IA et appels d'offres 2026 : ce qu'elle sait faire, ce qu'elle rate

L'IA et les appels d'offres en 2026 : analyse de DCE, extraction de critères, mémoire technique, prompts utiles, risques, et pourquoi ChatGPT rate les avis.

Mis à jour le 4 septembre 2026

Vérifié le 4 septembre 2026.

En 2026, la question n'est plus de savoir si l'on utilise un modèle de langage pour répondre aux appels d'offres, mais où il apporte un gain réel et où il fait perdre des points, voire un marché. La ligne de partage est nette : l'IA est excellente pour lire, résumer et reformuler des documents qu'on lui donne, et très mauvaise pour aller chercher elle-même les avis publiés cette semaine.

Ce que les entreprises font vraiment avec l'IA

Cinq usages reviennent systématiquement chez les praticiens.

Analyse du DCE. Un dossier de consultation représente souvent plusieurs centaines de pages réparties sur cinq ou six fichiers. Un modèle capable de lire des PDF longs en sort en quelques minutes l'objet exact, le découpage en lots, la durée, les pénalités, les pièces à fournir et les points de vigilance du CCAP.

Résumé et décision go / no go. Le résumé d'un avis de marché dans un format fixe (acheteur, objet, date limite, montant estimé, conditions d'accès) permet de trier une pile d'avis beaucoup plus vite.

Extraction des critères d'attribution. Le règlement de consultation décrit la pondération et les sous-critères, parfois dans un tableau, parfois dans un paragraphe noyé page 12. L'extraction structurée de ces critères, avec leur poids, sert ensuite de plan au mémoire.

Rédaction du mémoire technique. L'usage le plus répandu et le plus risqué. L'IA sert à produire une trame calquée sur les critères, reformuler des paragraphes de mémoires précédents et vérifier qu'aucune exigence du CCTP ne reste sans réponse. Elle est mauvaise pour inventer la valeur ajoutée, qui vient de l'entreprise.

Veille et classification. Une fois les avis récupérés depuis une source à jour, un modèle sait très bien les classer par pertinence, leur attribuer des codes CPV et détecter les doublons. Le mot important est « une fois récupérés ».

Ce que l'IA fait bien, ce qu'elle fait mal

Tâche	L'IA généraliste	Pourquoi
Résumer un DCE fourni en pièce jointe	Bien	Le texte est sous ses yeux, la tâche est de la compression
Extraire critères, pondérations, dates d'un RC	Bien	Extraction structurée, à vérifier ligne à ligne
Traduire une activité en codes CPV	Bien	La nomenclature est publique et stable
Générer des synonymes du vocabulaire acheteur	Très bien	Aucune donnée fraîche nécessaire
Classer et scorer des avis déjà collectés	Bien	Tâche de classification sur texte fourni
Reformuler et structurer un mémoire	Correct, avec relecture	Le fond doit venir de l'entreprise
Trouver les avis publiés cette semaine	Mauvais	Accès partiel aux plateformes, résultats périmés
Donner un montant estimé non publié	Mauvais	Invention pure
Citer une norme, une référence ou un article du code	Risqué	Sources plausibles mais fausses
Rédiger seule une réponse remise telle quelle	Mauvais	Réponse générique, notée comme telle

Le point aveugle : trouver les avis récents

C'est la limite la plus mal comprise, et les éditeurs de veille la documentent eux-mêmes. Les assistants généralistes, ChatGPT et Perplexity compris, n'ont qu'un accès très partiel aux plateformes de publication. Interrogés avec « trouve-moi les appels d'offres en cours pour la maintenance informatique en Occitanie », ils remontent surtout des consultations anciennes, souvent clôturées.

Trois raisons techniques. Les profils d'acheteur sont mal indexés : leur contenu est derrière des formulaires, des sessions et du JavaScript. La fenêtre d'un appel d'offres est courte, souvent trois à cinq semaines, alors qu'un index se rafraîchit plus lentement. Et les sources fiables sont des API : le BOAMP publie ses avis deux fois par jour en open data, TED expose une API de recherche, et aucune n'est interrogée par un assistant généraliste.

D'où la règle : le LLM intervient après la découverte, jamais pour la découverte.

