Nestlé — Industrialisation d’un processus automatisé de gestion des demandes d’innovation
Hybride

Nestlé — Industrialisation d’un processus automatisé de gestion des demandes d’innovation

Secteur Agroalimentaire
Année 2026
50
Demandes traitées par mois
48h
Délai moyen AVANT
5m
Délai moyen APRÈS
95%
Précision classification LLM
47h55m
Temps gagné par demande
10
Endpoints API déployés
7
Templates d’e-mails HTML
10
Flux Power Automate orchestrés

LLM, API Azure Functions et Power Automate : 50 demandes/mois traitées en 5 min au lieu de 2 jours.

Contexte
Chez Nestlé (Paris), la gestion des demandes d’innovation était morcelée : arrivée par e‑mail, saisies manuelles dans une liste SharePoint, échanges redondants et absence de traçabilité consolidée. Les volumes (≈50 demandes/mois) et la variabilité des formats généraient des lenteurs et des doublons.

Défi
Réduire drastiquement le délai de traitement, fiabiliser la qualification des demandes, éliminer les doublons sur le portefeuille SharePoint et industrialiser la production documentaire (rapports, présentations, e‑mails) tout en restant maîtrisable par l’équipe interne.

Solution
- Intégration d’un LLM interne pour classer automatiquement chaque demande en 5 catégories, analyser le contexte et détecter les doublons sur le portefeuille.
- API Azure Functions (Python, 10 endpoints REST) orchestrant le cycle de vie des demandes et exposée via un connecteur personnalisé Power Automate.
- Enrichissement automatique des données projet, y compris l’analyse de transcriptions d’appels avec évaluation multicritères.
- Génération automatisée de documents : rapports PDF, présentations PowerPoint FR/EN depuis modèles, e‑mails HTML (7 templates).
- Intégration Microsoft Graph API : upload/download SharePoint, création de dossiers, liens de partage, gestion du portefeuille.
- Qualité et exploitation : tests unitaires (pytest), documentation Swagger/OpenAPI, CI/CD Docker sur Azure, handover à l’équipe interne.

Résultats
- Délai moyen passé de 2 jours à 5 minutes par demande.
- 50 demandes/mois traitées de bout en bout, avec journalisation et traçabilité complètes.
- 95% de précision pour la classification LLM.
- Production documentaire standardisée et bilingue, réduction des ressaisies et des erreurs humaines.
- Base technique scalable et maintenable pour de nouveaux cas d’usage IA.

Technologies utilisées

Docker Python Power Automate Azure Functions Microsoft Graph API SharePoint azure Custom Connector Pytest Swagger/OpenAPI LLM (custom)

Un projet similaire ?

Discutons de comment nous pouvons vous aider.

Discuter de votre projet