Un exemple de mémoire technique rédigé par IA, c'est une section bien rédigée, fluide — et pourtant mal notée. L'IA produit du texte propre : c'est justement le problème. Propre ne veut pas dire calé sur les sous-critères du règlement de consultation, et c'est sur ces sous-critères que le jury attribue les points.
Cet article ne décrit pas comment utiliser l'IA pour générer un mémoire technique avec l'IA — cet article existe déjà. Il montre à quoi ressemble concrètement la sortie d'une IA sur un marché réel, ce qui cloche dans les passages génériques, et ce que l'audit IA d'Olra y détecte avant que vous envoyiez le dossier.
Contexte fictif utilisé pour les extraits : réhabilitation thermique d'une école primaire (ravalement enduit, isolation par l'extérieur), lot maçonnerie-ITE, marché de travaux passé en procédure adaptée (MAPA). RC fictif avec trois sous-critères de valeur technique notés sur 40 points au total.
- Un mémoire technique généré par IA sans instruction précise produit des paragraphes génériques : lisibles, structurés, mais sans réponse aux sous-critères du RC.
- Le jury lit la grille, pas le texte. Si votre section « méthode d'exécution » ne cite pas le sous-critère nommé dans le RC, elle ne score pas — même si elle est bien écrite.
- Les hallucinations factuelles (norme citée incorrectement, certification fictive, chiffre inventé) sont le risque concret le plus grave : une fausse déclaration peut entraîner l'exclusion de la procédure.
- L'audit IA d'Olra compare le mémoire produit au RC ligne par ligne : il identifie les sous-critères non couverts, les passages génériques et les éléments factuels à vérifier.
- Dans les marchés de travaux, la valeur technique pèse couramment entre 40 % et 60 % de la note finale (Code de la commande publique, art. R2152-7). Un passage générique sur 20 % du mémoire peut faire perdre 8 à 12 points sur 20.
Le contexte fictif : un marché MAPA de réhabilitation d'école
Pour que l'exemple soit lisible, voici le cadre fictif utilisé dans cet article. Marché de travaux : réhabilitation énergétique de l'école primaire Jean-Moulin (commune fictive). Lot 2 — maçonnerie, ravalement, isolation thermique par l'extérieur (ITE).
Extrait du RC fictif — critère valeur technique (40 points sur 100) :
- Sous-critère 2.1 — Méthodologie d'exécution et phasage (15 pts) : « Le candidat décrira le phasage des travaux en tenant compte de l'occupation de l'établissement scolaire pendant les travaux (présence d'élèves du lundi au vendredi). »
- Sous-critère 2.2 — Gestion des déchets et traçabilité (12 pts) : « Le candidat présentera son dispositif de tri et d'évacuation des déchets de chantier, notamment les déchets d'isolants, et justifiera de la traçabilité jusqu'à l'exutoire. »
- Sous-critère 2.3 — Moyens humains affectés (13 pts) : « Le candidat nommera le chef de chantier et le conducteur de travaux affectés au marché, avec leurs qualifications et expériences sur chantiers similaires. »
Ce RC est fictif mais typique d'un MAPA de travaux en établissement occupé. Les formulations sont directement inspirées des pratiques courantes des acheteurs publics en collectivités territoriales.
L'exemple brut : ce que produit l'IA sans instruction précise
Voici ce qu'un modèle de langage généraliste produit lorsqu'on lui demande « rédige la section méthodologie d'exécution pour un marché de ravalement et d'ITE » sans lui fournir le RC ni les contraintes du CCTP.
Ce paragraphe est lisible. Il ne répond à aucun des trois sous-critères du RC fictif :
- Sous-critère 2.1 (phasage en établissement occupé) : pas une ligne sur la présence des élèves ni sur le phasage week-end/vacances.
- Sous-critère 2.2 (déchets et traçabilité) : absent.
- Sous-critère 2.3 (moyens humains nommés) : « professionnels qualifiés » sans nom ni qualification.
