Voir Pigment en live
Pour comprendre l'intérêt et les bénéfices concrets de Pigment pour votre organisation, inscrivez-vous à la prochaine démonstration live des fonctionnalités Pigment par cas d'usage.
GUIDE
5 caractéristiques communes des organisations qui tirent profit de l'IA pour leur Finance
Que font ceux qui sont à l'avant-garde de l'IA dans la finance que vous ne faites peut-être pas ? C'est ce que nous examinons dans ce rapport Pigment .
Sommaire
Compréhension de l'IA commune à l'ensemble des collaborateursMaîtrise des solutions et processus IA par les équipes FP&AComprendre votre maturité en matière d'IAIdentifier les technologies d'IA pertinentes pour vousUtiliser la "diffusion des capacités" comme principe directeurPigment AIProchaines étapes
Compréhension de l'IA commune à l'ensemble des collaborateursMaîtrise des solutions et processus IA par les équipes FP&AComprendre votre maturité en matière d'IAIdentifier les technologies d'IA pertinentes pour vousUtiliser la "diffusion des capacités" comme principe directeurPigment AIProchaines étapes
L'IA est de plus en plus un facteur de différenciation pour les départements financiers, et ceux qui ont aligné correctement leur stratégie en tirent des avantages significatifs et bien documentés. Mais il existe également de nombreux exemples de déploiements d'IA qui coûtent trop cher pour des gains minimes, voire nuls.
Dans cette optique, le présent rapport analyse cinq caractéristiques communes aux organisations qui réussissent avec l'IA.
01. Compréhension de l'IA commune de l'ensemble des collaborateurs
L'IA est, à juste titre, un sujet d'actualité. Mais qu'est-ce que l'IA ? Si vous posez cette question à cinq personne, il y a fort à parier que vous obtiendrez des réponses très différentes.
Chacun a sa propre expérience et interaction avec l’IA. Dans les médias, on entend de plus enplus parler de ”l’Effet IA” (“AI effect”), qui revient sur la façon dont à évolué la définition et lareprésentation de l’IA à mesure que ses capacités ont progressé. Au début, Deep Blue était lareprésentation classique de l’IA. Aujourd’hui ce serait sans doute plutôt Alexa ou ChatGPT.
C’est pour cette raison qu’il est important d’être précis lorsqu’on parle d’IA. Pour garantir des conversations productives et un consensus, les membres de votre organisation doivent avoir une compréhension commune de termes tels que :
Apprentissage automatique (Machine Learning)
C’est un sous-ensemble de l’IA qui utilise de grands ensembles de données pour que les machines trouvent des patterns et corrélations pour prendre les meilleures décisions et effectuer des prévisions. À mesure que de nouvelles données sont transmises à ces algorithmes, ils apprennent et optimisent leurs opérations pour améliorer la performance et la précision de leurs analyses.
Apprentissage supervisé (Supervised Learning)
Il s’agit d’un type d apprentissage automatique dans lequel un algorithme est entraîné sur desdonnées dentraînement et qui met en corrélation au fil du temps des similarités ou desdifférences pour catégoriser des éléments. L'objectif est que le modèle apprenne à étiqueter” lesentrées et les sorties de données binaires afin de pouvoir prédire avec précision ce qu’est ou n’estpas la donnée.
Exemple : Lorsque vous remplissez un CAPTCHA et qu’on vous demande d’identifier les ponts dansune image, vous étiquetez les données à utiliser pour l’apprentissage supervisé
Apprentissage non supervisé (Unsupervised learning)
Ce modèle d'apprentissage automatique ne s’appuie sur aucune clé de réponse ou étiquette. Les algorithmes tentent de trouver des modèles et des structures cachés dans lensemble de données. C’est le type d’apprentissage qui ressemble le plus à la façon dont les humains fonctionnent (selon leur intuition et leur expérience). Parmi les cas d usage fréquent de ce type d'apprentissage, on retrouve la détection de fraudes.
Réseaux de neurones
C’est une technique d'apprentissage automatique qui utilise la notion de “neurones” artificiels.Regroupé en réseau ou « nœuds », dès qu’un signal est détecté, le neurone le transmet alors àd'autres neurones.
Apprentissage profond (Deep Learning)
C’est un sous-ensemble de l'apprentissage automatique qui implique des réseaux de neuronesartificiels. On dit qu'il est profond (« deep »), car il utilise d'énormes volumes de données et ilinteragit simultanément avec plusieurs couches du réseau de neurones artificiels. Il est particulièrement efficace dans des tâches telles que la reconnaissance d’images et de paroleet le traitement du langage naturel.
