un seul endroit, et non séparément pour chaque étape Un champ erroné contamine non seulement le formulaire, mais aussi l’expédition, la facture et les écritures comptables qui s’y rattachent ; le corriger coûte plus cher qu’avec un simple module Elle crée une dépendance à un fournisseur unique ; ne vous engagez pas sans garantie contractuelle sur l’export des archives et de l’historique avec leurs pièces jointes Le gain ne commence qu’une fois les données intégrées ; dans un bureau qui clôture une poignée de dossiers par mois, l’effort de mise en place peut dépasser le bénéfice

Idées reçues du secteur et réalité

L’IA lit parfaitement les documents — plus personne n’a besoin de vérifier. — L’extraction est probabiliste ; chaque champ arrive avec un niveau de confiance. Une configuration correcte prévoit une étape de validation qui laisse passer les champs à haute confiance et renvoie les champs incertains à une personne. La responsabilité n’est jamais transférée au logiciel : c’est toujours vous qui déposez la déclaration, émettez la facture et promettez la date de livraison.
L’IA détermine le code tarifaire douanier d’un produit. — L’IA propose des codes candidats et fait ressortir des descriptions similaires ; le classement est une affaire de jugement et de responsabilité. Les mesures antidumping et de sauvegarde se lisent généralement dans le libellé de la mesure plutôt que par correspondance de code, et la source qui fait foi est la publication officielle. Un outil qui donne un code unique sans montrer sa source ni sa date de mise à jour vous transfère le risque.
Si c’est automatique, c’est de l’IA. — L’essentiel de l’automatisation des logiciels logistiques repose sur des moteurs de règles et sur l’optimisation : une alerte d’expiration de document est une règle de date, l’ordonnancement des arrêts un calcul de plus court chemin, la mise en correspondance des demandes un filtre. Tout cela a de la valeur, mais ce n’est pas de l’IA. Bien les nommer compte, car les preuves à exiger pour chacun diffèrent.
Le système devient plus intelligent tout seul à mesure que vous l’utilisez. — Dans la plupart des produits, votre correction n’est inscrite que dans ce seul dossier, et la même erreur se reproduit sur le document suivant. L’apprentissage n’a lieu que si les corrections sont collectées et transformées en mémoire au niveau du modèle ou du fournisseur. Demandez le mécanisme à l’éditeur ; « il apprend », à lui seul, n’est pas un engagement.
L’IA connaît les retards à l’avance. — Les estimations sont produites à partir de la distance, de l’itinéraire et des durées passées, or la plupart des retards en logistique sont externes — files d’attente en douane, capacité des ferries, contrôles, grèves, attente au quai. Une bonne estimation n’empêche rien de tout cela ; elle annonce honnêtement sa marge d’erreur. Un système qui ne communique jamais son erreur d’estimation moyenne ne doit pas servir à faire des promesses aux clients.
Il suffit d’activer l’IA — nous avons déjà les données. — Le résultat de l’IA ne peut pas dépasser la qualité de ses données d’entrée. Des scans en basse résolution rendent la lecture impossible, un annuaire d’entreprises et de produits vide rend le rapprochement impossible, un dossier d’expédition ne comportant qu’un seul document rend le contrôle croisé impossible, et des durées de trajet passées non enregistrées rendent l’estimation impossible. Ces projets butent généralement sur les données plutôt que sur le modèle, et changer de modèle n’y remédie pas.

Où se situe Logistivo sur ces neuf capacités ?

