Le contexte
TenderNow s’attaque à un point de douleur bien connu des entreprises qui répondent à la commande publique : la rédaction du mémoire technique. Long, répétitif et chronophage, ce document engage pourtant une part décisive de la note finale. La plateforme en automatise une large part grâce à un simulateur qui guide et accélère la production de la réponse. Le produit est porté par Caneva, avec qui nous avons mené la direction technique.
Le défi technique
Le vrai sujet n’était pas de générer un PDF, mais de partir des modèles de réponse Word déjà utilisés par les entreprises. Il fallait importer ces documents, en découper la structure (sections, sous-sections, trames) puis la transformer en templates conditionnels : selon le type de marché, le profil de l’entreprise ou les réponses au simulateur, telle section apparaît, telle autre se reformule ou disparaît. Ce système de conditionnement par section est le cœur de la valeur : il reproduit la logique d’un rédacteur expérimenté, sans repartir d’une page blanche à chaque appel d’offres.
La stack
Un back-end Python / Django, un moteur de gabarits Jinja2 et wkhtmltopdf pour produire des documents fidèles à la charte du client, une interface AngularJS, le tout hébergé en conteneurs Docker sur Scaleway. Un assemblage choisi pour la fiabilité de la génération documentaire — là où une erreur de mise en forme, un jour d’échéance, n’est pas envisageable.
Le résultat
L’impact se mesure d’abord en temps gagné sur la rédaction de chaque mémoire : ce que produisait péniblement plusieurs heures de travail manuel devient une réponse guidée, structurée et réutilisable. Pour une entreprise, chaque mémoire rédigé plus vite, c’est une réponse de plus qu’elle peut soumettre — donc, directement, une chance de plus de remporter un marché.
Notre rôle
Nous avons porté le rôle de CTPO sur ce SaaS B2B : cadrage produit, développement, infrastructure cloud et maintenance — de la conception à l’exploitation d’un outil qui doit rester rapide et fiable quand les délais se resserrent.