IA générative
Elle permet aux utilisateurs de générer du contenu à partir de diverses entrées, notamment dutexte, des images, des sons, des animations et des modèles 3D. Elle diffère de l’IA traditionnelle dansla mesure où elle ne se contente pas d’analyser les données, mais produit de nouvelles donnéessous de multiples formes de médias.
Grands modèles linguistiques (LLM)
L’objectif des grands modèles linguistiques est d’apprendre la complexité du langage humain. Ilssont pré-entraînés sur une grande quantité de données ( texte, des images, des vidéos, desdiscours, des données structurées…) et nécessitent donc des ressources importantes en termes dedonnées, de calcul et d’ingénierie. Les LLM apprennent les relations statistiques à partir dedocuments texte grâce à un processus combiné auto supervisé et semi supervisé. Generative Pre-trained Transformer (GPT) est un LLM créé par OpenAI, mais d'autres exemplesincluent Gemini de Google et Claude d'Anthropic.
Automatisation des processus robotiques
Utilisé pour automatiser des tâches répétitives traditionnellement effectuées par des humains. Les "bots" RPA interagissent avec les systèmes et les applications numériques d'une manière qui imite la façon dont un humain les utiliserait. La RPA aide les organisations à améliorer leur efficacité, à réduire les erreurs humaines et à libérer les employés pour qu'ils se concentrent sur des tâches plus stratégiques.
Analyse prédictive
Utilise des données historiques, des algorithmes statistiques et des techniques d'apprentissage automatique pour prédire les résultats ou les tendances à venir. Il s'agit d'analyser les données passées afin d'identifier des modèles et des relations, qui sont ensuite utilisés pour faire des prévisions.
Il y en a bien plus que ce que nous pouvons énumérer ici, et c'est pourquoi il est recommandé d'organiser des sessions de formation à l'échelle de l'entreprise : les organisations qui prennent l'IA au sérieux doivent comprendre l'IA au sérieux. Elles comprennent les forces et les faiblesses relatives des LLM, par exemple, afin de savoir comment les déployer au mieux et quels sont les comportements organisationnels requis pour travailler efficacement avec eux.
Pour s'en assurer, il faut qu'une personne de l'organisation soit chargée de favoriser cette compréhension, ainsi qu'une stratégie globale pour l'entreprise - ce qui fait l'objet de notre prochain principe.
02. Ils font confiance à leur responsable des finances et de l'administration pour piloter la stratégie en matière d'IA
Selon Gartner, confier les efforts en matière d'IA au responsable du département FP&A ou Finance Analytics augmente les chances de succès de 50 %. Lorsque les efforts sont menés par la comptabilité ou le contrôle de gestion, les organisations ont deux fois plus de chances d'échouer. Il y a plusieurs raisons qui font que ces rôles sont bien adaptés.
Tout d'abord, ils disposent d'un solide bagage analytique. Les F&A exigent une compréhension approfondie des données financières, des prévisions et de la planification stratégique. Les mêmes caractéristiques qui font qu'une personne est douée pour les F&A lui permettent de repérer où et comment l'IA peut être utilisée de manière optimale.
Deuxièmement, ils sont liés à l'entreprise à un niveau stratégique profond. Le département F&A se trouve à l'intersection de plusieurs unités opérationnelles (ventes, marketing, opérations) et est donc très au fait de ce qui se passe dans l'ensemble de l'organisation.
Enfin, ils ont l'accès et l'autorité sur les données interfonctionnelles qui seront nécessaires pour entraîner et faire fonctionner les modèles d'IA. La gestion des données est déjà une partie essentielle de la fonction FP&A, qui sera une compétence utile à posséder à l'ère de l'IA.
03. Ils comprennent le cadre de maturité de l'IA
Il est essentiel de savoir où l'on se trouve et où l'on veut aller. Tout le monde a des objectifs ambitieux, mais nombreux sont ceux qui obtiennent le plus de valeur aujourd'hui :
Phase exploratoire
Les initiatives en matière d'IA sont dispersées et ne sont pas alignées stratégiquement sur les objectifs de l'entreprise. Il peut y avoir des expériences d'IA à petite échelle, souvent menées par des équipes ou des départements individuels.
L'expérimentation de solutions d'IA dans des cas d'utilisation isolés, mais il y a peu de collaboration interfonctionnelle ou de stratégie cohérente en matière d'IA.
