On ne pense pas nécessairement en priorité aux directions financières lors de déploiement d’IA générative. Celle-ci est en effet très adaptée au langage naturel, mais généralement moins à l’aise pour exploiter des données financières structurées. Cependant, en IA générative, les choses évoluent vite.
Pour vous aider à mieux comprendre ce que l’IA générative peut – ou ne peut pas – faire pour vous, SeaBird teste et implémente les technologies et leurs applications dans les directions financières des acteurs de la banque, de l’assurance et de la gestion d’actifs.
Notre expérience d’application de l’IA générative dans le domaine des directions financières suggère que :
- les chatbot apportent de la valeur pour les tâches quotidiennes,
- le RAG permet de construire des solutions plus efficaces en augmentant la pertinence,
- mais que lorsque l’on travaille sur des données financières structurées ou des processus nécessitant une collection d’information répartie sur de grand nombre de sources, l’IA Agentique est une nécessité.
IA Impact scan : notre diagnostique flash
Le chatbot ou Assistant simple
Ces systèmes reposent sur des modèles de langage pré-entraînés (comme OpenAI GPT ou Mistral), et répondent à des requêtes exprimées en langage naturel, en y adjoignant si besoin des documents à analyser. Faciles à déployer et largement utilisés au quotidien, ils offrent une assistance efficace pour automatiser les interactions et répondre rapidement aux besoins courants. L’implémentation d’un chat sécurisé interne constitue généralement le premier déploiement pratique au sein d’une institution financière.
Le RAG (Retrieval-Augmented Generation)
Les architectures RAG ajoutent une capacité de fournir au LLM des informations de contexte puisées dans des bases de connaissances internes à l’entreprise, améliorant fortement leur pertinence. En effet, l’IA ne répond que si la réponse peut être formulée à partir des informations fournies par l’entreprise. Et les réponses prennent en compte les informations confidentielles et spécifiques à l’entreprise.
Les solutions de ce type se sont démocratisées et atteignent, depuis plus d’un an, une certaine maturité pour des cas d’usages spécifiques mais nombreux. Dans les directions financières, cela permet par exemple de déployer des solutions de base de connaissances interactives, d’interrogation avec de grand corpus documentaires. Mais cela reste limité quant à la capacité à exploiter des données structurées omniprésentes dans les directions financières.
L’IA Agentique
Un nouveau champ de possibilités s’ouvre avec les IA Agentiques. Ces architectures introduisent deux principales nouveautés :
- l’intégration de certains ‘outils’ dans la solution (RAG, Accès à des bases de données, accès internet, API pour intégration avec d’autres solutions…),
- et l’utilisation de LLM non pas pour fournir une réponse, mais réfléchir de manière autonome à la meilleure manière de répondre au problème posé en utilisant ces outils, ou des sous-agents s’occupant de certaines tâches particulières.
Ces architectures vont continuer gagner en maturité dans les prochains mois et offrent un potentiel plus élevé d’automatisation de tâches métier. Par exemple, elles permettent de combiner différents outils pour intégrer à un processus d’analyse financière la capacité de traiter des données comptable ou financières en provenance de bases de données. Elles offrent aussi la possibilité de faire une analyse qualitative des écarts ou événements, sur la base d’informations propres à l’entreprise ou macro-économiques. Ou encore elles permettent de générer des graphes ou de combiner tous ces éléments pour générer un rapport de synthèse sous Word ou PowerPoint.
