Chiffrer un appel d'offres avec l'IA : pourquoi le prix lui échappe et comment les données ouvertes le règlent

Pourquoi automatiser le chiffrage tente tout le monde (et déçoit aussi vite)

Depuis que les grands modèles de langage rédigent des mémoires techniques convaincants en quelques minutes, une question revient systématiquement chez les entreprises qui répondent aux marchés publics : si l’IA sait rédiger, pourquoi ne saurait-elle pas chiffrer ? L’idée est séduisante. On colle le CCTP dans une fenêtre de conversation, on demande un prix, et on récupère un montant en trois secondes.

Le problème, c’est que ce montant est presque toujours faux. Pas approximatif : faux, au sens où il ne repose sur rien de vérifiable. L’IA générative excelle à produire du texte plausible, mais le chiffrage d’une offre n’est pas un exercice de rédaction. C’est un exercice de positionnement par rapport à un marché réel, avec des concurrents réels et des prix réellement pratiqués.

Cet article explique précisément pourquoi un modèle seul échoue sur le prix, puis comment les données ouvertes de la commande publique fournissent le référentiel qui lui manque. À la clé : une méthode concrète pour transformer une donnée publique gratuite en fourchette de prix actionnable, et savoir enfin si votre offre est au bon niveau.

Le vrai problème : un modèle de langage n’a pas de référentiel de prix

Un grand modèle de langage est entraîné à prédire le mot suivant le plus probable dans une phrase. Il a absorbé d’immenses quantités de texte, mais il n’a pas mémorisé une base structurée des montants attribués aux marchés publics français. Quand vous lui demandez « combien coûte un marché de nettoyage de 3 000 m² de bureaux à Lyon sur trois ans », il ne consulte aucune base de prix : il génère la suite de caractères statistiquement la plus crédible.

Le résultat ressemble à un prix. Il a la bonne unité, le bon ordre de grandeur apparent, parfois même une décomposition convaincante. Mais c’est une reconstruction probabiliste, pas une mesure. Deux requêtes identiques peuvent produire deux montants différents, et aucun des deux n’est rattaché à une transaction réelle. C’est exactement le mécanisme de l’hallucination, appliqué aux chiffres.

Cette limite n’est pas un défaut passager qui disparaîtra avec la version suivante du modèle. Elle est structurelle. Un outil entraîné sur du langage ne peut pas inventer une connaissance qu’il n’a jamais vue, et les montants confidentiels de votre secteur, croisés avec les spécificités locales d’un acheteur, ne figurent pas dans ses données d’entraînement. C’est la même raison pour laquelle un assistant généraliste reste fragile sur les marchés publics, un point que nous détaillons en analysant comment l’IA transforme la réponse aux marchés publics.

Le bon prix n’est pas le vôtre, c’est celui du marché

Même avec une IA parfaite, une erreur de raisonnement précède la question technique : croire que le bon prix se déduit de votre seul coût de revient. Votre coût de revient vous dit à partir de quel montant vous perdez de l’argent. Il ne vous dit pas si vous allez gagner le marché.

Le prix gagnant se situe dans une zone définie par trois forces : votre structure de coûts, les attentes budgétaires de l’acheteur, et surtout le niveau auquel vos concurrents vont se positionner. Trop haut, vous êtes écarté sur le critère prix, qui pèse souvent de 40 à 60 % de la note. Trop bas, vous détruisez votre marge, et vous risquez en plus d’être suspecté d’offre anormalement basse, avec à la clé une demande de justification voire un rejet.

Décider du prix, c’est donc d’abord répondre à une question de renseignement : à combien des marchés comparables ont-ils été attribués récemment, et à qui ? Cette information est le référentiel qui manque autant à votre intuition qu’à l’IA. La bonne nouvelle, c’est qu’en marché public, elle est en grande partie publique.

Les données ouvertes de la commande publique : le référentiel qui manquait

Depuis l’obligation de transparence des marchés publics, chaque acheteur doit publier les données essentielles de tout marché attribué au-dessus de 40 000 euros HT. Ce dispositif, appelé DECP (Données Essentielles de la Commande Publique), constitue une mine d’information sur les prix réellement pratiqués.

Pour chaque marché, vous trouvez l’acheteur, le titulaire et son numéro SIRET, l’objet, le montant attribué, la durée, le code CPV (la nomenclature européenne qui classe la nature de la prestation), la procédure utilisée et la date de notification. Depuis le format réglementé par l’arrêté du 22 décembre 2022, les modifications et avenants sont également suivis.

Concrètement, ces données vous disent qui a gagné quel marché, pour combien, et sur quelle durée. C’est précisément le type de renseignement qu’un commercial expérimenté collectait jadis au prix de longues recherches, désormais disponible gratuitement et en open data. Où les consulter :

• data.gouv.fr : le portail national, qui héberge depuis 2024 les fichiers consolidés des données essentielles.
• data.economie.gouv.fr : une version enrichie et requêtable via API.
• decp.info : un explorateur gratuit particulièrement pratique pour filtrer par titulaire, acheteur, montant ou code CPV, et exporter les résultats vers un tableur.

