Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarHabr AI→ original

Une usine ramène le calcul du prix de l'acier laminé de 4–8 heures à 2–3 minutes en sortant l'IA de l'arithmétique

Une demande d'acier laminé part vers 4–5 usines, et celle qui envoie la première son offre commerciale (KP) l'emporte, alors qu'un chiffreur met 4–8 heures à la calculer. Le développeur Alexeï Samartsev a confié au réseau de neurones la lecture des scans et de l'argot, tandis que la masse et le prix sont calculés par Python selon les GOST. GPT-4o a sous-estimé de 41% le poids de 300 m de profilés en U (126 720 ₽ de perte). Désormais, le brouillon est prêt en 20–30 secondes et la vérification prend environ 2 minutes.

Traité par IA depuis Habr AI ; édité par Hamidun News
Une usine ramène le calcul du prix de l'acier laminé de 4–8 heures à 2–3 minutes en sortant l'IA de l'arithmétique
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Chiffre clé #1GPT-4o a répondu 2,50 t au lieu de 4,26 t selon le GOST 8240-97
Chiffre clé #2Sur 350 demandes, la réponse au client est passée à 10–15 minutes
Un ingénieur valide la KP avant l'envoiil n'y a pas d'automatisation complète

Une demande d'acier laminé ne vit que quelques heures. L'approvisionneur d'un chantier envoie son bordereau à 4–5 usines à la fois et commande chez celle qui lui renvoie la première son offre commerciale (KP) : un document avec les prix exacts, le poids et les délais d'expédition. Le chiffreur consacre de 4 à 8 heures à ce calcul, et à ce moment-là, le contrat est souvent déjà signé avec un autre fournisseur.

Le développeur Alexeï Samartsev a décrit sur Habr comment il a ramené ce délai à 2–3 minutes : 20–30 secondes pour le brouillon de KP, plus environ 2 minutes de vérification par un ingénieur. Le secret : l'IA a été sortie de l'arithmétique. Le réseau de neurones lit les scans et l'argot, tandis que le poids et l'argent sont calculés par du code ordinaire.

Pourquoi ne pas simplement « tout donner à manger à ChatGPT » ? Le test ci-dessous le montre.

Pourquoi une demande est un chaos, pas un tableau

Selon l'auteur, environ 90% des demandes reçues sont loin d'être de gentils fichiers XML. Ce sont un scan flou de bordereau avec un tampon bleu par-dessus le texte, la photo d'un plan prise au téléphone, un Excel d'un sous-traitant sans références, ou un message de messagerie du genre « cornière de cent, U de seize P — 300 mètres » (en argot de chantier). Le chiffreur doit traduire cet argot en désignation normative (« Profilé en U 16P GOST 8240-97 »), retrouver dans le référentiel la masse du mètre linéaire, multiplier, ajouter 3–7% de chutes de découpe, vérifier les stocks et le prix dans 1C, ajouter la découpe, la marge et les taxes, puis remplir à la main le formulaire.

Quand 15 spécifications de ce type arrivent chaque jour, le service est submergé par la routine.

Ce qu'a montré le test avec GPT-4o

L'auteur a demandé à GPT-4o quelle était la masse théorique de 300 mètres de profilé en U 16P. Le modèle a produit une belle explication avec des formules et une réponse de 2,50 tonnes. Selon le GOST 8240-97, un mètre de ce profilé pèse 14,20 kg ; la bonne réponse est donc 4,26 tonnes.

La sous-estimation atteint 41,3%. À 72 000 ₽ la tonne, l'usine aurait obtenu un calcul de 180 000 ₽ au lieu de 306 720 ₽, soit une perte de 126 720 ₽ sur une seule ligne. Explication de l'auteur : le modèle prédit des nombres plausibles et a pu substituer le poids d'une dimension voisine, par exemple le 10P, d'environ 8,59 kg/m.

Il s'agit d'un seul test, pas d'une statistique sur un grand nombre de requêtes, mais l'exemple illustre bien le risque.

Trois couches : qui fait quoi

La solution repose sur une séparation des responsabilités.

