Motul

Le contexte : Motul, un groupe industriel mondial, et une direction des achats face à ses données

Motul est un groupe français fondé en 1853, spécialiste des lubrifiants et des huiles moteur haute performance, présent dans le monde entier. La direction des achats du groupe pilote notamment les dépenses de prestations intellectuelles, ces achats de services (conseil, études, expertise) traditionnellement difficiles à classer et à analyser.

Comme dans beaucoup de groupes industriels, la matière première existait : des extractions SAP mensuelles, exhaustives. Mais ces données arrivaient mal formatées, inexploitables dans l'écosystème Microsoft du groupe, et la catégorisation des dépenses restait un exercice entièrement manuel, à refaire chaque mois.

Koïno est intervenue directement dans l'écosystème Microsoft de Motul pour construire un moteur de catégorisation automatique des dépenses. Résultat le plus marquant : 98 % des dépenses de prestations intellectuelles sont désormais catégorisées, là où plusieurs dizaines de millions d'euros échappaient à toute analyse.

Le problème : des dizaines de millions d'euros de dépenses invisibles pour l'analyse achats

Le coût de l'inaction se mesurait sur trois plans :

• Plusieurs dizaines de millions d'euros de dépenses non catégorisées qui s'accumulaient au fil des extractions mensuelles dans les extractions SAP : en cumul, plusieurs dizaines de millions d'euros de dépenses, en premier lieu sur les prestations intellectuelles, échappaient à toute analyse par catégorie.
• Une catégorisation entièrement manuelle, à refaire chaque mois : un tri répétitif qui consommait l'équivalent de 20 heures par mois, au détriment de l'analyse à valeur ajoutée.
• Des dashboards non opérationnels et des taxonomies difficiles à rapprocher : achats, finance et comptabilité classaient les mêmes dépenses différemment, ce qui rendait le rapprochement laborieux et le reporting mensuel lourd.

Conséquence directe : impossible de répondre vite et de façon fiable aux questions élémentaires du pilotage achats. Combien dépense-t-on en conseil ? Auprès de quels fournisseurs ? Avec quelle évolution d'un mois sur l'autre ? Chaque réponse exigeait un retraitement manuel.

La solution : un moteur hybride règles + IA, construit dans l'écosystème Microsoft du groupe

Plutôt que d'ajouter un outil de plus, Koïno a construit la solution directement sur les briques Microsoft déjà en place chez Motul : SharePoint, Power Automate, Copilot Studio et Power BI. SAP n'est pas modifié : la plateforme fonctionne en surcouche, à partir des extractions mensuelles existantes.

1. Cadrage et diagnostic data. Ateliers avec les équipes Achats et Finance, audit des extractions SAP, identification des règles de gestion existantes et des écarts entre taxonomies.
2. Taxonomie et fondation data. Construction d'une taxonomie achats V1 alignée avec la finance, accompagnée d'un dictionnaire de données partagé. Mise en place des pipelines d'ingestion : dépôt des extractions SAP dans une drop-zone SharePoint, contrôle de schéma, normalisation, organisation en couches bronze, silver et gold, règles de Data Quality.
3. Développement du moteur de catégorisation. Un moteur hybride combine des règles déterministes (comptes de grand livre, material groups, fournisseurs connus) et un modèle IA (embeddings multilingues et classification tabulaire) pour les lignes que les règles ne couvrent pas. Chaque prédiction porte un score de confiance.
4. Reporting et tests sur données réelles. Dashboards Power BI (suivi mois par mois et cumul annuel, top fournisseurs, tail-spend, anomalies), backfill de l'historique et boucle de validation avec les équipes.
5. Industrialisation et transfert. Automatisation des traitements, formation des équipes achats et handover complet du dispositif.

L'architecture : de l'extraction SAP au dashboard Power BI

• Ingestion : dépôt des extractions SAP mensuelles dans une drop-zone SharePoint, contrôle de schéma et normalisation automatiques.
• Fondation data : couches bronze, silver et gold, règles de Data Quality, dictionnaire de données partagé.
• Moteur hybride de recatégorisation : règles déterministes en premier, modèle IA en second, seuils de confiance qui décident du passage en validation humaine.
• Human-in-the-loop : file de validation des lignes à faible confiance, avec traçabilité des décisions.
• Active learning mensuel : les corrections des utilisateurs, les nouveaux fournisseurs et les familles de dépenses émergentes réentraînent le modèle chaque mois.
• Restitution : dashboards Power BI avec sécurité RLS et exports Excel et PDF.

