Réponse rapide : Pour un cabinet de conseil en achats qui construit des spend cubes à la main pour ses clients, la contrainte n'est pas la compétence, ce sont les heures d'analyste. Un pipeline de classification par IA remplace la semaine de catégorisation manuelle par une taxonomie qui ne peut pas inventer de catégories, si bien qu'un consultant peut examiner les lignes signalées plutôt que de toutes les coder, et facturer le travail sous forme de forfait fixe jusqu'à un seuil, plus un coût au jeton au-delà.
Sur cette page : Pourquoi la construction manuelle du cube limite un cabinet · Les garde-fous de taxonomie contre les catégories hallucinées · Un modèle de forfait fixe ou de coût au jeton · Ce que cela change pour la livraison aux clients · FAQ
Un cabinet qui construit des spend cubes pour ses clients vend du jugement, mais en livre une grande partie à la main. Un consultant senior s'installe avec un export de dépenses, travaille ligne par ligne selon une taxonomie, et note une catégorie pour chaque ligne. Ce travail est facturable, et c'est aussi la raison pour laquelle un cabinet ne peut mener qu'un nombre limité de ces missions par trimestre.
La contrainte n'est pas la demande client. C'est que classifier les dépenses au niveau de la ligne était, jusqu'à récemment, quelque chose que seule une personne formée pouvait faire de façon fiable. Ce n'est plus tout à fait vrai, et cela change deux choses à la fois : comment le travail est livré, et comment il est facturé.
Pourquoi la construction manuelle du cube limite un cabinet
Pour un cabinet, le spend cube est un livrable parmi d'autres au sein d'une mission plus large : stratégie de sourcing, négociation fournisseurs, gestion par catégorie. C'est aussi le livrable qui consomme le plus d'heures pour le moins de jugement. Un consultant senior n'a pas besoin de dix ans d'expérience en gestion par catégorie pour décider qu'une ligne indiquant « filtres, divers » dans l'export d'un client CVC relève de la filtration d'air plutôt que du traitement de l'eau. Il a besoin du temps de s'installer avec l'export et de traiter plusieurs milliers de lignes de ce type, une par une.
Ce temps ne s'échelonne pas avec le nombre de clients qu'un cabinet peut prendre en charge. Chaque nouveau client signifie une nouvelle passe de taxonomie, un nouvel ensemble de cas particuliers, une nouvelle semaine ou deux de l'agenda d'une personne expérimentée consacrée à la classification plutôt qu'à la négociation ou à la stratégie de catégorie que le client paie réellement.
Le raccourci Copilot ne corrige pas cela, il ne fait que déplacer où vont les heures. Un consultant qui pointe un assistant généraliste sur un export de dépenses obtient une réponse rapidement, puis passe plus de temps à la vérifier, parce que l'outil invente des catégories qui n'existent pas dans la taxonomie du client et classifie la même ligne différemment si on le lui demande deux fois. Le goulot d'étranglement ne disparaît pas. Il devient un problème de révision plutôt qu'un problème de construction.
Les garde-fous de taxonomie contre les catégories hallucinées
L'exposition d'un cabinet ici est différente de celle d'une entreprise qui classifie ses propres données. Quand une équipe interne se trompe de catégorie, elle corrige discrètement. Quand un cabinet remet à un client un spend cube avec un code UNSPSC inventé sur une diapositive, c'est le nom du cabinet qui figure sur cette diapositive, pas celui de l'outil.
C'est la raison pour laquelle une taxonomie doit être contrainte avant de pouvoir être fiable pour un travail de livraison. Une taxonomie contrainte signifie que l'étape de classification ne peut sélectionner que parmi les codes qui existent dans la norme, ou dans l'arbre de catégories propre au client si un a déjà été convenu. Elle ne peut pas générer un code d'apparence plausible qui ne figure pas sur la liste, parce que la liste n'est pas une suggestion. C'est tout l'espace que le modèle est autorisé à explorer.
Le deuxième garde-fou est le score de confiance. Une description qui n'est qu'une référence, un fournisseur apparaissant pour la première fois, un article qui pourrait appartenir à deux familles sans moyen de le déterminer à partir du seul texte, est signalé plutôt que deviné. Des garde-fous superposés de ce type, ancrant le modèle dans une liste de référence fixe, notant la confiance, et acheminant les cas incertains vers une révision, se sont révélés dans des évaluations récentes réduire les taux d'hallucination d'environ 70 à 90 % par rapport à une configuration sans garde-fou. Cet écart fait toute la différence entre un consultant qui vérifie un échantillon par sondage et un consultant qui revérifie tout, ce qui est exactement la même semaine manuelle que le pipeline était censé supprimer.
Pour un cabinet, les garde-fous ne sont pas un détail technique. Ils sont la raison pour laquelle l'étape de classification peut fonctionner sans surveillance entre les moments où une personne doit réellement s'y pencher.
Un modèle de forfait fixe ou de coût au jeton
L'économie d'une mission de spend cube a suivi l'économie du travail : des honoraires de projet calibrés sur les heures d'analyste nécessaires pour coder le fichier. Ce modèle avait du sens quand la classification était manuelle et que le prix devait couvrir l'agenda d'une personne pendant deux à quatre semaines.