Couche 1 : compréhension du langage. Les scans sont d'abord redressés avec OpenCV et le canal bleu des tampons est atténué. Un modèle multimodal extrait ensuite les tableaux et renvoie, selon un schéma JSON strict, pour chaque ligne : la famille de produit, la dimension du profilé, la nuance d'acier, la quantité et les unités. La phrase « U de seize P — 300 mètres » (en argot) devient un objet avec le champ cut_length: null, car la longueur de coupe n'est pas indiquée. Le modèle n'invente pas le numéro de GOST : c'est le code qui le renseigne à partir du couple « famille + dimension ».

Couche 2 : calcul sans réseau de neurones. Un module Python avec le type Decimal prend la masse du mètre dans une base locale de référentiels, convertit les kilogrammes en tonnes, récupère stocks et prix dans 1C:ERP via une API REST et applique la marge. Si la nuance d'acier voulue n'est pas en stock, la ligne reçoit le drapeau requires_procurement. Si la dimension est absente du référentiel, le code renvoie une erreur au lieu d'inventer un nombre.

Couche 3 : l'humain dans la boucle. Le système construit un brouillon de KP en 15–20 secondes. Les lignes reconnues avec confiance et correspondant exactement au stock sont marquées en vert. Les lignes litigieuses, où un chiffre est illisible sur le scan ou la découpe est non standard, sont marquées en jaune, et le chiffreur passe environ 30 secondes à vérifier chacune. Après validation, le moteur génère un PDF sur le papier à en-tête de l'usine, le joint à l'affaire dans Bitrix24 ou AmoCRM et l'envoie au client.

Chiffres et réserves

L'auteur a comparé le travail du service sur un échantillon de 350 spécifications. La préparation d'une KP a pris 20–30 secondes de génération et environ 2 minutes de vérification, contre 4–8 heures auparavant. La réponse au client arrive désormais en 10–15 minutes, et non plus le jour ouvré suivant.

Il estime les erreurs de tonnage à 8–12% pour le calcul manuel et à 0% pour le calcul automatique, mais il s'agit d'une affirmation de l'auteur lui-même, sans vérification indépendante. Il est plus juste de dire que l'arithmétique est déterministe et que les risques se sont déplacés vers la reconnaissance des scans et l'exhaustivité des référentiels. La charge est passée de 8–10 calculs complexes par jour à 200 spécifications par poste, sans élargir l'effectif.

Pour vérifier, l'auteur a publié une démo sur samartsev.tech/kp.

Ce qu'il faut en retenir

La leçon dépasse le cadre de l'acier laminé. Un modèle de langage transforme bien un texte brouillon et des scans en données structurées, mais l'argent, la masse et les unités de mesure doivent être calculés par du code. Si vous construisez un agent pour les achats, la logistique ou la comptabilité, gardez le LLM en entrée, séparez référentiels et formules, et remontez à l'humain les drapeaux d'incertitude. Vous éviterez ainsi un chiffre élégant mais faux dans un document revêtu d'un tampon.

Dossier

Questions clés sur cet article

Pourquoi une demande est un chaos, pas un tableau?

Selon l'auteur, environ 90% des demandes reçues sont loin d'être de gentils fichiers XML. Ce sont un scan flou de bordereau avec un tampon bleu par-dessus le texte, la photo d'un plan prise au téléphone, un Excel d'un sous-traitant sans références, ou un message de messagerie du genre « cornière de cent, U de seize P — 300 mètres » (en argot de chantier).

Que sait-on sur Ce qu'a montré le test avec GPT-4o ?

L'auteur a demandé à GPT-4o quelle était la masse théorique de 300 mètres de profilé en U 16P. Le modèle a produit une belle explication avec des formules et une réponse de 2,50 tonnes. Selon le GOST 8240-97, un mètre de ce profilé pèse 14,20 kg ; la bonne réponse est donc 4,26 tonnes. La sous-estimation atteint 41,3%. À 72 000 ₽ la tonne, l'usine aurait obtenu un calcul de 180 000 ₽ au lieu de 306 720 ₽, soit une perte de 126 720 ₽ sur une seule ligne.

Que sait-on sur Trois couches : qui fait quoi ?

La solution repose sur une séparation des responsabilités. Couche 1 : compréhension du langage. Les scans sont d'abord redressés avec OpenCV et le canal bleu des tampons est atténué. Un modèle multimodal extrait ensuite les tableaux et renvoie, selon un schéma JSON strict, pour chaque ligne : la famille de produit, la dimension du profilé, la nuance d'acier, la quantité et les unités.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
Qu'en pensez-vous ?
Chargement des commentaires…