Epotos a mis en place une AI locale pour les réclamations et transféré les plaintes dans Bitrix24

Epotos, fabricant de systèmes d’extinction d’incendie, a fait passer le traitement des réclamations clients du transfert manuel d’e-mails et d’Excel vers un pipeline d’AI semi-automatisé. Les e-mails entrants, les pièces jointes et les photos sont désormais traités par une stack locale d’OCR, de LLM et de Bitrix24, et les employés reçoivent une tâche déjà préparée avec une checklist.

Comment cela fonctionnait avant

Avant le déploiement, tout reposait sur un schéma familier mais lourd : les réclamations arrivaient dans une boîte mail commune, au milieu des offres commerciales, des invitations à des salons et de la correspondance ordinaire. Le secrétariat transférait manuellement les e-mails nécessaires, enregistrait les demandes et jouait de fait le rôle de filtre primaire. Pour une entreprise présente sur plusieurs segments — des véhicules spéciaux au transport terrestre — cela est devenu un goulet d’étranglement, surtout lorsque le flux de dossiers est monté à plusieurs dizaines par semaine et que les experts en réclamations n’avaient plus le temps d’analyser les causes racines de chaque cas.

Ensuite, les données étaient reportées dans un tableau Excel avec les statuts et les mises à jour, mais il était rempli à la main. L’historique des échanges avec le client se dispersait dans de longues chaînes d’e-mails, et la marche à suivre pour les réclamations n’existait souvent que dans la tête des employés expérimentés ou se transmettait oralement aux nouveaux arrivants. Au final, l’entreprise voyait le simple fait de la réclamation, mais perdait en vitesse, en transparence et en standard unique de traitement. Dans ce contexte, l’automatisation n’apparaissait plus comme une expérimentation, mais comme un moyen de reprendre le contrôle du processus.

Comment le système a été assemblé

L’équipe a décidé de ne pas casser le canal habituel et a conservé l’e-mail comme point d’entrée. Les messages sont ensuite récupérés via IMAP, et leur contenu est traité par une stack d’AI locale, afin de ne pas envoyer les données clients dans le cloud. Pour les pièces jointes, Tesseract a été utilisé avec un modèle russe d’OCR : il extrait le texte des PDF, des photographies et d’autres fichiers où un simple copy-paste ne suffit pas. Comme modèle de langage, l’équipe a choisi Qwen3-30B-A3B, exécuté via Ollama. Il détermine si un e-mail est une réclamation et, si c’est le cas, le décompose en champs structurés pour la suite du traitement.

• Lecture du corps de l’e-mail et des pièces jointes, y compris les PDF, les images et les fichiers texte
• OCR pour les photos et scans où le défaut n’est pas décrit dans le texte, mais dans un document ou une image
• Classification de l’e-mail entrant : réclamation, spam, e-mail interne ou demande non pertinente
• Extraction des détails sur le produit, le numéro de série, le défaut, la catégorie et les contacts de l’expéditeur
• Écriture du résultat dans Bitrix24 sur 25–30 champs et création automatique d’une tâche avec la checklist nécessaire

L’équipe a également mis en place un système de prompts et de règles : le modèle doit répondre strictement en JSON, distinguer une réclamation produit d’un e-mail commercial et répartir les réclamations par catégories. Les données partent ensuite vers Bitrix24, où des listes et des processus métier sont créés avec responsables, observateurs et étapes de clôture.

Par-dessus le pipeline principal, l’auteur a créé une petite interface d’administration : elle affiche les logs de traitement, l’historique des exécutions, la liste des e-mails, les paramètres des prompts et la possibilité de relancer les dossiers pour une date donnée si le service s’est arrêté et qu’une partie des e-mails a dû être traitée manuellement.

Ce qu’a apporté le déploiement

L’effet principal n’est pas que l’AI ait “répondu aux e-mails à la place des humains”, mais que la réclamation soit devenue un objet numérique avec une histoire de vie compréhensible. L’entreprise enregistre désormais non seulement le fait de la réclamation, mais aussi tout le contexte : quel produit figure dans le dossier, qui a signalé le problème, ce qui s’est exactement cassé et à quelle étape se trouve l’analyse. Cela simplifie les réunions, rend les dashboards de réclamations plus utiles et aide à rechercher des liens de cause à effet sur la qualité des produits, au lieu de simplement clôturer les incidents un par un.

Le deuxième résultat est la standardisation. Lorsqu’une tâche est créée automatiquement dans le CRM avec la checklist nécessaire, les nouveaux employés reçoivent non pas des conseils oraux, mais une séquence d’actions prête à l’emploi. S’y ajoute un contrôle du statut en temps réel : on voit qui est responsable du dossier et ce qui a déjà été fait. En même temps, ce cas montre honnêtement que le processus ne disparaît pas totalement sans intervention humaine : le secrétariat continue de surveiller la boîte mail, et le service nécessitait parfois un redémarrage manuel. Mais même avec cette limite, le traitement des réclamations est devenu nettement plus structuré et plus transparent.

Ce que cela signifie

Ce cas montre bien un scénario pratique pour l’AI dans l’industrie : ne pas construire une “plateforme intelligente” séparée, mais intégrer le modèle dans le circuit déjà existant des e-mails, des documents et du CRM. Pour de nombreuses entreprises industrielles, c’est précisément une LLM locale avec OCR et des règles claires qui peut produire l’effet le plus rapide là où le flux entrant vit encore dans une boîte mail et des tableurs.