Contraintes respectées : l'écosystème Microsoft du groupe et l'humain dans la boucle

Un moteur de catégorisation ne vaut que si les équipes lui font confiance et si la DSI peut l'auditer. Le dispositif repose sur quatre garanties :

• Zéro outil hors du SI : tout fonctionne dans l'écosystème Microsoft du groupe (SharePoint, Power Automate, Copilot Studio, Power BI). Aucune plateforme SaaS supplémentaire à faire valider, aucune donnée achats envoyée vers un outil tiers.
• SAP intact : la plateforme est une surcouche analytique qui consomme les extractions mensuelles. Aucun développement ni paramétrage dans l'ERP.
• L'humain garde la main : les lignes dont le score de confiance est insuffisant passent par une file de validation humaine. Le moteur propose, l'acheteur décide, et chaque décision est tracée : on sait toujours pourquoi une ligne est classée là où elle est.
• Confidentialité des données : la sécurité RLS (Row-Level Security) de Power BI restreint chaque dashboard au périmètre de son utilisateur.

Les résultats : 98 % de catégorisation et 20 heures d'analyse regagnées chaque mois

Le basculement se lit dans les chiffres. Avant le projet, plusieurs dizaines de millions d'euros de dépenses restaient non catégorisés. Après entraînement du moteur et enrichissement au fil des mois, le taux de catégorisation atteint 98 %, sur la totalité des dépenses de prestations intellectuelles.

Au-delà des chiffres, l'analyse mensuelle est facilitée : les dashboards Power BI donnent une vue immédiate des dépenses par catégorie et par fournisseur, avec exports Excel et PDF pour les revues de direction. Le projet a été mené en collaboration étroite avec les départements comptables et financiers : ceux-ci disposent de leur propre cartographie des dépenses, désormais rapprochable de celle des achats grâce à la taxonomie alignée.

Et après ? Un dispositif qui s'enrichit chaque mois

Le moteur n'est pas figé : c'est un dispositif apprenant. Chaque mois, l'active learning intègre les corrections des utilisateurs, les nouveaux fournisseurs et les familles de dépenses émergentes. Le taux de catégorisation se maintient et s'améliore au fil des cycles, sans reprise manuelle.

La fondation data mise en place (pipelines d'ingestion, couches bronze, silver, gold, taxonomie alignée finance) ouvre naturellement la suite : étendre la même mécanique à d'autres catégories d'achats du groupe, au-delà des prestations intellectuelles.

Un défi similaire ? Estimez le gain sur vos dépenses de prestations intellectuelles

Direction des achats ou direction financière : si vos extractions ERP dorment dans des fichiers mal formatés et si votre catégorisation se refait à la main chaque mois, la même mécanique s'applique à vos données. Décrivez-nous vos volumes et votre part de dépenses non catégorisées : nous vous dirons ce qu'un moteur hybride règles + IA peut couvrir sur votre périmètre.

Pour aller plus loin :

• L'offre IA sur mesure de Koïno : cadrage, POC et industrialisation.
• Combien coûte un agent IA en 2026 : les budgets réels par cas d'usage.
• Intégrer l'IA à l'écosystème Microsoft : le guide complet 2026.
• Cas client : Piper-Heidsieck, la facturation de 1 h à 10 min par jour avec Power Automate.
• Cas client : CAPZA, le reporting ESG consolidé en 5 jours au lieu de 3 semaines.

FAQ : catégorisation automatique des dépenses achats par IA

Combien coûte un projet de catégorisation des achats par IA ?

Le budget dépend du périmètre : volume de lignes, nombre de sources, profondeur de la taxonomie et niveau d'intégration au SI. Un moteur hybride règles + IA comme celui de Motul se construit par phases, du diagnostic data à l'industrialisation, ce qui permet de valider la valeur avant d'investir. Pour des ordres de grandeur par cas d'usage, consultez notre guide sur le prix d'un agent IA en 2026.

Faut-il modifier SAP pour catégoriser automatiquement les dépenses ?

Non. La plateforme fonctionne en surcouche : les extractions SAP mensuelles sont déposées dans une drop-zone SharePoint, contrôlées, normalisées puis catégorisées en dehors de l'ERP. SAP reste inchangé, ce qui évite un projet ERP long et coûteux et sécurise l'adoption côté DSI.

Quels outils Microsoft sont utilisés dans ce type de projet ?

Chez Motul, la plateforme s'appuie sur SharePoint (ingestion des extractions), Power Automate (automatisation des traitements), Copilot Studio, des modèles IA de catégorisation et Power BI (restitution, sécurité RLS, exports Excel et PDF). L'intérêt : aucune brique nouvelle à faire valider, des licences souvent déjà détenues. Notre guide Intégrer l'IA à l'écosystème Microsoft détaille cette approche.

Comment le modèle reste-t-il fiable dans le temps ?

Par deux mécanismes complémentaires : le human-in-the-loop (les lignes à faible score de confiance passent par une file de validation, chaque décision est tracée) et l'active learning mensuel (les corrections des utilisateurs, les nouveaux fournisseurs et les familles de dépenses émergentes réentraînent le modèle). C'est ce qui a permis d'atteindre puis de tenir 98 % de catégorisation chez Motul.