En bref — Des heures chaque semaine à recopier des données fournisseurs dans votre catalogue ? Voici comment construire un flux automatisé avec Make, l'IA et Airtable pour alimenter vos fiches produits sans intervention manuelle.

automatiser catalogue produits IA Image : Danny Choo — Openverse (by-sa)

Automatiser la mise à jour de son catalogue produits avec l'IA : fini les copier-coller manuels

Si vous gérez un catalogue e-commerce avec plusieurs fournisseurs, vous connaissez le rituel. Un PDF de tarifs arrive par email le lundi matin. Un fichier Excel de nouveautés atterrit dans votre boîte le mercredi. Chaque semaine, quelqu'un dans l'équipe passe des heures à ouvrir ces documents, chercher les nouvelles références, comparer avec l'existant, recopier les descriptions, reformater les prix, redimensionner les images. Puis recommencer.

Ce n'est pas du travail qualifié. C'est de la saisie. Et c'est exactement le type de tâche que l'IA combinée à un outil d'automatisation peut prendre en charge presque entièrement — à condition de bien configurer le flux et de garder la main sur les étapes critiques.

Cet article vous montre comment construire ce flux de A à Z, avec des outils accessibles à une PME sans équipe technique dédiée.

1. Le problème concret : des heures perdues à recopier des données fournisseurs

Avant de parler d'outils, regardons ce que ce travail représente vraiment.

Un gestionnaire de catalogue dans une PME e-commerce passe en moyenne 3 à 6 heures par semaine sur la mise à jour des fiches produits issues des fournisseurs. Cette estimation monte rapidement si vous travaillez avec 5 fournisseurs ou plus, chacun ayant son propre format de fichier, sa propre nomenclature, ses propres conventions de nommage.

Les problèmes récurrents sont toujours les mêmes :

  • Les formats sont hétérogènes. Un fournisseur envoie un PDF de 40 pages. Un autre livre un Excel avec 15 colonnes dont la moitié ne vous intéresse pas. Un troisième a un portail en ligne sans export propre.
  • Les descriptions ne sont pas prêtes à l'emploi. Le texte technique fourni par le fabricant est souvent trop jargonneux, trop court, ou au contraire trop générique pour être publié tel quel.
  • Les mises à jour partielles créent des incohérences. Quand un fournisseur met à jour 30 références sur 200, il faut identifier lesquelles ont changé, ne pas écraser les descriptions que vous avez déjà retravaillées, et gérer les nouvelles entrées séparément.
  • Le risque d'erreur est élevé. Une virgule mal placée dans un prix, une référence copiée sur la mauvaise ligne, une unité oubliée : la saisie manuelle accumule des erreurs silencieuses qui se découvrent trop tard.

Le coût réel n'est pas seulement en heures. C'est aussi le délai entre la réception des données fournisseur et leur mise en ligne. Dans un contexte où les ruptures de stock et les changements de prix sont fréquents, chaque jour de retard a un impact commercial direct.

2. Architecture du flux : extraction PDF/Excel fournisseur → IA → base produits

L'automatisation que nous allons construire suit une logique en trois étapes distinctes.

Étape 1 — Réception et extraction des données brutes

Le flux commence dès la réception du fichier fournisseur. Selon la source, deux cas se présentent :

  • Fichier Excel ou CSV : les données sont structurées, l'extraction est directe.
  • PDF : les données sont présentées visuellement mais pas structurées pour une machine. Il faut une étape d'extraction supplémentaire.

Dans les deux cas, le fichier arrive généralement par email ou est déposé dans un dossier partagé (Google Drive, Dropbox, SharePoint). C'est ce point d'entrée que l'outil d'automatisation va surveiller.

Étape 2 — Traitement par l'IA

Une fois les données brutes extraites, l'IA prend le relais pour :

  • Normaliser les champs : harmoniser les noms de colonnes, convertir les unités, standardiser les formats de prix.
  • Enrichir les descriptions : transformer un texte technique brut en description lisible et orientée bénéfices, adaptée à votre ligne éditoriale.
  • Identifier les nouveautés et les modifications : comparer les données entrantes avec l'état actuel du catalogue pour signaler ce qui est nouveau, ce qui a changé, et ce qui a disparu.
  • Générer les champs manquants : créer des balises alt pour les images, proposer des mots-clés SEO, rédiger des accroches courtes.

Étape 3 — Alimentation de la base produits

Les données traitées sont poussées dans votre base de données catalogue — ici Airtable, mais le principe s'applique à Notion, Google Sheets, ou directement à votre CMS via API. Les nouvelles fiches sont créées, les fiches existantes sont mises à jour sur les champs concernés, et les fiches à valider manuellement sont marquées avec un statut spécifique.

Ce dernier point est crucial : le flux ne publie rien automatiquement. Il prépare, enrichit, et soumet à validation.