Les défis ici peuvent inclure un manque de soutien de la part des dirigeants et une compréhension insuffisante de la valeur potentielle de l'IA, ainsi que des capacités limitées en matière de données.
Intermédiaire
À ce stade, les organisations commencent à formaliser les objectifs de l'IA, à les aligner sur les objectifs de l'entreprise et à s'engager dans des projets d'IA plus importants.
Des efforts sont déployés pour développer les compétences fondamentales en matière d'IA et mettre en œuvre la technologie au sein de l'organisation.
À ce stade, les défis tournent souvent autour de la gestion du changement, ainsi que de la gestion des préoccupations juridiques et informatiques - la gouvernance.
Stade avancé
L'IA est de plus en plus intégrée dans les processus opérationnels de base et les cadres décisionnels. L'organisation a mis en place une équipe d'IA interfonctionnelle ou un centre d'excellence (CoE) pour diriger et gérer des projets d'IA sur mesure.
Les organisations avancées mettent à l'échelle des solutions d'IA dans différentes fonctions de l'entreprise, en tirant parti de l'analyse avancée, de l'apprentissage automatique et de l'automatisation pour améliorer l'efficacité et les résultats.
À ce stade, les défis consistent notamment à assurer l'intégration entre les systèmes, à gérer la gouvernance de l'IA et à faire face à des risques tels que la confidentialité des données et les biais algorithmiques.
Extrêmement avancé
L'IA est pleinement intégrée dans l'entreprise, et la prise de décision fondée sur l'IA est intégrée dans les opérations quotidiennes. Les technologies d'IA sont continuellement améliorées et il existe une culture de l'innovation fondée sur les données.
Les organisations à ce stade ont établi des cadres pour la gouvernance éthique de l'IA, la transparence et la responsabilité.
Les défis à ce stade peuvent inclure le maintien de l'équilibre entre l'automatisation et la supervision humaine et la garantie de considérations éthiques permanentes.
D'un point de vue réaliste, il y a très peu d'organisations qui se situent à un niveau avancé ou supérieur. La mise en place d'une équipe interfonctionnelle et l'embauche de scientifiques de données/de talents en IA représentent un investissement incroyablement coûteux, qui ne devrait intervenir qu'une fois que les organisations se sentent à l'aise au stade du développement.
Pour la plupart des organisations, l'achat d'IA est de loin le meilleur choix à l'heure actuelle.
04. Ils savent identifier les technologies d'IA qui valent la peine qu'on leur consacre
Comme nous venons de l'explorer, la plupart des organisations trouveront que la manière la plus efficace de tirer de la valeur de l'IA est de l'acheter, plutôt que de la construire elles-mêmes. Et bien qu'il existe des solutions d'IA pure comme ChatGPT qui représentent une catégorie de produits entièrement nouvelle, les gains les plus importants seront réalisés avec des implémentations d'IA qui fonctionnent avec les logiciels que les entreprises utilisent déjà tous les jours : votre ERP, votre CRM, votre plateforme de planification...
Mais le marché est inondé de solutions, et toutes ne se valent pas. L'intégration de l'IA dans une solution existante nécessite beaucoup de travail pour en faire quelque chose qui en vaille la peine. Les acheteurs doivent garder quelques points à l'esprit lorsqu'ils évaluent l'impact potentiel d'une solution basée sur l'IA :
Bien intégré
Une expérience ajoutée à un produit se trahit rapidement. De nombreux éléments technologiques existants sont dotés d'une IA développée à la hâte et intégrée à un produit existant. Mais si ce produit n'a pas une architecture particulièrement moderne, le processus de développement peut être incroyablement difficile.
Cela se traduit par une "expérience d'IA" qui ne peut fonctionner que dans un jardin clos. Un assistant d'IA doit savoir comment naviguer sur la plateforme elle-même s'il veut aider les utilisateurs - il doit comprendre les bons leviers à actionner au sein du produit.
Formation sur les données spécifiques à l'industrie/aux cas d'utilisation
Les grands modèles de langage sont des outils puissants, mais ils ne sont pas magiques. Ils sont bons pour comprendre l'intention de l'utilisateur, interagir avec lui, catégoriser le texte ou rédiger des résumés. C'est pourquoi, lors du développement de Pigment AI, nous avons concentré nos efforts sur la création de modèles propriétaires qui apportent de la valeur à cette tâche spécifique.