Score probable sur les 40 points : entre 0 et 8, selon la mansuétude du jury. Pas parce que le texte est mauvais — mais parce qu'il ne répond pas à ce qu'on lui demande.
Le tableau avant/après : générique vs calé sur le RC
Voici la même section, réécrite après que l'IA a reçu le RC complet, les exigences du CCTP et les éléments réels de l'entreprise fictive.
| Passage générique (IA sans contexte) | Passage calé sur le sous-critère RC (IA avec DCE) |
|---|---|
|
Sous-critère 2.1 — Phasage ❌ « Notre entreprise mettra en œuvre une organisation rigoureuse et adaptée pour garantir la bonne exécution des travaux dans les délais impartis. L'équipe dédiée interviendra selon un planning optimisé tenant compte des contraintes de chantier. » |
Sous-critère 2.1 — Phasage ✅ « Les travaux sont organisés en trois phases pour ne jamais perturber l'accueil des élèves en semaine. Phase 1 (juillet–août) : pose des échafaudages, démolition de l'enduit existant et application du complexe ITE Rockwool Frontrock Max E 140 mm sur les façades nord et est — côtés sans contact avec les cours récréatives. Phase 2 (premières vacances de la Toussaint) : façades sud et ouest, 5 jours ouvrés. Phase 3 (congés d'hiver) : ravalement enduit de finition, reprises et réceptions. Aucune intervention prévue en période scolaire sur les façades accessibles par les élèves. » |
|
Sous-critère 2.2 — Déchets ❌ « Nous apportons une attention particulière au respect de l'environnement et à la gestion responsable des déchets de chantier, conformément aux normes en vigueur. » |
Sous-critère 2.2 — Déchets ✅ « Le dispositif de tri repose sur trois bennes séparées sur l'emprise chantier : (1) déchets d'isolants laine de roche (code déchet 17 06 04), évacués vers le centre Trialp Saint-Martin-d'Hères (bordereau BSDD systématique) ; (2) gravats et mortiers (17 01 01), vers la carrière Bourgeat Granulats (agréée préfecture) ; (3) emballages souillés (15 01 10*), filière déchets dangereux Chimirec Grenoble. Un registre de traçabilité tenu par le conducteur de travaux est remis au maître d'ouvrage en fin de chantier. » |
|
Sous-critère 2.3 — Équipe ❌ « Une équipe de professionnels qualifiés et expérimentés sera affectée au marché, sous la supervision d'un responsable de chantier dédié. » |
Sous-critère 2.3 — Équipe ✅ « Conducteur de travaux : Laurent M., 14 ans d'expérience ITE, référent sur 3 chantiers ERP similaires (lycée Vaucanson Romans-sur-Isère 2023, école Grenoble Eaux-Claires 2022, gymnase municipal Valence 2021). Chef de chantier : Karim B., qualification Qualibat 2131 (ravalement – isolation thermique par l'extérieur), certificat RGE Qualibat à jour (échéance déc. 2027). » |
La différence n'est pas stylistique. Elle est factuelle : la colonne de droite répond aux trois sous-critères nommés dans le RC avec des données précises que l'IA ne peut inventer — elles ont été fournies par l'entreprise dans le prompt.
Ce que l'audit IA d'Olra détecte sur ce mémoire
L'audit du mémoire technique par IA d'Olra compare le mémoire déposé au RC ligne par ligne. Sur le mémoire brut (colonne gauche du tableau), voici les trois alertes qu'il remonterait.