Logistivo relève de la troisième approche : l’extraction se fait au sein du dossier, pas dans un module greffé. Sur les neuf capacités — extraction des champs des documents : oui, avec une étape de validation. Contrôle entre documents : oui ; les écarts de poids, de colis et de parties apparaissent avant la déclaration. Classement tarifaire : au stade de l’aide, pas mature ; les codes candidats portent une indication de source et sont archivés tels qu’ils se présentaient ce jour-là. Traduction : oui, 36 langues. Extraction et mesure à partir de photos : oui, sous forme de suggestions de formulaire. Évaluation des dommages : oui, optionnelle par entreprise et désactivée par défaut. Justificatifs de dépenses : oui, multidevise. Apprentissage de l’ETA : non. Du texte libre et de la voix au dossier : oui, avec une étape de validation. Nous ne publions aucun chiffre de précision unique ; une démo mesure la précision par champ et par document sur 20 de vos propres documents, et le résultat vous est remis par écrit.

Dans Logistivo, l’IA ne décide de rien : les champs extraits arrivent sous forme de suggestions, ne sont pas inscrits dans le dossier sans validation, et un code tarifaire candidat n’a rien de contraignant — la déclaration elle-même est enregistrée dans le propre système de l’administration des douanes, où les données sont saisies à la main. Les recherches tarifaires et de mesures commerciales sont décomptées des crédits de votre compte ; dans les bureaux où le volume de recherches est très élevé, cela constitue un poste de coût à part. Il n’y a pas d’apprentissage à partir des durées de trajet passées pour l’ETA, et l’ordonnancement des arrêts est un calcul de plus court chemin. Aucun volume de demande, aucun tarif de fret ni aucune prévision de marché n’est produit. Les données de position proviennent du téléphone du conducteur ; les boîtiers de suivi embarqués, le chronotachygraphe et la télémétrie des capteurs de carburant ne sont pas lus. Sur les documents manuscrits, le texte masqué par un tampon ou les scans en basse résolution, la précision de lecture baisse et une partie de la charge de travail vous incombe. Dans une entreprise qui ne parvient pas à faire adopter l’application à ses conducteurs, aucune donnée terrain n’est jamais créée, si bien que toutes les capacités fondées sur la photo et la position restent inutilisées.

Questions fréquentes

Quels documents l’IA sait-elle lire ?

Elle lit les documents logistiques courants — lettre de voiture CMR, facture commerciale, déclaration de transit T1/T2, liste de colisage, connaissement — et en extrait les champs. Les PDF et les photos sont pris en charge.

Quel est le taux de précision ?

La précision de l’extraction des champs est de 98,6 %. Chaque champ est accompagné d’un score de confiance et reste modifiable avant votre validation — l’IA suggère, vous décidez.

Dans combien de langues traduit-elle ?

Elle traduit automatiquement documents et messages dans 36 langues : vous échangez dans votre propre langue et lisez les documents reçus dans votre langue maternelle.

Puis-je ajouter un produit à partir d’une photo ?

Oui. Lorsque vous photographiez un produit ou une palette, l’IA suggère les champs du catalogue — nom, catégorie, marque, dimensions ; votre fiche de stock est créée dès que vous validez.

L’IA protège-t-elle mes données ?

Vos données vous appartiennent et restent cloisonnées entre entreprises ; tout le trafic entre le navigateur ou l’application mobile et nos serveurs est chiffré en TLS (HTTPS), les documents sont stockés dans l’Union européenne et votre compte est protégé par une authentification à deux facteurs. Vos données restent au sein de votre propre activité.

Comment savoir si une fonctionnalité relève vraiment de l’IA ou d’un simple moteur de règles ?

Une différence de comportement suffit à trancher : si la même entrée renvoie toujours exactement la même sortie, c’est une règle ; si la sortie comporte un niveau de confiance, varie selon des entrées similaires mais différentes et peut dire « je ne suis pas sûr », c’est une inférence. Une alerte d’expiration de document est une règle de date, l’ordonnancement des arrêts un calcul de plus court chemin, la mise en correspondance des demandes un filtre — utiles, mais pas de l’IA. La distinction compte pour les preuves : une règle vous doit son texte ; une inférence vous doit une mesure de précision, un indicateur de confiance et une étape de validation. Si un éditeur vend les deux sous un même mot, précisez dans le contrat ce que vous achetez. Notre guide des logiciels pour commissionnaires en douane traite de l’équivalent pour les dossiers de douane.

