Agent IA n8n : Évaluer Appels d'Offres Auto

Cette première étape crée le point d'entrée de votre workflow : un formulaire web où les fournisseurs peuvent soumettre leur proposition directement. C'est le déclencheur de toute l'automatisation — dès qu'une proposition est uploadée, le processus d'évaluation démarre automatiquement.

Le formulaire est volontairement minimaliste pour simplifier l'expérience fournisseur. Un seul champ suffit : l'upload du document de proposition au format PDF. Cette contrainte de format garantit que l'extraction de texte fonctionnera correctement dans les étapes suivantes.

💡 Astuce : Personnalisez le titre et la description du formulaire avec le nom de votre projet d'appel d'offres pour que les fournisseurs identifient clairement à quel appel ils répondent.

Cette étape stocke l'identifiant de votre document de cahier des charges dans Google Drive. C'est une configuration cruciale car elle indique au workflow où trouver le document de référence contre lequel toutes les propositions seront évaluées.

L'utilisation d'un nœud Set dédié permet de modifier facilement l'ID si vous changez d'appel d'offres, sans avoir à reconfigurer tout le workflow. Vous centralisez ainsi la référence au document source à un seul endroit.

💡 Astuce : Pour trouver l'ID de votre document Google Drive, ouvrez le fichier et copiez la chaîne de caractères entre /d/ et /view dans l'URL. Par exemple, dans drive.google.com/file/d/ABC123XYZ/view, l'ID est ABC123XYZ.

Ce nœud récupère automatiquement votre document d'appel d'offres depuis Google Drive en utilisant l'ID défini à l'étape précédente. Le fichier PDF est téléchargé sous forme de données binaires, prêt à être traité par l'extracteur de texte.

Cette approche dynamique permet d'utiliser le même workflow pour différents appels d'offres — il suffit de modifier l'ID dans le nœud précédent pour évaluer les propositions contre un nouveau cahier des charges.

💡 Astuce : Assurez-vous que le compte Google connecté a bien accès en lecture au document. Si le fichier est dans un Drive partagé, vérifiez les permissions de partage.

Ce nœud convertit le fichier PDF binaire du cahier des charges en texte exploitable. L'extraction de texte est une étape indispensable car l'agent IA ne peut pas lire directement les fichiers PDF — il a besoin du contenu textuel pour effectuer son analyse comparative.

La qualité de l'extraction dépend de la structure de votre PDF. Les documents créés numériquement (Word exporté en PDF) donnent d'excellents résultats, tandis que les scans peuvent nécessiter une OCR préalable.

Cette étape sauvegarde le texte extrait du cahier des charges dans une variable nommée pour faciliter son utilisation ultérieure. Le contenu est stocké dans un champ tender_document_content qui sera référencé par l'agent IA lors de l'évaluation.

Cette organisation claire des données permet de séparer le contenu du cahier des charges de celui de la proposition, évitant toute confusion lors de l'analyse comparative.

Ce nœud Merge combine deux flux parallèles du workflow : d'un côté le contenu du cahier des charges que vous venez de traiter, de l'autre les données de la proposition soumise par le fournisseur. La fusion par position aligne ces deux sources pour créer un ensemble de données complet.

Cette étape est essentielle pour que l'agent IA dispose simultanément des deux documents à comparer : le document de référence (votre appel d'offres) et le document à évaluer (la proposition du fournisseur).

Ce nœud extrait le texte du PDF de proposition soumis par le fournisseur via le formulaire. Le nom du champ binaire correspond exactement au libellé du champ de téléchargement défini dans le formulaire, avec les espaces remplacés par des underscores.

Cette extraction transforme le document du fournisseur en texte analysable, permettant à l'IA de comparer point par point les engagements proposés avec vos exigences.

💡 Astuce : Si vous modifiez le libellé du champ fichier dans le formulaire, pensez à mettre à jour ce paramètre en conséquence. Utilisez le panneau de débogage n8n pour voir le nom exact du champ binaire reçu.

Cette étape sauvegarde le texte de la proposition fournisseur dans une variable dédiée tender_offer_document_content. Cette séparation claire entre le contenu du cahier des charges et celui de la proposition facilite la construction du prompt pour l'agent IA.

Le nœud ne transmet que ce champ spécifique, filtrant toutes les autres données pour garder un flux de données propre et lisible.

Voici le cœur du workflow : l'agent IA qui effectue l'évaluation. Ce nœud envoie un prompt structuré à l'IA, incluant le contenu du cahier des charges et de la proposition, avec des instructions précises sur les critères d'analyse et le format de réponse attendu.

Le message système définit le rôle de l'IA comme un "spécialiste rigoureux et exigeant de l'évaluation des appels d'offres", garantissant une analyse objective avec des standards élevés et une tolérance zéro pour les non-conformités.

💡 Astuce : Personnalisez le message système pour refléter vos priorités d'évaluation. Par exemple, si la conformité RGPD est critique pour votre organisation, mentionnez-le explicitement dans les instructions.

Ce nœud configure le modèle d'IA utilisé pour l'évaluation. Google Gemini 2.5 Flash offre un excellent équilibre entre rapidité de traitement et qualité d'analyse, idéal pour traiter des documents volumineux comme des réponses d'appels d'offres.

Le modèle Flash est particulièrement adapté à ce cas d'usage car il gère efficacement les contextes longs (documents de plusieurs dizaines de pages) tout en maintenant des coûts d'API raisonnables.

Ce nœud définit la structure exacte des données que l'agent IA doit produire. En fournissant un exemple JSON complet, vous garantissez que chaque évaluation suivra le même format, facilitant l'agrégation et la comparaison dans votre tableau de bord.

Le schéma inclut toutes les informations essentielles : coordonnées de l'entreprise, coûts détaillés, durée du projet, scores par critère avec leurs poids, vérifications de conformité, et analyse qualitative.