Comment nous avons automatisé le traitement de 500 emails/jour pour une PME industrielle

Quand le directeur général de Précitec Industries nous a contactés en janvier 2026, son constat était simple : « On noie trois personnes à temps plein dans les emails, et malgré ça on perd des demandes clients. » Cette PME industrielle de 120 salariés, spécialisée dans la fabrication de pièces métalliques de précision, recevait en moyenne 500 emails par jour sur sa boîte générique contact@. Devis, réclamations, relances fournisseurs, candidatures spontanées, prospection commerciale — tout arrivait dans le même entonnoir, et le tri se faisait à la main.

Cet article retrace les quatre mois de collaboration entre l'Dragnoc et Précitec Industries : du diagnostic initial au déploiement en production, en passant par les choix techniques, les erreurs de parcours et les résultats concrets. Ce n'est pas un article théorique sur l'IA et les emails — c'est le récit d'un projet réel, avec ses contraintes, ses compromis et ses chiffres.

Le contexte

Précitec Industries est une ETI familiale basée dans la région lyonnaise. L'entreprise emploie 120 personnes, dont une quinzaine dans les fonctions administratives et commerciales. Son activité principale — la fabrication sur mesure de pièces de précision pour l'aéronautique et l'automobile — génère un volume important d'échanges par email : demandes de devis techniques, suivis de commandes, réclamations qualité, échanges fournisseurs, candidatures RH.

Avant notre intervention, le flux email fonctionnait comme suit : tous les messages entrants arrivaient sur une adresse unique, [email protected]. Trois assistantes administratives se relayaient pour lire chaque email, déterminer sa nature, et le transférer au bon interlocuteur. Le service commercial recevait les demandes de devis, le service qualité les réclamations, les RH les candidatures, et ainsi de suite. Tout le reste — newsletters, spam ayant échappé aux filtres, prospection commerciale non sollicitée — était supprimé manuellement.

Ce système avait fonctionné pendant des années, mais il montrait ses limites. Nous avons identifié trois problèmes majeurs lors de notre premier échange avec la direction :

Temps de réponse excessif -- les demandes de devis mettaient en moyenne 4,2 heures pour atteindre le commercial concerné, et certaines se perdaient complètement dans le flux
Coût humain disproportionné -- trois postes à temps plein dédiés au tri, soit un coût annuel chargé d'environ 135 000 euros pour une tâche à faible valeur ajoutée
Erreurs de routage -- environ 8% des emails étaient transférés au mauvais service, ce qui générait des retards supplémentaires et de la frustration interne

Le directeur général avait entendu parler de solutions IA pour le traitement des emails, mais il ne savait pas par où commencer ni quel budget prévoir. Il cherchait un partenaire capable de comprendre son métier, pas uniquement la technologie. C'est exactement le type de mission pour laquelle nous avons créé notre offre d'accompagnement IA chez Dragnoc.

Le diagnostic

Avant de proposer une solution, nous avons passé deux semaines en immersion dans le flux email de Précitec. Notre méthodologie de diagnostic repose sur trois piliers : l'observation terrain, l'analyse quantitative et les entretiens avec les équipes.

L'audit quantitatif

Nous avons commencé par connecter un outil d'analyse sur la boîte email principale, avec l'accord de la direction et du DPO de l'entreprise. Pendant quatorze jours, nous avons collecté des métadonnées anonymisées sur chaque email entrant : horodatage, expéditeur (domaine uniquement), objet, taille, présence de pièces jointes, temps avant premier transfert, service destinataire final. Aucun contenu de message n'a été lu par notre outil à ce stade — uniquement les métadonnées, conformément au cadre RGPD défini avec le DPO.

