Dans la première partie de l’entretien, Éloi Mehr nous a aidé à poser les bases :
- Savoir ce qu’est l’intelligence artificielle ;
- La différence entre IA générative et IA prédictive (ou analyse prédictive) ;
- Les enjeux et principaux points de vigilance dans le développement de ces technologies.
Ici, il affine le propos avec des applications pour la fonction finance.
Quelles applications voyez-vous de l’IA générative dans la fonction finance ?
Concernant les thématiques d’investissement, par exemple, l’analyse de rapports d’entreprises, l’IA ne s’avère pour le moment pas très performante. Il existe bien sûr déjà des extractions de chiffres des bilans et comptes de résultat provenant de documents au format PDF. Mais, pour aller plus loin, dans l’analyse des annexes dans lesquelles se cachent beaucoup de détails importants sur les manières de comptabiliser les choses, l’IA générative se tromperait complètement dans sa synthèse. Ça nécessite des capacités de raisonnement très poussées. En effet, il y a dans ces rapports trop de détails demandant de faire des liens avec des normes et avec un contexte historique et macro-économique qui ne sont pas explicités dans le document. Concernant les thématiques relevant d’un département financier, l’IA générative pourrait cependant servir à écrire des parties qui ne sont que des réactualisations de rapports précédents, car on saurait alors la contraindre par ce contexte existant.
En revanche, sur les processus d’entreprise, l’IA peut s’avérer très puissante et avoir un impact sur toutes les organisations, dans toutes les entreprises. Design, code informatique, problématiques légales, réponses utilisateurs, marketing, documentation, veille stratégique, et j’en passe. Un large panel de possibilités est ouvert et les applications de l’IA vont aller en augmentant. Comme elle a beaucoup d’applications, cela va affecter autant les clients que les fournisseurs, par exemple, les entreprises confrontées à un grand nombre de demandes utilisateurs (Auchan) hors problèmes particuliers que l’IA n’a jamais vu.
L’IA générative peut s’avérer très intéressante pour l’analyse de données spécifiques, mais la sécurité et la confidentialité des données posent un frein sérieux à son utilisation.
Quelle importance donneriez-vous à l’analyse prédictive dans les processus financiers ?
Au contraire de l’IA générative, l’analyse prédictive a une maturité qui lui permet d’être déjà utilisée au service de la fonction finance, même si cette transformation digitale n’en reste qu’à son début. Elle est un outil d’aide à la décision qui permet d’utiliser un grand nombre de données pour fiabiliser un processus. Elle est donc particulièrement utile au sein d’une entreprise déjà bien établie, et où il y a du sens à analyser toutes les données historiques.
Prenons quelques exemples. L’analyse prédictive est très utilisée dans la détection de fraude ou plus généralement d’anomalie interne pour aider les départements d’audit et de contrôle de gestion. Dans un cadre externe, elle sert à l’évaluation de la solidité financière d’un client (ou d’un fournisseur), et peut donc permettre d’éviter de futures déconvenues en renforçant la vigilance via des processus dédiés à des entités détectées comme plus fragiles. Elle peut également aider les processus de vente, en classifiant les clients ou les leads les plus prometteurs. Dans certains business models à abonnement de type SaaS, où la prévisibilité des ventes est très réduite, elle permet d’établir des prédictions de croissance ou de churn rate qui peuvent s’avérer utiles pour établir différents scénarios. Concernant le marketing, l’analyse prédictive a fait ses preuves dans l’analyse de sentiment et la synthèse de feedbacks clients, permettant par la même occasion d’améliorer une image de marque et la relation client, mais aussi de manière plus avancée de détecter des KPI critiques dans la réussite d’une offre du point de vue client. Elle peut aussi aider à évaluer le ROI de certains projets, ou aider à affiner des business plans en fonction de conditions macro-économiques ou d’autres hypothèses.
Le danger reste d’accorder une trop grande confiance à ces prédictions. L’analyse prédictive reste soumise à des incertitudes (qui sont elles-mêmes parfois quantifiables via des intervalles de confiance ou des marges d’erreur). Elle ne doit donc rester qu’un outil permettant d’éclairer une décision justifiée à la lumière d’autres types d’analyses, non algorithmiques et non fondées sur du big data.
Pour aller plus loin
L’analyse prédictive déjà assez répandue permet de répondre à certaines problématiques comme la prévision des ventes sur une grande base de données historiques. Parmi les enjeux principaux des directions financières, le premier est sans aucun doute la gestion de la trésorerie. L’argent est le nerf de la guerre et les nouveaux outils disponibles peuvent aider à répondre à ce besoin fondamental. L’analyse prédictive aide ainsi à anticiper les besoins, effectuer les investissements semblants les plus rentables et piloter son activité.
En entreprise, les applications sont multiples, l’IA peut largement contribuer à l’augmentation des performances. Les grands distributeurs comme Carrefour et Auchan ont déjà mis en place des solutions afin de faciliter le parcours client sur leurs sites d’e-commerce. Par exemple, les distributeurs ont travaillé sur les solutions suivantes :
- Utilisation de l’IA pour la gestion des stocks : Auchan utilise l’IA pour suivre les niveaux de stock de ses magasins et pour identifier les produits qui sont en rupture de stock ou qui sont sur le point d’être périmés. Cela permet à Auchan d’optimiser ses commandes, d’éviter les ruptures de stock ou le gaspillage alimentaire si des produits restent trop longtemps dans les entrepôts.
- Utilisation de l’IA pour recommander des produits : Carrefour utilise l’IA pour recommander des produits aux clients en fonction de leurs habitudes d’achat. Cela va même jusqu’à composer des paniers de produits selon un budget souhaité, des contraintes alimentaires ou des idées de menus. Cela permet d’augmenter les ventes et de fidéliser les clients qui se tourneront plus volontiers vers une solution qui leur facilite les courses.
- Utilisation de l’IA pour la gestion de la relation client : Auchan utilise l’IA pour répondre aux questions des clients, pour traiter leurs demandes de remboursement et pour gérer leurs réclamations. Cela permet à Auchan d’améliorer la satisfaction client et de réduire les coûts. (IA générative pour répondre aux questions des clients).
L’efficacité des automatisations comme constatée dans différentes entreprises laissent mieux appréhender l’intérêt et le bénéfice des IA. Ce qui est indispensable est l’analyse en amont et le diagnostic pour répondre convenablement aux besoins, par exemple, grâce à la méthode DMAIC du Lean Six Sigma. Une bonne image de l’existant permet d’utiliser le bon outil, il serait dangereux d’utiliser une masse très lourde pour planter un clou alors qu’un petit marteau peut suffire.
Dans les services financiers, le plus important est de minimiser les erreurs pour permettre des prises de décisions fiables. Cela passe d’abord par une analyse approfondie des processus, notamment avec le Lean et les outils Poka-Yoke (détrompeurs) qui vont servir à empêcher l’erreur, comme pour brancher un appareil sur une prise, il faut respecter un sens particulier pour y parvenir. Après la mise en place de solutions Lean il est possible de mettre en avant les possibilités d’amélioration ou les problèmes clés à traiter. Les automatisations types RPA, l’analyse prédictive ou l’IA interviennent dans cette phase, c’est-à-dire après car ces outils ont besoin de travailler sur des données structurées. On ne parle pas de l’IA comme d’une solution de première intention dans la résolution des problématiques de performance des processus financiers.