Alerte 1 — Sous-critère non couvert (priorité haute)
Le sous-critère 2.1 exige une description du phasage « tenant compte de l'occupation de l'établissement scolaire ». L'outil détecte l'absence de toute mention des élèves, des plages horaires ou des périodes scolaires dans la section méthodologie. Signal remonté : « Sous-critère 2.1 — phasage en établissement occupé : aucune réponse identifiée. Score probable sur ce sous-critère : 0 à 3/15. »
Alerte 2 — Passage générique détecté (priorité haute)
Les formules « organisation rigoureuse », « professionnels qualifiés et expérimentés », « attention particulière » sont signalées comme marqueurs de contenu générique. L'outil ne note pas le style — il repère l'absence de fait derrière la formule. Chaque formule creuse est surlignée avec la suggestion : « Remplacer par : [nom + qualification] / [norme + référence] / [chiffre + unité]. »
Alerte 3 — Éléments factuels à vérifier avant dépôt
Dans la version enrichie (colonne droite), l'outil identifie les éléments factuels injectés et les marque « à vérifier » : la qualification Qualibat 2131, la date d'échéance RGE, les trois références chantier avec maîtres d'ouvrage et dates. Ces éléments ont été fournis par l'entreprise — l'outil rappelle qu'ils doivent correspondre aux attestations réelles avant dépôt.
Les hallucinations les plus fréquentes sur ce type de marché
Sur un marché d'ITE et de ravalement, trois catégories d'hallucinations reviennent systématiquement lorsque l'IA rédige sans données fournies.
Normes et DTU incorrects. L'IA cite couramment le DTU 55.2 (travaux d'isolation thermique par l'extérieur) mais peut associer des prescriptions d'un DTU à un autre corps d'état, ou citer des révisions obsolètes. Vérifiez systématiquement toute référence normative avant dépôt.
Certifications Qualibat inventées. L'IA sait que Qualibat attribue des qualifications par code métier. Elle peut citer un code plausible mais erroné pour votre activité, ou attribuer une qualification que votre entreprise ne détient pas. Vérifiez sur le site Qualibat.fr avant d'intégrer dans le mémoire.
Références chantier plausibles mais fictives. Sans données fournies, l'IA invente des maîtres d'ouvrage, des montants et des dates cohérents avec votre secteur géographique. Un acheteur public peut vérifier une référence — une fausse déclaration expose à l'exclusion de la procédure et à des sanctions prévues à l'article L2141-7 du Code de la commande publique.
La règle absolue : tout chiffre, toute norme, toute certification dans le mémoire final doit avoir été fourni par vous ou vérifié dans un document source. Jamais repris sans contrôle depuis la sortie brute de l'IA.
Ce que révèle cet exemple sur la méthode IA à adopter
Les deux colonnes du tableau résument l'essentiel de la méthode. La différence entre un mémoire qui élimine et un mémoire qui score tient à une seule chose : l'IA a reçu ou non les données réelles de l'entreprise et les exigences précises du RC.
Le workflow qui produit la colonne de droite :
- Upload du DCE complet (RC + CCTP + CCAP + DPGF si présent)
- Extraction des sous-critères de valeur technique par l'IA sous forme de tableau
- Rédaction section par section, avec le sous-critère ciblé + les contraintes CCTP + les données réelles de l'entreprise injectées dans le prompt
- Audit de conformité RC avant dépôt
Chaque section de la colonne de droite a été produite en moins de 3 minutes avec ce workflow. La section phasage en établissement occupé a nécessité une seule information supplémentaire : le calendrier scolaire de la commune fictive et le produit isolant retenu. Tout le reste (codes déchets, filières d'évacuation, structure du tableau) a été généré par l'IA à partir du RC et du CCTP uploadés.
Questions fréquentes sur les exemples de mémoire technique rédigés par IA
À quoi ressemble concrètement un mémoire technique généré par IA ?
Sans instruction précise, il ressemble à un modèle type bien rédigé : structuré, fluide, sans faute — et générique. Les paragraphes pourraient s'appliquer à n'importe quelle entreprise du secteur. Avec un DCE complet en entrée et les données réelles de l'entreprise injectées, le résultat est une première version qui répond aux sous-critères du règlement de consultation, avec des noms, des chiffres et des méthodes nommés. C'est la différence que montre le tableau avant/après de cet article.
Un jury peut-il faire la différence entre un mémoire rédigé par IA et un mémoire humain ?
