SNCF Retail & Connexions, transport ferroviaire
Préparer l’analyse des offres sans tout ressaisir à la main
Chez SNCF Retail & Connexions, qui attribue les commerces en gare par appels d’offres, les commerciaux passent beaucoup de temps à extraire, ressaisir et remettre en forme les données de chaque dossier de candidature. Depuis octobre 2026, Koïno transforme les prototypes construits en interne sur Dust et Dataiku en un outil fiable et maintenable, qui pré-remplit la grille de notation avec ses sources.
Par Maxence Morin, cofondateur de KoïnoPublié le Mis à jour le
En bref
SNCF Retail & Connexions, filiale du groupe SNCF qui gère les commerces en gare, reçoit environ 350 dossiers de candidature par an dans ses appels d’offres. Depuis octobre 2026, un ingénieur de Koïno transforme les prototypes construits en interne sur Dust et Dataiku en un outil fiable et maintenable : lecture du dossier de consultation et des offres, comparaison avec les données internes stockées dans Snowflake, grille de notation pré-remplie avec la source de chaque valeur. Le projet est en cours : aucun gain n’est encore mesuré.
L’outil d’analyse des offres de SNCF Retail & Connexions est un ensemble d’agents IA, construit sur Dust et Dataiku, qui lit les offres reçues dans un appel d’offres commercial et pré-remplit la grille de notation des commerciaux, chiffres vérifiés et sources citées.
Quel problème fallait-il résoudre chez SNCF Retail & Connexions ?
SNCF Retail & Connexions est la filiale du groupe SNCF qui gère les commerces et les services en gare. Elle attribue ces emplacements par appels d’offres : environ 180 consultations par an, deux à trois candidats en moyenne, soit près de 350 dossiers à analyser. Pour chacun, les commerciaux extraient les données de l’offre, les ressaisissent dans une grille de notation, les comparent aux références internes, puis remettent le tout en forme dans un document d’arbitrage.
L’équipe IA de la filiale avait déjà construit des prototypes : un enchaînement d’agents sur Dust qui pré-remplit la grille, un flux Dataiku qui extrait les indicateurs. Ils restaient fragiles. Les connexions à Snowflake se mettaient à jour à la main, un changement de modèle d’IA pouvait dérégler l’ensemble, et une erreur déjà rencontrée sur des chiffres d’affaires avait montré le risque. La filiale n’a pas de développeur en interne pour fiabiliser ces outils.
Qu’a construit Koïno pour SNCF Retail & Connexions ?
Depuis octobre 2026, un ingénieur de Koïno travaille avec l’équipe IA de la filiale, au format Koïno Ops : il construit dans les outils déjà autorisés, en ingénieur déployé auprès de l’équipe. Le cadrage fixe l’architecture cible sur Dust et Dataiku, la carte des sources et le périmètre des modules. Le premier module lit le dossier de consultation et les offres des candidats, extrait les informations utiles et pré-remplit la grille de notation, que les commerciaux reprennent dans leur document d’arbitrage.
La fiabilité passe avant l’ampleur. Les chiffres viennent de requêtes Python et SQL sur les données structurées, pas d’une lecture approximative par le modèle. Les chiffres clés sont recoupés, et l’outil signale une donnée qu’il ne peut pas vérifier au lieu de la compléter. Les comparaisons s’ajoutent un module à la fois (loyers, chiffre d’affaires au mètre carré, trafic voyageurs, notes Google), l’apport de chacun mesuré avant le suivant. Le choix du modèle selon la tâche et la mise en cache tiennent les coûts.
Le système en construction : du dossier de candidature à la grille de notation
- Dossier et offresDossier de consultation et offres des candidats, en formats variés
- ExtractionLes agents lisent chaque offre et en tirent les données utiles
- Données internesRequêtes Python et SQL sur Snowflake : loyers, ventes, trafic
- Contrôles croisésChiffres clés recoupés, alerte quand une donnée reste invérifiable
- Grille pré-rempliePrête pour le document d’arbitrage, chaque valeur avec sa sourceGrille de notationPréparation des entretiens
Où en est le projet ?