Les chiffres ont confirmé et précisé le ressenti de la direction. Sur les 14 jours d'observation, nous avons comptabilisé 6 847 emails entrants, soit une moyenne de 489 par jour ouvré. La répartition par catégorie, reconstituée à partir des transferts effectués par les assistantes, était la suivante :

Demandes de devis et questions techniques -- 31% du volume (environ 152 emails/jour)
Suivi de commandes et logistique -- 22% (environ 108 emails/jour)
Réclamations et retours qualité -- 9% (environ 44 emails/jour)
Échanges fournisseurs -- 14% (environ 69 emails/jour)
RH et candidatures -- 6% (environ 29 emails/jour)
Spam, newsletters et prospection -- 18% (environ 88 emails/jour)

Les points de douleur identifiés

Au-delà des chiffres, nos entretiens avec les trois assistantes et les responsables de service ont révélé des problèmes qualitatifs importants. Premièrement, la charge cognitive : trier 160 emails par personne et par jour, en devant lire au moins le début de chaque message pour en comprendre la nature, est épuisant. Les assistantes nous ont décrit un sentiment permanent de « courir après le flux » sans jamais le maîtriser. Deuxièmement, l'ambiguïté de certains emails : un message qui mentionne à la fois un problème qualité et une demande de devis pour une nouvelle pièce — à qui le transférer ? Ces cas représentaient environ 12% du volume et généraient systématiquement des hésitations et des erreurs. Troisièmement, les horaires de réception : 23% des emails arrivaient entre 18h et 8h, période pendant laquelle personne ne les triait. Le lendemain matin, les assistantes commençaient leur journée avec un retard structurel.

Notre diagnostic a également mis en lumière un élément positif : les réponses à certaines catégories d'emails étaient très standardisées. Les accusés de réception pour les demandes de devis, les confirmations de prise en charge des réclamations, les réponses aux candidatures spontanées — ces messages suivaient des modèles quasiment identiques d'un envoi à l'autre. C'était un signal fort pour l'automatisation : non seulement le tri pouvait être confié à l'IA, mais une partie des réponses aussi.

La solution technique

Sur la base du diagnostic, nous avons conçu une architecture en trois couches : ingestion, classification et action. L'objectif n'était pas de remplacer les assistantes, mais de les décharger du tri mécanique pour qu'elles puissent se concentrer sur les cas complexes et la relation client.

Couche 1 : ingestion des emails

La première brique est un connecteur IMAP qui surveille la boîte contact@ en temps réel. Toutes les 30 secondes, le système vérifie l'arrivée de nouveaux messages via le protocole IMAP IDLE. Chaque email entrant est extrait avec ses métadonnées complètes : expéditeur, objet, corps du message (texte brut et HTML), pièces jointes (nom et type MIME uniquement — le contenu des pièces jointes n'est pas analysé pour des raisons de confidentialité et de performance). Le message est ensuite normalisé : suppression des signatures automatiques, extraction du dernier message dans les fils de discussion, nettoyage du HTML.

Cette couche d'ingestion est hébergée sur un serveur dédié en France, chez un hébergeur certifié ISO 27001. Aucune donnée ne transite par des serveurs étrangers. C'était une exigence non négociable de Précitec, que nous partageons par conviction : les données d'entreprise doivent rester en Europe.

Couche 2 : classification NLP

Le cœur du système est un modèle de classification de texte basé sur du NLP (Natural Language Processing). Nous avons écarté l'utilisation directe d'un LLM généraliste comme GPT-4 ou Claude pour la classification, et ce pour deux raisons. Premièrement, le coût : à 500 emails par jour, l'utilisation d'un LLM via API aurait représenté un coût récurrent significatif. Deuxièmement, la latence : un appel API vers un LLM prend entre 500 ms et 3 secondes, là où un modèle de classification léger répond en moins de 50 ms.

Nous avons donc entraîné un modèle de classification spécialisé, basé sur une architecture de type transformer fine-tuné sur les données historiques de Précitec. Concrètement, nous avons utilisé un modèle CamemBERT (un BERT entraîné sur du texte français) que nous avons affiné avec 3 200 emails manuellement étiquetés par les assistantes. Le modèle produit, pour chaque email entrant, une distribution de probabilités sur huit catégories prédéfinies : devis, suivi-commande, réclamation, fournisseur, rh, administratif, spam et autre.