3. Outils utilisés et configuration pas à pas

Les outils

  • Make (anciennement Integromat) : l'orchestrateur du flux. Il surveille les sources, déclenche les étapes, gère les erreurs.
  • ChatGPT API ou Claude API : le moteur d'enrichissement et de normalisation. Les deux fonctionnent bien ; Claude est souvent plus fiable sur les instructions longues et les formats structurés.
  • Airtable : la base de données catalogue, avec une vue "À valider" pour les fiches en attente de publication.
  • Google Drive : point de dépôt des fichiers fournisseurs.
  • PDF.co ou Adobe PDF Extract API : pour l'extraction de données depuis les PDF (optionnel si vos fournisseurs livrent en Excel).

Configuration du flux dans Make

Scénario 1 : Fichier Excel déposé dans Google Drive

  1. Déclencheur : module "Google Drive — Watch Files in a Folder". Configurez-le pour surveiller un dossier spécifique, par exemple /fournisseurs/entrants/.
  2. Extraction : module "Google Sheets — Get Range Values" ou "CSV — Parse CSV" selon le format. Vous obtenez un tableau de lignes.
  3. Itération : module "Iterator" pour traiter chaque ligne produit séparément.
  4. Appel IA : module "HTTP — Make a Request" vers l'API OpenAI ou Anthropic. C'est ici que vous passez les données brutes et votre prompt.
  5. Écriture Airtable : module "Airtable — Create Record" ou "Airtable — Update Record" selon que la référence existe déjà.

Scénario 2 : PDF reçu par email

  1. Déclencheur : module "Email — Watch Emails" filtré sur l'adresse expéditeur du fournisseur et la présence d'une pièce jointe PDF.
  2. Extraction PDF : module "HTTP — Make a Request" vers PDF.co avec l'action "PDF to CSV" ou "PDF to JSON". Cette étape transforme le PDF en données exploitables.
  3. La suite est identique au scénario Excel.

Le prompt IA : la pièce centrale du dispositif

La qualité du résultat dépend presque entièrement de la façon dont vous formulez votre prompt. Voici une structure qui fonctionne bien en production :

Tu es un assistant spécialisé dans la gestion de catalogues e-commerce.

Je vais te fournir des données brutes extraites d'un fichier fournisseur. 
Tu dois retourner un objet JSON structuré selon le schéma suivant :

{
  "reference": string,
  "nom_produit": string (max 80 caractères, orienté client),
  "description_courte": string (max 160 caractères, bénéfice principal),
  "description_longue": string (300-500 mots, ton professionnel mais accessible),
  "prix_ht": number,
  "unite": string,
  "categorie_suggeree": string,
  "mots_cles_seo": array of strings (5 maximum),
  "statut_validation": "auto" | "a_verifier"
}

Règles :
- Si une donnée est manquante ou ambiguë, indique "a_verifier" dans statut_validation.
- Ne traduis pas les références techniques (codes, normes).
- Adapte le ton à une clientèle professionnelle BtoB.
- Si le prix semble anormal (< 0 ou > 10 000 €), indique "a_verifier".

Données brutes du produit :
{{données_ligne_fournisseur}}

Ce prompt est à adapter à votre secteur, votre ton éditorial, et les champs spécifiques de votre catalogue. L'investissement dans sa rédaction est rentabilisé à chaque exécution du flux.

Configuration Airtable

Votre base Airtable doit comporter au minimum :

  • Un champ Référence fournisseur (texte, clé de déduplication)
  • Un champ Statut (single select : Brouillon / À valider / Publié / Archivé)
  • Un champ Source (nom du fournisseur, date d'import)
  • Un champ Dernière mise à jour automatique (date)
  • Un champ Modifications détectées (texte long, pour noter ce qui a changé par rapport à la version précédente)

Dans Make, avant de créer ou mettre à jour une fiche, ajoutez un module "Airtable — Search Records" pour vérifier si la référence existe déjà. Si oui, comparez les champs clés (prix, description, disponibilité) et n'écrasez que les champs réellement modifiés. Consignez les modifications dans le champ dédié.

Gestion des doublons et des conflits

Un point souvent négligé : que se passe-t-il si vous avez déjà retravaillé manuellement une description, et que le fournisseur envoie une mise à jour ? Le flux ne doit pas écraser votre travail.

La solution est d'ajouter un champ booléen Description verrouillée dans Airtable. Si ce champ est coché, le flux met à jour les données techniques (prix, stock, dimensions) mais ne touche pas à la description. Ce comportement se configure avec un filtre conditionnel dans Make avant le module de mise à jour.

4. Limites et points de contrôle humain indispensables avant publication

L'automatisation ne signifie pas l'absence de supervision. Sur ce type de flux, plusieurs situations nécessitent un regard humain obligatoire.

