Confier le chaînage de ses gammes à un LLM : ce que nous avons appris
.avif)
Un LLM sait rapprocher des libellés écrits différemment et proposer des groupes de produits d'une même gamme. Il peut aussi se tromper avec assurance.
Le pilotage IA du chaînage de Booper combine l'IA, des contrôles programmés qui rattrapent ses erreurs, et une validation humaine. Aucun groupe n'est créé sans l'accord de l'utilisateur.
Regrouper les formats et variantes d'une même gamme est un travail de fourmi. Sur un catalogue de centaines de milliers de références, il n'est jamais vraiment terminé.
Nous avons confié ce travail à un grand modèle de langage, dans un cadre strict. Cet article raconte ce que nous avons appris : ce que le modèle fait bien, où il se trompe, et pourquoi la décision reste humaine.
Chaîner une gamme : un travail de masse
Le chaînage de gamme regroupe les formats et les variantes d'un même produit pour que leurs prix évoluent ensemble. Un yaourt en pack de 4 et en pack de 8, ou trois parfums d'une même crème dessert, forment un groupe.
Il ne faut pas le confondre avec le chaînage produit au sens de la continuité dans le temps, qui relie une ancienne référence à celle qui la remplace. Les deux servent la cohérence de gamme.
Aujourd'hui, ces groupes se construisent souvent à la main, ou par simple ressemblance de libellés. Sur un catalogue de plusieurs centaines de milliers d'articles, le travail est long et jamais fini.
produits et 4 126 groupes existants dans le référentiel d'un client retail analysé par Booper. C'est l'échelle réelle d'un chantier de chaînage.
(Booper, analyse d'un référentiel client, mai 2026)
Les conséquences se voient en rayon : des formats oubliés, des groupes incomplets, et des prix incohérents au sein d'une même gamme. Le grand format finit plus cher au kilo que le petit.
Pourquoi un LLM, et pas une règle sur les libellés
Prenons deux libellés réels de notre test sur les crèmes desserts : « DANETTE CHOCOLAT 4X125G » et « DANET.CHOCO.SAVEUR NOISETTE 4X125G ».
Une règle de ressemblance de texte bute sur les abréviations. Un grand modèle de langage reconnaît la même marque et le même format, malgré deux écritures différentes.
C'est exactement ce que sait faire un LLM : lire, rapprocher et classer des libellés. Il comprend aussi une consigne en français, comme « ne pas mélanger les marques ».
Mais il a trois limites. Il peut se tromper avec assurance. Il ne connaît pas vos données si on ne les lui donne pas. Et il n'agit pas : il produit du texte.
Ces limites expliquent pourquoi nous n'avons pas branché un chatbot sur le catalogue. Nous avons construit un processus.
Un processus agentique, pas un chatbot
Un chatbot répond à une question. Un agent enchaîne des actions avec des outils pour atteindre un objectif. Un processus agentique va plus loin : il enchaîne des étapes d'IA et des étapes programmées, avec des contrôles entre les deux.
Le pilotage IA du chaînage, intégré à notre plateforme MPS, appartient à cette troisième catégorie. Il est déclenché par un bouton, pas par une conversation.
Booper Mind propose
Lit les produits d'une nomenclature et propose de créer, compléter ou corriger des groupes, avec leur produit maître.
MPS contrôle
Vérifie chaque réponse, répare ou relance l'analyse en cas d'erreur, puis classe les propositions.
L'utilisateur décide
Lit la raison de chaque groupe, accepte, refuse ou change le maître. Rien n'est créé sans son accord.
Source : Booper, pilotage IA du chaînage, novembre 2026.
L'IA, Booper Mind, ne voit que ce dont elle a besoin : identifiant, code EAN, libellé, marque et prix de chaque produit. Elle n'a ni outil, ni accès au web, ni accès aux fichiers.
Ce choix d'architecture, et la raison pour laquelle le modèle tourne sur nos serveurs, sont détaillés dans notre article sur l'IA locale ou dans le cloud.
Ce que les tests nous ont appris : l'IA se trompe, le programme rattrape
Les premières versions faisaient confiance à la réponse du modèle. Les tests ont vite montré les limites de cette approche.