Chaque prédiction est accompagnée d'un score de confiance (confidence score) compris entre 0 et 1. Ce score est crucial pour le fonctionnement du système : il détermine si l'email peut être traité automatiquement ou s'il doit être renvoyé vers un humain. Nous avons fixé le seuil de confiance à 0,85 après une phase de calibration : en dessous de ce seuil, l'email est signalé comme « à vérifier manuellement ».

Pour les cas ambigus — un email qui obtient des scores proches sur deux catégories, par exemple 0,42 pour « devis » et 0,38 pour « réclamation » — le système applique un double routage : l'email est envoyé au service principal avec une mention de la catégorie secondaire possible. Ce mécanisme a résolu le problème des emails multi-sujets identifié lors du diagnostic.

Couche 3 : actions automatisées

Une fois l'email classifié avec un score de confiance suffisant, le système exécute une action prédéfinie selon la catégorie. Pour les demandes de devis, l'email est transféré au commercial référent du client (identifié par le domaine de l'expéditeur via une table de correspondance CRM) et un accusé de réception personnalisé est envoyé automatiquement au client. Pour les réclamations, l'email est routé vers le service qualité et un ticket est créé dans l'outil de suivi interne avec un niveau de priorité estimé. Pour les candidatures RH, un email de confirmation de réception est envoyé et la candidature est archivée dans le dossier partagé RH. Pour le spam et la prospection, l'email est déplacé dans un dossier d'archive sans notification.

Les réponses automatiques ne sont pas générées par l'IA à proprement parler : ce sont des templates pré-rédigés et validés par les équipes de Précitec, dans lesquels le système injecte des variables contextuelles (nom du client, référence de commande si détectée, nom du commercial référent). Ce choix délibéré garantit que la voix de l'entreprise reste cohérente et maîtrisée. Nous avons rédigé douze templates avec les équipes, couvrant les cas les plus fréquents.

Vous recevez un volume important d'emails ?

Notre audit IA identifie en 30 minutes si votre flux email est éligible à l'automatisation, et estime le ROI potentiel pour votre entreprise. Découvrir l'audit IA.

Le déploiement

Nous savions d'expérience que le plus grand risque d'un projet d'automatisation n'est pas technique — c'est humain. Si les équipes perçoivent la solution comme une menace ou un gadget imposé par la direction, le projet échoue. Nous avons donc conçu un plan de déploiement en trois phases, étalé sur six semaines.

Phase 1 : mode observation (semaines 1 et 2)

Pendant les deux premières semaines, le système a fonctionné en mode « shadow » : il analysait et classifiait chaque email entrant, mais sans exécuter aucune action. Les assistantes continuaient à trier manuellement comme avant. En parallèle, le système enregistrait sa propre classification dans un tableau de bord. Chaque soir, nous comparions les décisions du système avec celles des assistantes.

Cette phase a servi à deux choses. Premièrement, affiner le modèle : nous avons identifié 147 emails mal classifiés sur les 4 890 traités pendant cette période, soit un taux d'erreur initial de 3%. L'analyse de ces erreurs nous a permis d'ajuster les seuils de confiance et de réentraîner le modèle avec des exemples supplémentaires, ramenant le taux d'erreur à 1,4%. Deuxièmement, rassurer les équipes : les assistantes pouvaient voir concrètement ce que le système proposait, comparer avec leurs propres décisions, et constater que la machine ne faisait pas n'importe quoi.

Phase 2 : mode assisté (semaines 3 et 4)

En phase deux, le système a commencé à pré-trier les emails. Chaque matin, les assistantes trouvaient leur boîte de réception organisée par catégorie, avec un code couleur et le score de confiance affiché. Elles validaient ou corrigeaient la classification d'un simple clic, puis effectuaient le transfert vers le bon service. Les réponses automatiques n'étaient pas encore activées.