Ce que l'IA fait mal (ou pas toujours bien)

Les PDF complexes. Les catalogues avec des tableaux imbriqués, des images de produits intégrées dans les cellules, ou des mises en page non standards donnent des extractions partielles ou incorrectes. PDF.co et les outils similaires progressent, mais ils ne sont pas infaillibles. Prévoyez un contrôle systématique sur les premières importations de chaque nouveau fournisseur.

Les données contextuelles. L'IA ne sait pas que votre fournisseur a changé de gamme et que l'ancienne référence X123 est désormais remplacée par X124 avec une formulation différente. Elle peut créer deux fiches distinctes là où il faudrait archiver l'une et mettre à jour l'autre.

Les prix promotionnels temporaires. Un prix exceptionnel dans un fichier peut être interprété comme le nouveau prix standard. Sans règle explicite dans le prompt, ce risque existe.

Les descriptions générées en masse. Même avec un bon prompt, des dizaines de descriptions générées d'un coup peuvent se ressembler, manquer de spécificité, ou contenir des formulations maladroites. La relecture reste nécessaire avant publication.

Les points de contrôle à mettre en place

1. La file d'attente "À valider"

Toute fiche avec statut_validation: "a_verifier" dans la réponse de l'IA doit atterrir dans une vue Airtable dédiée, visible par le responsable catalogue. Cette vue est le seul endroit depuis lequel les fiches peuvent être basculées en statut "Publié".

2. L'alerte sur les variations de prix importantes

Configurez dans Make une branche conditionnelle : si le nouveau prix diffère de plus de 15 % du prix actuel, envoyez une notification Slack ou email à l'équipe commerciale avant toute mise à jour. Ce seuil est à calibrer selon votre secteur.

3. Le rapport d'import hebdomadaire

Make peut générer automatiquement un résumé à la fin de chaque exécution : nombre de fiches créées, nombre de fiches mises à jour, nombre de fiches en attente de validation, erreurs rencontrées. Ce rapport envoyé par email chaque lundi matin donne une visibilité immédiate sans nécessiter d'aller consulter les logs.

4. Le test sur un sous-ensemble avant déploiement complet

Lors de la mise en place initiale, ne connectez pas immédiatement le flux à votre catalogue de production. Créez une base Airtable de test, importez un fichier fournisseur réel, et vérifiez manuellement 20 à 30 fiches générées avant de valider l'architecture. Ce temps investi évite des corrections en masse après coup.

Ce que vous ne devriez pas automatiser (encore)

La décision de retirer un produit du catalogue ne devrait pas être automatique. Si une référence disparaît d'un fichier fournisseur, cela peut signifier qu'elle est en rupture temporaire, qu'elle a été renommée, ou qu'elle est définitivement arrêtée. Ces trois cas appellent des traitements différents. Le flux peut signaler la disparition, mais la décision d'archivage reste humaine.

De même, la mise en ligne sur votre site est une étape que nous recommandons de garder manuelle ou semi-manuelle dans un premier temps. Une fois que vous avez plusieurs semaines de recul sur la qualité des fiches générées, vous pouvez envisager une publication automatique pour les fiches marquées "auto" — mais jamais sans avoir audité un échantillon représentatif au préalable.

Ce que ce flux change concrètement

Une fois en place, ce type d'automatisation transforme la nature du travail sur le catalogue. Au lieu de passer des heures à saisir des données, le gestionnaire catalogue passe du temps à valider, affiner, et améliorer. C'est un changement de posture significatif : on passe d'opérateur de saisie à éditeur de contenu.

Les gains observés sur des déploiements similaires en PME e-commerce : réduction de 70 à 85 % du temps de traitement des mises à jour fournisseurs, délai de mise en ligne divisé par 3 à 5, et surtout une diminution des erreurs de saisie qui, elles, ne se voient pas dans les statistiques mais se paient en retours clients et en corrections manuelles.

Le flux décrit ici n'est pas un projet de six mois. Avec Make, une API IA et Airtable, une PME peut avoir une première version fonctionnelle en deux à trois jours de configuration, pour un coût mensuel inférieur à 150 € selon les volumes traités. C'est l'un des retours sur investissement les plus rapides dans l'automatisation e-commerce.

La prochaine étape, une fois ce flux stabilisé, est d'étendre la logique à d'autres sources : portails fournisseurs avec scraping supervisé, flux EDI, ou même photos produits traitées par vision IA. Mais ça, c'est une autre automatisation.

Tu sais quoi utiliser : reste à le brancher sur ton business. Le diagnostic IA gratuit te dit quoi automatiser en premier. ai-prompt est un produit du studio de Sébastien Debollivier.

À lire aussi : l’annuaire d’outils IA · la bibliothèque de prompts · les cas d’usage.