Le modèle citait parfois un produit qui n'existait pas dans la nomenclature. Il désignait un produit maître qui n'appartenait pas au groupe. Il oubliait des références. Sur les grosses nomenclatures, sa réponse arrivait abîmée ou coupée.
Le programme vérifie chaque réponse : produits inconnus, maître hors du groupe, oublis, réponse abîmée ou coupée. Une réponse abîmée est réparée. Une réponse coupée est refaite par marque, en petits lots.
Les étapes de contrôle et de rattrapage ont été ajoutées après les tests. Le pilotage est aussi couvert par 82 tests automatiques, qui tournent sans lancer l'application.
Wajdi Tarchi, directeur informatique de Booper
Deux étapes ont donc été ajoutées après les tests. La première contrôle chaque réponse. La seconde la répare, ou relance l'analyse par marque, en petits lots.
Les nomenclatures trop volumineuses sont aussi découpées automatiquement en sous-nomenclatures. Un LLM travaille mieux sur un périmètre qu'il peut embrasser d'un coup.
Ces erreurs ne sont pas propres à notre modèle. Elles sont typiques de l'IA générative, comme nous l'expliquons dans notre article sur les erreurs de prix de l'IA générative.
Classer, expliquer, faire valider
À la fin de l'analyse, les propositions arrivent classées en trois familles : nouveaux groupes, modifications de groupes existants, et cas à contrôler.
L'IA ne se contente pas de créer des groupes. Elle complète et corrige ceux qui existent déjà, et choisit pour chacun un produit maître, qui sert de référence de prix.
Chaque groupe arrive avec sa raison, en français. Par exemple : « Même marque, même conditionnement, prix alignés ». Un onglet liste aussi les produits restés sans groupe, avec le motif.
L'utilisateur accepte, refuse ou change le produit maître. Aucun groupe n'est créé dans MPS sans son accord. Les options et les instructions de chaque analyse restent tracées.
Cette exigence d'explication rejoint ce que nous défendons sur l'explicabilité des recommandations de prix : une proposition qu'on ne comprend pas ne devrait pas être appliquée.
Quelques secondes à quelques minutes par nomenclature
Le gain le plus visible est le temps. Sur nos mesures, une nomenclature de 9 produits est traitée en 7 secondes.
pour analyser une nomenclature de 103 produits et proposer ses groupes, contre 7 secondes pour 9 produits, sur le serveur de Booper.
(Booper, mesures du pilotage IA du chaînage, 2026)
La durée croît avec la taille de la nomenclature, d'où le découpage automatique des plus grandes. L'analyse peut être suivie en direct, et arrêtée à tout moment.
Le modèle tournant sur notre serveur, relancer une analyse avec une autre consigne ne coûte rien de plus. Les équipes peuvent tester plusieurs instructions sur la même nomenclature avant de décider.
Le pilotage IA complète le chaînage automatique par règles et le matching produit et chaînage de notre offre, il ne les remplace pas.
Notre position : l'IA propose, le programme contrôle, l'humain décide
L'IA crée, complète et corrige les groupes. Le programme vérifie et rattrape ses réponses. L'utilisateur garde la décision finale, groupe par groupe.
Ces règles valent pour tout futur usage de Booper Mind dans MPS : validation humaine, IA sans outils quand elle n'en a pas besoin, contrôle de chaque réponse, durée maximale, arrêt possible et traçabilité.
Wajdi Tarchi, directeur informatique de Booper
Ce partage des rôles n'est pas une prudence de circonstance. C'est ce qui permet de confier un travail de masse à une IA sans perdre la maîtrise des prix, comme nous l'expliquons dans notre article sur l'IA qui décide et l'IA qui exécute.
Le pilotage du chaînage est notre premier écran IA. Les prochains réutiliseront le même socle et les mêmes règles.
Vous souhaitez fiabiliser vos gammes plus vite ?
Nos experts lancent le pilotage IA du chaînage sur une de vos nomenclatures et vous montrent les groupes proposés, expliqués et contrôlés.