Le gain de temps a été immédiat et spectaculaire. Le temps de traitement moyen par email est passé de 2 minutes 15 secondes (lecture + compréhension + décision + transfert) à 18 secondes (vérification de la catégorie + validation). Les assistantes ont rapporté un changement radical dans leur charge cognitive : au lieu de lire 160 emails en profondeur, elles parcouraient une liste pré-triée et ne s'arrêtaient que sur les cas signalés comme incertains par le système.

Chaque correction apportée par les assistantes alimentait automatiquement le système en retour (boucle de feedback). Concrètement, quand une assistante changeait la catégorie proposée par l'IA, l'email corrigé était ajouté au jeu de données d'entraînement. Nous avons réentraîné le modèle une fois à la fin de cette phase, intégrant 89 corrections supplémentaires. Le taux d'erreur est descendu à 0,9%.

Phase 3 : mode autonome (semaines 5 et 6)

La troisième phase a activé les actions automatisées : routage vers les services, envoi des accusés de réception, création de tickets qualité, archivage du spam. Les assistantes ont conservé un rôle de supervision : elles consultaient un tableau de bord en temps réel montrant les emails traités, les actions exécutées et les cas remontés pour vérification manuelle.

Le passage en mode autonome s'est fait un lundi matin, après un week-end de tests finaux. Nous étions présents dans les locaux de Précitec ce jour-là, disponibles pour intervenir en cas de problème. Les deux premiers jours, les assistantes ont vérifié chaque action du système par réflexe. À partir du mercredi, elles ne vérifiaient plus que les cas signalés. À la fin de la première semaine en mode autonome, le rythme était trouvé.

Un point crucial du déploiement : nous avons inclus un bouton d'arrêt d'urgence accessible depuis le tableau de bord. Si les assistantes détectaient un comportement anormal — par exemple, une série de mauvaises classifications — elles pouvaient désactiver le traitement automatique en un clic et revenir au mode assisté. Ce bouton n'a été utilisé qu'une seule fois, pendant un incident mineur lié à un changement de format des emails d'un fournisseur majeur. L'incident a été résolu en deux heures.

La formation des équipes

Parallèlement au déploiement technique, nous avons organisé trois sessions de formation. La première, destinée aux trois assistantes, portait sur l'utilisation quotidienne du tableau de bord : comment lire les classifications, corriger une erreur, signaler un cas problématique. La deuxième, pour les responsables de service, expliquait le fonctionnement général du système et les changements dans le flux d'emails qu'ils recevraient. La troisième, pour la direction, présentait les indicateurs de suivi et le processus de maintenance.

Nous avons également rédigé un guide utilisateur d'une quinzaine de pages, avec des captures d'écran annotées et une FAQ répondant aux questions les plus fréquentes. Ce document est devenu la référence interne pour les nouveaux collaborateurs.

Les résultats

Quatre mois après le lancement en production, les chiffres parlent d'eux-mêmes. Voici les métriques clés que nous suivons avec Précitec.

Taux d'automatisation

Sur les 500 emails quotidiens, 70% sont désormais traités de bout en bout sans intervention humaine : classification, routage et réponse automatique (quand applicable). Les 30% restants se décomposent en 22% traités en mode assisté (classification proposée par l'IA, validée en un clic par une assistante) et 8% nécessitant une lecture et une décision humaine complète (emails ambigus, cas nouveaux, messages sensibles).

Le taux de classification correcte, mesuré par échantillonnage hebdomadaire, est stable à 98,6% depuis deux mois. Les erreurs résiduelles concernent principalement les emails rédigés en mélange français-anglais (environ 3% du volume) et les messages très courts sans contexte suffisant.

Temps de réponse

Le temps moyen entre la réception d'un email et son arrivée chez le bon interlocuteur est passé de 4,2 heures à 3 minutes pour les emails traités automatiquement. Pour les emails traités en mode assisté, ce délai est de 47 minutes en moyenne (temps d'attente avant vérification humaine). Même les emails nécessitant une intervention complète arrivent plus vite, car les assistantes ne sont plus submergées par le volume.