Le projet est en cours depuis octobre 2026 : aucun gain n’est encore mesuré. Le contrat fixe ce qui doit sortir de l’outil : la grille de notation complétée, intégrable telle quelle au document d’arbitrage, puis une aide à la préparation des entretiens avec les candidats, et à terme le document d’arbitrage lui-même. Chaque module n’entre en service qu’une fois l’apport du précédent mesuré.
Le transfert de compétences fait partie du contrat : la chargée de missions IA et des équipes peu techniques apprennent à comprendre, piloter et faire évoluer l’outil. La documentation, les règles de gouvernance et le calcul des coûts de fonctionnement, y compris quand l’usage augmente, font partie de la livraison, pour que l’outil reste maintenable après la mission.
Ce que nous en retenons
Quand une décision d’attribution repose sur des chiffres, ces chiffres doivent venir d’une requête que l’on peut rejouer, pas de la lecture d’un modèle. L’IA lit et rédige ; les données structurées passent par des requêtes vérifiables, et chaque module prouve son apport avant le suivant.
Rédigé par
Maxence MorinCofondateur et président de Koïno, expert en IA
Il porte la technique et les opérations de Koïno : il conçoit et met en production des agents et des automatisations pour les entreprises, publie avec des écoles et des laboratoires d’IA, et intervient régulièrement sur l’IA en entreprise.
Son profil LinkedInQuestions sur ce cas
Ce qu’on nous demande le plus souvent à propos de ce projet.
Comment l’IA peut-elle aider à analyser les offres d’un appel d’offres ?
En préparant le travail, pas en décidant. Chez SNCF Retail & Connexions, les agents lisent le dossier de consultation et les offres des candidats, en extraient les données utiles, les comparent aux références internes et pré-remplissent la grille de notation, chaque valeur avec sa source. Le commercial vérifie, corrige et garde l’entretien avec les candidats comme la décision d’attribution, qui engage l’entreprise.
Comment éviter que l’IA invente des chiffres dans une analyse d’offres ?
En ne lui demandant pas de les calculer. Les données structurées (loyers, chiffre d’affaires au mètre carré, trafic voyageurs) sont lues par des requêtes Python et SQL sur Snowflake, que l’on peut rejouer. Les chiffres clés sont recoupés, et l’outil signale une donnée qu’il ne peut pas vérifier au lieu de la compléter. Le modèle d’IA sert à lire les documents et à rédiger la synthèse.
Faut-il changer d’outil pour industrialiser un prototype construit sur Dust ou Dataiku ?
Non. Koïno construit sur les outils déjà choisis par la filiale, Dust et Dataiku, avec un enchaînement n8n possible si un module le demande, et rien en dehors des outils autorisés. La direction des systèmes d’information veut limiter le nombre d’outils. Le travail porte donc sur la fiabilité, la documentation et la maintenance de l’existant. Les données traitées et leur durée de conservation sont fixées dans le contrat.
Comment le projet est-il organisé ?
Au format Koïno Ops : un ingénieur de Koïno travaille avec l’équipe IA de la filiale depuis octobre 2026. Il commence par le cadrage technique (architecture, sources, périmètre des modules), construit le premier module, puis ajoute les suivants un par un, en mesurant l’apport de chacun avant d’engager le suivant. Le transfert de compétences court tout au long de la mission, pour que l’équipe pilote ensuite l’outil seule.
Peut-on appliquer la même approche à d’autres appels d’offres ?
Oui, quand trois conditions sont réunies : des dossiers de candidature comparables d’une consultation à l’autre, une grille de notation écrite, et des données de référence structurées pour juger le réalisme des offres. C’est le cas de tout acheteur, foncière ou gestionnaire d’espaces qui sélectionne des candidats sur dossier. Le point de départ reste le même : fiabiliser les chiffres avant d’automatiser la rédaction.