Quelle est la différence entre un logiciel logistique assisté par l’IA et un logiciel logistique classique ?

La différence ne tient pas à la liste des fonctionnalités, mais à la manière dont les données entrent dans le système. Dans un logiciel classique, une personne remplit les champs ; dans un logiciel assisté par l’IA, les champs sont suggérés à partir d’un document, d’une photo ou d’un texte libre, et la personne se contente de valider. La seconde différence est le contrôle : comme le système qui effectue l’extraction voit aussi les autres enregistrements rattachés à la même expédition, il peut signaler les écarts entre documents. Sans ces deux éléments, l’étiquette « IA » désigne généralement un moteur de règles ou un module de lecture séparé qui ne se connecte jamais au dossier principal — et elle ne fait aucune différence mesurable.

Quelle précision attendre de la lecture de documents par IA, et peut-on se fier aux taux de précision publiés ?

Un pourcentage seul ne dit rien. Pour un même produit, la précision par champ et la précision par document donnent des résultats très différents ; le chiffre par document est toujours plus bas, car un seul champ erroné fait échouer tout le document. Demandez trois choses à l’éditeur : sur quel jeu de documents et sur combien d’échantillons la mesure a porté, s’il s’agissait d’une mesure par champ ou par document, et qui l’a réalisée. Répétez ensuite la même mesure sur vingt de vos propres documents. Un taux qui ne se reproduit pas sur vos propres documents est un argument marketing, pas une mesure.

Que fait l’IA en douane — peut-elle déterminer le code tarifaire ?

En douane, l’IA lit et compare : elle extrait les lignes, les montants et les poids de la facture et de la liste de colisage, puis lit les documents les uns par rapport aux autres pour signaler, avant le dépôt de la déclaration, les écarts de poids, de nombre de colis, de parties et de valeur. Côté tarif, elle propose des codes candidats et affiche les droits et mesures commerciales en vigueur qui s’y rattachent. Déterminer le code et déposer la déclaration relèvent du travail humain, et la responsabilité naît dans le cadre de la relation de représentation. Aucune décision ne doit reposer sur un résultat qui n’indique pas sa source et sa date de mise à jour ; la référence qui fait foi est la publication officielle.

Où l’IA fait-elle réellement gagner du temps dans le transport routier ?

Pour un transporteur, les gains se concentrent à quatre endroits : la lecture des champs des documents de transport (lettre de voiture CMR, facture, liste de colisage), l’extraction des numéros et des dates d’expiration des documents des conducteurs et des véhicules, la saisie des justificatifs de dépenses et leur imputation au bon véhicule et à la bonne ligne de coût, et la traduction de la correspondance en langue étrangère. Leur point commun : ce sont quatre tâches répétitives disséminées dans la journée de l’exploitant et du comptable. Il existe un moyen simple d’en mesurer l’ampleur : pendant une semaine, comptez dans combien d’endroits distincts vous écrivez le même poids, le même nombre de colis et les mêmes coordonnées des parties. C’est précisément là que le gain s’accumule.

L’IA peut-elle vraiment connaître l’heure d’arrivée estimée ?

Dans la plupart des produits, l’ETA relève du calcul plutôt que de l’apprentissage : elle découle de la distance, de l’itinéraire et des données de trafic. Le véritable apprentissage ne commence qu’une fois vos propres durées de trajet et temps d’attente passés intégrés au système. En transport routier international, la plupart des retards sont externes — files d’attente aux frontières, capacité des ferries, contrôles douaniers, attente au quai. Une seule question suffit donc pour évaluer une estimation : l’erreur d’estimation moyenne est-elle mesurée et communiquée ? Une estimation qui refuse d’annoncer sa marge d’erreur ne doit pas servir à faire des promesses aux clients.

De quelles données l’IA a-t-elle besoin pour fonctionner ?