Trois risques concrets

Les références inventées

Un modèle produit du texte plausible, pas du texte vérifié. Dans un mémoire technique, cela donne des numéros de norme qui n'existent pas, des certifications attribuées à l'entreprise sans qu'elle les détienne, des références de chantiers imaginaires ou des articles du code cités avec un numéro erroné. Une référence fausse n'est pas qu'une erreur de forme : elle peut être lue comme une déclaration inexacte. Toute donnée factuelle produite par un modèle doit être vérifiée par une personne qui la connaît.

La réponse générique

Un texte généré sans matière propre à l'entreprise se reconnaît à ses formulations passe-partout et à l'absence de détails opérationnels. Or les critères de valeur technique récompensent exactement l'inverse : moyens humains nommés, planning chiffré, méthodologie appliquée au site, mesures adaptées au besoin décrit dans le CCTP. Une réponse fluide mais interchangeable perd des points là où l'écart se joue.

La confidentialité du DCE

Le dossier contient parfois des plans, des données d'exploitation ou des adresses de sites sensibles, et la réponse en préparation contient la stratégie commerciale et les prix. Trois précautions minimales : vérifier que le fournisseur n'utilise pas les données envoyées pour entraîner ses modèles, préférer une offre professionnelle avec engagement contractuel sur ce point, et retirer des documents ce qui n'a pas besoin d'y figurer. Certains DCE comportent des clauses de confidentialité interdisant la diffusion à des tiers, ce qui inclut un service en ligne.

Des prompts qui fonctionnent

Ces trois formulations visent les tâches où le modèle est bon : la donnée lui est fournie, ou elle est stable.

Résumé d'un avis. Coller le texte de l'avis, puis imposer un format fixe.

Voici un avis de marché. Restitue uniquement, sous forme de liste :
acheteur, objet en une phrase, nature (travaux / fournitures / services),
procédure, allotissement, date limite de remise des offres, durée du marché,
critères d'attribution avec pondération, pièces exigées.
Si une information est absente de l'avis, écris "non précisé".
N'ajoute aucune information qui ne figure pas dans le texte.

La dernière consigne est la plus importante : elle réduit le comblement de trous par invention.

Mapping CPV. Utile pour construire un profil de veille.

Pour l'activité "{activité}", donne les codes CPV pertinents, du plus large
au plus précis, avec pour chacun le libellé officiel et une note de 1 à 5
sur la probabilité qu'un acheteur l'utilise pour ce besoin.
Ajoute les codes voisins à exclure pour éviter le bruit. Réponds en JSON.

Vérifier ensuite les codes dans le navigateur CPV officiel : un modèle produit facilement un code au format correct mais inexistant.

Expansion de synonymes. La recherche des plateformes est littérale : chercher « services informatiques » ne remonte pas un avis intitulé « infogérance ». Générer les variantes du vocabulaire acheteur est ce qu'un modèle fait le mieux.

Tu es un acheteur public français. Pour l'activité "{activité}", liste
15 à 20 formulations qu'un acheteur utiliserait dans l'objet d'un avis,
jargon administratif inclus, puis les termes proches à exclure. Réponds en JSON.

La position des acheteurs publics

Il n'existe aujourd'hui aucun encadrement spécifique de l'IA en droit de la commande publique, ni pour les acheteurs ni pour les entreprises. Aucune disposition du Code de la commande publique ne vise l'intelligence artificielle, et aucun guide de la Direction des affaires juridiques ne traite du recours à l'IA par les candidats. Ce sont les régimes existants qui s'appliquent : les principes de la commande publique, le RGPD et le règlement européen sur l'IA (règlement UE 2024/1689, entré en vigueur le 1er août 2024).

Des clauses commencent néanmoins à apparaître. Un établissement public francilien a inséré dans son règlement de consultation une clause imposant aux candidats de s'engager à rédiger leur offre sans recourir à un système d'intelligence artificielle, sous peine d'irrégularité. Les commentateurs juridiques jugent ce type de clause à peu près invérifiable et fragile. Elle existe pourtant, ce qui justifie une lecture attentive du règlement de consultation avant de répondre.

Aucune jurisprudence ne s'est prononcée sur une offre rédigée avec l'aide d'un modèle de langage. La pratique n'est donc pas encadrée, et la prudence consiste à considérer l'IA comme un outil de rédaction interne dont l'entreprise reste entièrement responsable, exactement comme un traitement de texte ou un consultant externe.

Scoutee applique cette séparation : la collecte des avis se fait sur des sources datées et structurées, le modèle n'intervient qu'ensuite pour classer et résumer ce qui a été réellement publié.

Sources

Nouveautés 2026