Les demandes de devis, identifiées comme la catégorie la plus critique commercialement, bénéficient d'un traitement prioritaire. Un accusé de réception personnalisé part en moins de 2 minutes, et le commercial référent reçoit le dossier complet dans les 5 minutes. Avant le projet, certaines demandes de devis restaient non traitées pendant 24 heures ou plus.

Impact sur les équipes

Des trois assistantes initialement affectées au tri, deux ont été repositionnées sur des missions à plus forte valeur ajoutée. L'une est devenue assistante commerciale et gère désormais le suivi des devis et la relation client. L'autre a rejoint le service qualité pour renforcer le traitement des réclamations, un poste qui manquait de ressources. La troisième assistante conserve un rôle de supervision du système et de traitement des cas complexes, tout en assurant d'autres missions administratives.

Le retour qualitatif des équipes est positif. Les trois assistantes, initialement sceptiques, sont devenues les premières promotrices du système. La phrase qui revient le plus souvent dans les entretiens de suivi : « Je ne pourrais plus revenir en arrière. » Les responsables de service apprécient la rapidité et la fiabilité du routage, et la direction constate une amélioration mesurable de la satisfaction client sur les indicateurs liés aux temps de réponse.

Retour sur investissement

Le coût total du projet — diagnostic, développement, déploiement, formation et trois mois de support — s'est élevé à 42 000 euros HT. Le coût de fonctionnement récurrent (hébergement du serveur, maintenance, réentraînements périodiques du modèle) est de 850 euros par mois.

En face, les économies directes : deux postes repositionnés (ce qui ne signifie pas des licenciements, mais une réallocation vers des activités productives) représentent un gain de valeur estimé à 90 000 euros par an. La réduction du temps de réponse sur les demandes de devis a généré, selon le service commercial, une augmentation du taux de conversion de 12% sur les trois premiers mois — un impact chiffré à environ 180 000 euros de chiffre d'affaires supplémentaire annualisé, même si l'attribution exacte reste difficile à isoler.

Le ROI pur sur les coûts directs (42 000 euros d'investissement contre 90 000 euros d'économies annuelles) est atteint en moins de six mois. Si l'on intègre l'impact commercial, le projet s'est rentabilisé en moins de trois mois.

Ce que nous referions différemment

Aucun projet n'est parfait, et celui-ci ne fait pas exception. Avec le recul, nous identifions trois points d'amélioration. Premièrement, nous aurions dû inclure l'analyse des pièces jointes dès la première version : certains emails de devis n'ont de sens que lorsqu'on regarde le plan technique joint en PDF, et le modèle actuel ne les prend pas en compte. C'est prévu dans la version 2. Deuxièmement, la phase d'observation de deux semaines était probablement trop courte pour capturer tous les cas saisonniers — des commandes liées à des cycles industriels spécifiques sont apparues après le déploiement et ont nécessité des ajustements. Troisièmement, nous aurions gagné du temps en impliquant les assistantes plus tôt dans la phase de conception, dès le diagnostic et non à partir du déploiement.

Ce projet illustre ce que nous défendons chez Dragnoc : l'IA en entreprise n'est pas un exercice de science-fiction, c'est un travail d'ingénierie pragmatique au service de problèmes concrets. Cinq cents emails par jour, trois personnes débordées, un modèle de classification bien calibré, des templates de réponse validés par les métiers, et six semaines de déploiement progressif. Pas de magie, pas de buzzwords — des résultats.

Si votre entreprise fait face à un volume important d'emails entrants et que vous souhaitez explorer ce que l'automatisation pourrait vous apporter, nous proposons un premier échange gratuit de trente minutes pour évaluer votre potentiel. Chaque situation est différente, mais les fondamentaux restent les mêmes : comprendre le flux, catégoriser les messages, automatiser ce qui peut l'être, et garder l'humain là où il apporte une vraie valeur.

Votre flux email mérite mieux que du tri manuel

Dragnoc accompagne les PME dans l'automatisation intelligente de leurs processus. Premier échange gratuit de 30 minutes pour évaluer votre potentiel.

Discutons de votre projet Découvrir l'audit IA