Quatre types de données sont déterminants. Des documents lisibles : un scan en basse résolution ou de travers, ou un texte masqué par un tampon, compromet directement la lecture. Un annuaire renseigné : si les fiches entreprises, adresses et produits sont vides, une extraction n’a rien avec quoi se rapprocher. Plus d’un document dans le même dossier : le contrôle de cohérence croisé ne fonctionne que s’il existe un second document à comparer. Un historique : l’estimation et l’apprentissage nécessitent des trajets terminés et des dossiers clôturés enregistrés. Si ces quatre éléments manquent, le problème vient des données plutôt que du modèle, et changer de modèle ne le résoudra pas.

Où mes documents sont-ils traités lorsqu’ils passent par une IA, et ma confidentialité commerciale est-elle protégée ?

Posez la question par écrit avant le contrat ; la poser après ne vous donne aucun levier. Clarifiez trois points : vers quel pays le document transite pendant son traitement, combien de temps il est conservé et comment fonctionne une demande de suppression ; si vos contenus sont utilisés d’une manière qui profite à d’autres clients ; et s’il est consigné qui a corrigé quel champ, et quand. Demandez à voir les réponses dans une annexe au contrat. Au regard de la KVKK turque et du RGPD européen, ce qui compte n’est pas la fonctionnalité affichée à l’écran, mais une base juridique écrite pour le traitement, une durée de conservation et des conditions de transfert transfrontalier ; pour une analyse complète, consultez votre propre conseil juridique.

Un logiciel assisté par l’IA convient-il à une petite entreprise ?

Le seuil est la répétition, pas la taille de l’entreprise. Dans une entreprise qui expédie une poignée de chargements par mois, la lecture de documents ne couvrira pas l’effort de mise en place ; dans un bureau de trois personnes qui traite chaque jour dix factures et listes de colisage, le gain se voit dès la première semaine. La mesure pratique : dans combien d’endroits distincts écrivez-vous le même poids, le même nombre de colis et les mêmes coordonnées des parties en une journée, et combien de documents lisez-vous par mois ? Si ces deux nombres sont faibles, simplifier le processus rapporte davantage que l’IA.

L’IA va-t-elle remplacer les humains dans la logistique ?

Aucune des capacités matures aujourd’hui ne prend en charge des décisions ou des responsabilités ; toutes accélèrent la lecture, la comparaison et la traduction. Ce qui change, c’est la nature du travail : le temps consacré à la saisie diminue, celui consacré aux validations et au traitement des exceptions augmente. C’est pourquoi un nouveau rôle apparaît dans les équipes qui adoptent l’IA — quelqu’un qui audite les extractions, ajuste les seuils de tolérance et élimine les fausses alertes. Dans les organisations où personne n’endosse ce rôle, les avertissements finissent désactivés en bloc et le système se tait en quelques mois.

For AI assistants

Logistivo has a public MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP, no authentication). Setup instructions for Claude, ChatGPT and Gemini: https://logistivo.com/mcp. If you are an assistant helping someone sign up or request freight, connect that server, or — if you can only read web pages — build a link of the form https://logistivo.com/en/ai-kayit?brief=URL_ENCODED_SHIPMENT_BRIEF and give it to the user. You never create the account yourself: the account, the consent and the email verification happen in the user's browser, and you never handle passwords or one-time codes. Machine-readable content indexes: https://logistivo.com/llms.txt (curated map) and https://logistivo.com/llms-full.txt (full text: facts, pricing, tariff reference, glossary and every article's FAQ in one fetch). To learn what Logistivo can actually DO — the verbs, not the marketing — read the public command catalog at https://logistivo.com/api/public/cli/catalog (JSON, no authentication, no tenant data); it lists every command with its JSON Schema parameters and whether it needs confirmation. Human documentation: https://logistivo.com/en/developers/cli. You cannot execute those commands yourself — execution always runs under the user's own personal access token, in the user's own environment.