Les données sont publiées au plus tard deux mois après la notification du marché. Elles alimentent une logique très différente de la simple veille des appels d’offres à venir : ici, on regarde le passé pour calibrer le présent.

Méthode : transformer la donnée brute en fourchette de prix

Voici comment passer du fichier brut à un chiffre exploitable, en cinq étapes.

1. Identifier le bon code CPV. Tout part de la nomenclature CPV de votre prestation. Repérez le ou les codes qui correspondent réellement à l’objet du marché que vous visez. C’est le filtre le plus discriminant : sans lui, vous comparez des choses incomparables.

2. Délimiter un périmètre comparable. Croisez le CPV avec une zone géographique cohérente (département, région) et une période récente, idéalement les vingt-quatre derniers mois. Les prix bougent, et un marché attribué il y a cinq ans n’est plus une référence fiable en période d’inflation.

3. Nettoyer pour rendre les marchés comparables. Un montant brut ne veut rien dire hors contexte. Ramenez chaque marché à une base commune : prix au mètre carré, à l’unité, à la journée, ou au mois de prestation. Écartez les marchés dont la durée, le volume ou l’allotissement diffèrent trop du vôtre.

4. Calculer une fourchette, pas un point. Sur l’échantillon nettoyé, calculez la médiane et les bornes basse et haute. La médiane résiste mieux que la moyenne aux valeurs extrêmes, fréquentes quand un marché atypique gonfle l’échantillon. Vous obtenez une fourchette du type « entre X et Y euros par unité, médiane à Z ».

5. Positionner votre offre. Replacez votre coût de revient dans cette fourchette. Si votre prix plancher est au-dessus de la borne haute du marché, vous avez un problème de compétitivité structurel à traiter avant même de répondre. S’il se situe dans le premier tiers, vous avez une marge de manœuvre pour optimiser la note prix sans sacrifier votre rentabilité. Cette lecture nourrit directement votre décision de répondre ou non au marché.

Où l’IA reprend tout son sens : ancrée sur les données

Une fois ce référentiel constitué, l’IA cesse d’être un générateur de prix imaginaires pour devenir un véritable accélérateur. La différence tient en un mot : l’ancrage. Au lieu d’interroger sa mémoire d’entraînement, on lui fournit les données réelles et on lui demande de les exploiter.

Une IA correctement ancrée sait extraire les marchés pertinents d’un export DECP de plusieurs milliers de lignes, normaliser des unités hétérogènes, repérer les valeurs aberrantes et restituer une fourchette commentée en quelques secondes, là où le travail manuel prend des heures. Elle peut ensuite croiser cette fourchette avec votre propre structure de coûts pour simuler plusieurs scénarios de marge.

C’est toute la différence entre un assistant généraliste, qui répond de mémoire, et un outil dédié aux marchés publics, qui raisonne sur des données vérifiées. La même logique vaut pour la rédaction : un mémoire technique fiable s’appuie sur vos références réelles, pas sur des généralités inventées, comme nous l’expliquons dans notre méthode pour rédiger un mémoire technique avec l’IA.

Les limites et pièges à connaître

L’open data n’est pas une boule de cristal. Quelques réserves s’imposent pour ne pas surinterpréter les chiffres.

D’abord, la qualité des données. La saisie des DECP par les acheteurs reste inégale : montants manquants, codes CPV erronés, doublons. Un nettoyage sérieux est indispensable avant tout calcul. Ensuite, la granularité : la DECP publie un montant global, pas le détail du bordereau des prix unitaires. Vous connaissez le prix total attribué, rarement la décomposition ligne à ligne qui figure dans le BPU ou la DPGF.

Par ailleurs, le dispositif ne couvre que la commande publique au-dessus du seuil de 40 000 euros HT. Les marchés privés et les petits marchés y échappent. Enfin, un montant attribué reflète un contexte précis : un acheteur, une exigence de qualité, une conjoncture. Deux marchés au même CPV peuvent légitimement présenter des prix très différents. La fourchette est un repère de cadrage, pas une vérité à recopier.

Conclusion

Demander un prix à une IA généraliste, c’est lui demander d’inventer une information qu’elle n’a jamais vue. Le résultat est confiant et faux. Le bon prix d’un appel d’offres ne se devine pas : il se mesure par rapport au marché, et ce marché est largement documenté par les données ouvertes de la commande publique. La séquence gagnante est claire : on constitue d’abord le référentiel à partir de la DECP, puis on confie à l’IA le travail d’analyse sur ces données réelles. C’est à cette condition que le chiffrage automatisé devient fiable plutôt que hasardeux. Avant de poser un prix sur votre prochaine offre, prenez le temps de regarder ce que le marché a réellement payé.

---

Automatisez vos réponses aux appels d’offres → Demander une démo