Échangeons sur vos gammesQuestions fréquentes sur le chaînage par IA
Le chaînage de gamme consiste à regrouper les formats et les variantes d'un même produit, par exemple plusieurs conditionnements ou plusieurs parfums d'une même marque, pour que leurs prix évoluent ensemble.
Chaque groupe a un produit maître, qui sert de référence. Quand son prix change, les autres produits du groupe suivent selon les règles fixées. Le chaînage évite les incohérences de prix au sein d'une gamme, comme un grand format plus cher à l'unité que le petit.
Oui. Un grand modèle de langage sait rapprocher des libellés écrits différemment et reconnaître une même marque et un même format, malgré des abréviations.
Mais il peut se tromper avec assurance : citer un produit inexistant, oublier une référence, choisir un maître hors du groupe. Dans le pilotage IA du chaînage de Booper, chaque réponse est donc contrôlée par le programme, réparée si besoin, puis soumise à l'utilisateur, qui accepte ou refuse chaque groupe.
C'est un écran de la plateforme MPS de Booper qui confie à Booper Mind, l'agent IA de Booper, la création, la complétion et la correction des groupes de produits d'une gamme, nomenclature par nomenclature.
L'utilisateur choisit la nomenclature et peut ajouter des consignes en français. Les propositions arrivent classées, expliquées et contrôlées. L'utilisateur accepte, refuse ou change le produit maître, puis exporte le résultat.
Un chatbot répond à une question par du texte. Un agent reçoit un objectif et enchaîne des actions avec des outils, comme lire un fichier ou envoyer un mail, jusqu'à l'atteindre.
Un processus agentique enchaîne des étapes d'IA et des étapes programmées, avec des contrôles entre elles. Il est déclenché par un bouton, un planning ou un événement. Le pilotage IA du chaînage appartient à cette troisième catégorie.
Sur les mesures de Booper, une nomenclature de 9 produits est analysée en 7 secondes, et une nomenclature de 103 produits en 53 secondes. La durée croît avec le nombre de produits.
Les nomenclatures les plus volumineuses sont découpées automatiquement en sous-nomenclatures. L'utilisateur suit l'avancement en direct et peut arrêter l'analyse à tout moment. Il faut compter de quelques secondes à quelques minutes par nomenclature.
Non, il le complète. Les règles restent utiles quand la logique est simple et stable, par exemple un code EAN commun ou une convention de libellé bien tenue.
L'IA apporte sa valeur quand les libellés sont hétérogènes, quand des formats ont été oubliés ou quand des groupes existants sont incomplets. Elle propose, le programme contrôle, et l'utilisateur garde la main sur ce qui est appliqué.
Chaque groupe proposé arrive avec sa raison, en français, la liste de ses produits et son produit maître. L'utilisateur peut l'accepter, le refuser ou changer le maître.
Aucun groupe n'est créé dans MPS sans son accord. Les produits restés sans groupe sont listés avec le motif, et les options et instructions de chaque analyse sont conservées, ce qui permet de retracer chaque décision.
Un LLM intégré à un logiciel de pricing traite des données sensibles : prix, marges, volumes. L'endroit où tourne le modèle décide de qui y a accès.
L'IA locale garde les données chez l'éditeur ou le client et rend le coût fixe. Elle ne dispense ni de contrôles sur chaque réponse, ni d'une validation humaine.
Un signal marché décrit ce que font les concurrents. Une décision rentable dit ce que vous devez faire, avec quel effet sur les ventes, la marge et les stocks. Les deux ne relèvent pas du même outil.
Le calcul d'une décision repose sur cinq briques que la donnée externe ne fournit pas : prévision des ventes, élasticité prix, cannibalisation, règles métier et simulation d'impact. Une infrastructure de signaux les alimente, elle ne les remplace pas.
Choisir un logiciel de prévision des ventes, c'est vérifier cinq points avant tout test : la demande cachée par les ruptures, la maille, l'explication de chaque chiffre, le lien avec les prix et les promotions, et une mesure honnête de la précision.
Une démonstration ne prouve rien sur ces points. Seul un test sur vos propres données, comparé à une référence simple, montre si la prévision améliore vraiment vos décisions.