Choco a automatisé la distribution de produits avec OpenAI et doublé la productivité des ventes

Choco a démontré comment les agents d'IA passent d'outils de support à une infrastructure critique pour le vrai business. La plateforme de distribution de produits a intégré l'API OpenAI dans le traitement des commandes et, selon ses propres données, traite maintenant plus de 8,8 millions de commandes annuelles, réduit la saisie manuelle de données de 50% et permet aux équipes de vente de travailler avec le double de productivité sans augmenter les effectifs. Choco opère sur le marché de la distribution alimentaire et des boissons et réunit restaurants, fournisseurs et distributeurs dans un seul système.

L'entreprise rapporte servir plus de 21 000 distributeurs et 100 000 clients aux États-Unis, au Royaume-Uni, en Europe et dans les pays du Golfe Persique.

Le problème principal lors de l'expansion de l'entreprise n'était pas dans les interfaces ou dans le CRM lui-même, mais dans le flux chaotique de commandes entrantes : elles arrivaient par email, SMS, messages vocaux, photos de documents et même des notes manuscrites. Les employés convertissaient ensuite manuellement tout cela en commandes structurées pour les systèmes ERP, ce qui ralentissait la scalabilité et créait un risque constant d'erreurs.

Comme l'explique l'entreprise, la partie la plus difficile n'était même pas la reconnaissance de texte ou de parole. La couche critique était le contexte caché : correspondances individuelles de SKU pour chaque client, unités de mesure familières, modèles de livraison et autres détails généralement conservés dans la mémoire des employés du service des commandes. C'est pourquoi Choco a misé non seulement sur l'automatisation des étapes de routine, mais sur un système d'inférence capable de résoudre les ambiguïtés au moment où la commande arrive. Essentiellement, il s'agit de transférer la connaissance opérationnelle de la mémoire humaine à une couche logicielle accessible 24/7 et indépendante de tout quart ou employé particulier.

Sur ce fondement, l'entreprise a lancé OrderAgent—un agent pour traiter les entrées multimodales qui accepte les emails, SMS, images et documents et les transforme en commandes prêtes pour ERP. Ensuite est venu VoiceAgent, construit sur l'API Realtime : il permet aux clients de passer des commandes par téléphone avec une latence inférieure à une seconde, y compris en dehors des heures de bureau.

OpenAI a été choisie, selon Choco, pour la qualité des modèles, la multimodalité, les réponses structurées et la fiabilité en production. Techniquement, la mise en œuvre comprenait speech-to-text, embeddings et function calling, et l'équipe a construit par-dessus sa propre boucle d'évaluation de qualité : ensembles de données de référence, surveillance continue et tests A/B. C'est un détail important : dans de tels systèmes, il ne suffit pas de « brancher un LLM »—vous devez continuellement mesurer où le modèle échoue et comment la qualité change sur les vraies commandes.

Les résultats ressemblent à un cas non pas d'expérience, mais d'exploitation à l'échelle industrielle. Choco affirme qu'en production plus de 200 milliards de tokens passent par OpenAI, l'ingestion de commandes fonctionne 24 heures sur 24, et le taux d'erreur reste faible avec des seuils d'automatisation configurables. Réduire la saisie manuelle à 50% libère les employés du traitement mécanique et les déplace vers des tâches plus précieuses, et le doublement de la productivité des ventes sans embauche montre que l'effet va au-delà des coûts opérationnels vers l'efficacité commerciale.

L'aspect UX compte aussi : les clients n'ont pas dû changer leurs habitudes. Ils soumettent toujours les commandes de la manière qui leur est la plus pratique, et c'est le système qui s'adapte.

Choco souligne séparément les leçons managériales. Première—l'évaluation de qualité doit commencer dès le premier jour, même si l'équipe n'a que 10–20 exemples étiquetés. Deuxième—les systèmes d'IA ont besoin d'une observabilité distincte : les logs ordinaires ne suffisent pas si vous ne pouvez pas voir les entrées du modèle, les sorties et les raisons des défaillances. Troisième—l'entreprise doit accepter d'avance la nature probabiliste des LLMs. Ces systèmes ne se comportent pas comme du code déterministe, donc les attentes des utilisateurs, les SLA et les scénarios d'escalade doivent être conçus différemment.

C'est un signal assez mûr pour le marché : les gagnants ne seront pas ceux qui ont ajouté un chatbot le plus vite, mais ceux qui ont appris à construire des processus d'agents gérés autour de données commerciales complexes. L'enseignement principal du cas Choco est simple : les agents d'IA deviennent une nouvelle couche opérationnelle dans le B2B vertical, où la valeur est créée non par de belles interfaces, mais par la capacité à analyser des flux de données désorganisés du monde réel et à les transformer en action.

Si ce modèle se déploie sur d'autres segments de la chaîne d'approvisionnement, le marché verra non pas une automatisation ponctuelle, mais un remplacement graduel de fonctions manuales entières par des systèmes qui peuvent écouter, lire, clarifier le contexte et exécuter le travail de manière indépendante.