Un pipeline change ce que les honoraires paient réellement. Le coût marginal de classifier les mille lignes suivantes est proche de zéro une fois la taxonomie et les règles fixées, si bien qu'une structure de taux horaire ou journalier direct cesse de refléter le coût réel de la livraison. Elle cesse aussi de récompenser le cabinet pour la construction de la partie réutilisable, les règles, la logique de résolution des fournisseurs, les décisions de taxonomie, parce que celles-ci sont jetées et reconstruites pour le client suivant sous l'ancien modèle.
Une forme plus nette est un forfait fixe jusqu'à un seuil de lignes, avec un coût au jeton ou à la ligne au-delà. Un client avec 40 000 lignes de transaction est une mission à prix prévisible et fixe. Un client avec 400 000 lignes, ou un client dont la classification continue de tourner mois après mois à mesure que de nouvelles factures arrivent, bascule vers une tarification à l'usage qui s'échelonne avec le volume plutôt qu'un nombre de jours renégocié.
Ce n'est pas une fonctionnalité de produit en direct, c'est une forme de tarification qu'un cabinet peut construire autour de son propre modèle commercial, en utilisant un pipeline en dessous. Cela fonctionne parce que cela sépare deux coûts qu'un taux journalier mélange : le coût fixe de mise en place de la taxonomie et des règles une fois, et le coût variable de l'exécution de la classification sur la quantité de données dont dispose un client donné.
Ce que cela change pour la livraison aux clients
Quand la classification est un pipeline plutôt que la semaine d'une personne, ce qu'un cabinet vend change aussi. Le spend cube cesse d'être la pièce maîtresse facturable de la mission et devient un intrant pour celle-ci, produit plus vite afin que le temps du consultant aille dans la stratégie de catégorie et la négociation fournisseurs pour lesquelles le client l'a réellement engagé.
Cela change aussi ce qui se passe après la fin de la mission. Un cube construit à la main est exact le jour de la livraison et commence à se dégrader dès que de nouvelles factures arrivent, parce que personne chez le client ne détient les règles que le consultant a utilisées. Un pipeline peut continuer à classifier de nouvelles lignes selon la même taxonomie après la clôture du projet, ce qui donne à un cabinet une raison de rester rattaché au compte au lieu de remettre un tableur statique et de passer à l'appel d'offres suivant.
Pearstop exécute cette couche de classification pour les cabinets qui veulent conserver leur modèle de livraison et cesser de facturer des heures d'analyste pour l'étape de codage, libérant le consultant pour vendre le travail de stratégie qu'un tableur n'allait jamais accomplir.
Pour un cabinet qui pèse cela, la décision n'est pas de savoir si l'IA remplace le travail de jugement. Ce n'est pas le cas. C'est de savoir si l'étape de classification, la partie qui n'a jamais vraiment relevé du jugement au départ, continue de consommer la semaine d'une personne senior à chaque mission, ou devient une infrastructure que le cabinet fait tourner sous le travail pour lequel il a réellement été engagé.
Frequently asked questions
Can a procurement consultancy offer spend cube building as a service using AI?
Yes. A consultancy can run spend classification through an AI pipeline instead of manual coding, then apply its own judgement to the strategy and negotiation work around it. The classification step becomes infrastructure the consultancy runs under its own name, with a constrained taxonomy and human review on the lines the system is unsure about, rather than a purely manual build.
How do you stop an AI classification pipeline from hallucinating categories?
By constraining what the model is allowed to output. A pipeline that can only select from the fixed codes in a taxonomy, rather than generate a plausible sounding one, cannot invent a category that does not exist. Paired with confidence scoring that flags uncertain lines for human review, guardrails like this have been shown to cut hallucination rates by roughly 70 to 90 percent compared with an unguarded setup.
What is a fixed fee plus token cost pricing model for spend cube work?
It is a pricing structure where an engagement up to an agreed line item threshold is billed at one fixed fee, and any volume above that threshold is billed per token or per line classified. It replaces a day rate model that charges for analyst hours with a structure that reflects the actual cost of running a pipeline: a fixed setup cost plus a variable cost tied to data volume.
How does a consultancy trust AI classified spend enough to present it to a client?
Trust comes from the guardrails, not the model itself. A constrained taxonomy stops the system inventing codes, confidence scoring separates lines it is sure about from lines it is not, and uncertain lines go to a person before anything reaches a client deliverable. A consultancy is checking the flagged exceptions, not re verifying every line, which is what makes the output defensible under its own name.
How does Pearstop help procurement consultancies build spend cubes faster?
Pearstop runs the classification layer that sits under a consultancy's delivery work: a constrained taxonomy so codes cannot be invented, supplier resolution, and confidence scoring that routes uncertain lines to review. Consultancies use it to produce the classified spend cube in less time than a manual build, and spend their own hours on the category strategy and negotiation the client actually engaged them for.
Not sure which UNSPSC code to use?
Paste any product or service description and get the correct 8-digit code instantly — or explore the full UNSPSC tree to understand the hierarchy.
Stephanie Wiechers
CEO & Co-founder, Pearstop
Stephanie leads Pearstop's go-to-market and strategic direction. She works directly with procurement and FM leaders across Europe to understand how data quality affects margins, contracts, and AI readiness.
LinkedIn →Further reading
The spend cube framework, executed with AI
The classic three-dimension spend cube, adapted for an AI classification pipeline: what changes in speed, cost, and staying power after delivery day.
Read more →ProcurementClassifying spend in 2026: five options compared
Sievo, Pearstop, Coupa, Simfoni, Spendkey, and manual classification compared honestly on cost model, speed and industry depth for spend classification.
Read more →