Le jury ne note pas le style d'écriture, il note la réponse aux sous-critères. Un mémoire générique — humain ou IA — ne score pas. Un mémoire précis, chiffré, calé sur le RC — humain ou IA — score. La détection de l'IA n'est pas un critère légal d'élimination : aucune disposition du Code de la commande publique n'interdit l'usage d'un outil de rédaction assistée. Ce qui peut éliminer, c'est une fausse déclaration (certification inexistante, référence chantier inventée) — quelle qu'en soit l'origine.
Comment vérifier qu'un mémoire technique rédigé par IA couvre tous les sous-critères du RC ?
La méthode manuelle : extraire les sous-critères du RC dans un tableau, puis cocher chacun après lecture du mémoire — existe-t-il une section identifiable qui y répond, avec le même vocabulaire que l'acheteur a employé ? La méthode IA : soumettre le mémoire et le RC à l'outil en demandant « vérifie que chaque sous-critère de valeur technique est couvert par une section identifiable ». L'audit IA d'Olra fait ce contrôle automatiquement et remonte les sous-critères non couverts avec une estimation de points perdus.
Quelles informations dois-je fournir à l'IA pour éviter les passages génériques ?
Quatre catégories d'informations transforment un paragraphe générique en paragraphe qui score : (1) les noms et qualifications des intervenants nommément affectés au marché ; (2) les marques et références des matériaux ou équipements retenus ; (3) les références chantiers similaires avec maître d'ouvrage, montant et date vérifiables ; (4) les chiffres de votre organisation — délais d'intervention, cadences, effectifs affectés, capacité d'emport. Sans ces éléments fournis dans le prompt, l'IA les inventera ou les généricisera.
L'IA peut-elle générer un exemple de mémoire technique complet prêt à déposer ?
Elle produit une première version solide — pas un document prêt à déposer. Deux étapes restent toujours à la charge de l'entreprise : la vérification factuelle (certifications, références, chiffres) et la personnalisation chantier fine (contraintes de site, intervenants réels, délais tenables). L'IA produit la structure et la rédaction ; vous apportez les données et validez les faits. C'est ce que montre la colonne de droite du tableau : un document crédible et calé sur le RC, pas un document terminé.
Quelle est la différence entre un mémoire technique généré par ChatGPT et un mémoire produit par un outil spécialisé marchés publics ?
ChatGPT peut produire une première version si vous lui fournissez le RC et le CCTP manuellement. Ses limites sur un DCE multi-fichiers de 60 à 100 pages : fenêtre de contexte saturée, impossibilité de tracer chaque affirmation à sa pièce source, absence de contrôle de conformité automatique. Un outil spécialisé marchés publics ingère le dossier entier, trace chaque réponse à la pièce source, et inclut un audit de conformité RC intégré. Sur un marché à fort enjeu financier, la différence de fiabilité justifie l'écart.
Les exemples de mémoire technique sectoriels (BTP, nettoyage, informatique…) trouvés sur internet sont-ils utiles comme modèles ?
Utiles pour comprendre la structure type, inutiles comme modèle à copier. Un exemple sectoriel montre ce qu'un mémoire de nettoyage contient en général — pas ce que votre RC demande en particulier. Les sous-critères varient d'un marché à l'autre, même dans le même secteur. Un modèle générique que vous remplissez à la main produit exactement les mêmes paragraphes interchangeables qu'une IA sans instructions. La source de valeur, c'est le RC du marché visé, pas le modèle.
Combien de temps prend la personnalisation d'un mémoire technique généré par IA ?
Avec le workflow DCE en entrée, la première version structurée est produite en 1 à 2 heures. La personnalisation (injection des données réelles, vérification des normes citées, relecture des références) prend 1 à 2 heures supplémentaires selon la longueur du mémoire et la complexité du marché. L'audit de conformité RC ajoute 30 minutes. Total réaliste : 3 à 5 heures pour un mémoire de 20 à 30 pages, contre 8 à 12 heures en rédaction manuelle complète.