Pour exploiter correctement les LLM sur les tâches détaillées ci-dessus, nous avons dû fournir le contexte dont ils avaient besoin pour interpréter la nuance des instructions et des demandes des utilisateurs, et les faire correspondre aux leviers corrects à actionner au sein de la plateforme. Nous avons également consacré beaucoup de temps à fournir à Pigment des connaissances et des meilleures pratiques en matière de planification d'entreprise par l'IA, et nous avons travaillé en étroite collaboration avec les clients pour nous assurer qu'elle se comporte comme il se doit pour les tâches qu'ils accomplissent tous les jours.
La sécurité est prise au sérieux
L'IA peut présenter des défis très sérieux et uniques du point de vue de la sécurité. Il est essentiel qu'un fournisseur prenne la sécurité au sérieux, qu'il ne s'entraîne pas sur vos données sans autorisation et que tout assistant d'IA soit également contraint de respecter les contrôles d'accès éventuellement en place. Cela permet de s'assurer que les informations ne tombent pas entre de mauvaises mains.
05. Ils utilisent la "diffusion des capacités" comme principe directeur
Ce n'est un secret pour personne que les équipes de FP&A sont constamment sollicitées. Le champ d'action de cette fonction ne cesse de s'étendre, les attentes croissantes en matière de partenariat avec les entreprises en étant la principale raison.
Jusqu'à présent, la réponse des équipes de FP&A a été d'automatiser les tâches routinières de FP&A afin de laisser plus de place au conseil interne. Mais ce modèle peut s'avérer difficile à mettre à l'échelle : il exige souvent des compromis difficiles sur les parties de l'entreprise qui seront soutenues, et dans quelle mesure.
La recherche a trouvé une meilleure méthode qui est 3 à 4 fois plus efficace pour rendre la méthode de livraison FP&A plus durable : ce que Gartner appelle la "diffusion des capacités". Elle consiste à rendre les décideurs plus autonomes, en exploitant des outils tels que l'apprentissage automatique et l'IA générative pour faire de la technologie leur premier point d'appel. En d'autres termes : demander à l'IA d'abord.
"Les nouveaux développements sur le marché des fournisseurs de technologies financières et la prévalence d'outils dotés de capacités intégrées telles que l'analyse graphique, l'apprentissage automatique et l'IA générative facilitent plus que jamais le transfert d'expertise du service FP&A aux décideurs pour les décisions complexes "Randeep Rathindran, Distinguished Vice President, Research, Gartner Finance practice.
Dans le cas de la diffusion des capacités, les partenaires financiers jouent davantage un rôle de tuteur : ils s'efforcent d'aider les décideurs à apprendre à utiliser les outils. Cela encourage l'autosuffisance et constitue une méthode de travail beaucoup plus efficace.
06. Pigment AI
C'est pour répondre à ce principe de " demander à l'IA d'abord " que nous avons conçu Pigment AI. Elle permettra à l'équipe FP&A de travailler plus rapidement, mais aussi de démocratiser le processus de planification et l'accès aux données.
Il s'agit d'un moyen facile de diffuser les capacités, en aidant :
Analystes/modélisateurs : Effectuer le travail que vous faites tous les jours plus rapidement
Trouvez et analysez les données plus rapidement qu'auparavant, intégrez et faites monter en puissance les nouveaux utilisateurs plus rapidement, et appuyez-vous sur les meilleures pratiques de Pigment AI lorsqu'il s'agit de planifier et d'obtenir des réponses plus rapidement.
C-Suite et l'équipe élargie : Des informations en libre-service et l'apprentissage de la navigation sur la plateforme
Trouvez et interrogez rapidement les données, et concentrez-vous sur les détails qui comptent - que vous soyez un CRO cherchant à comprendre rapidement la performance par rapport aux quotas sur les territoires, ou un responsable des ressources humaines cherchant à comprendre les tendances en matière d'effectifs. Posez des questions pour apprendre à naviguer sur la plateforme et à accéder aux données et aux informations qu'elle contient.
07. Prochaines étapes
C'est une période passionnante pour travailler dans la finance, avec un certain nombre d'opportunités qui s'ouvrent grâce aux développements dans le domaine de l'IA - votre degré de réussite dépendra de l'approche que vous adoptez aujourd'hui. Pour en savoir plus sur Pigment AI, cliquez ici.
Vous venez de lire un passage de notre ressource. Remplissez le formulaire ci-dessous pour accéder au contenu complet.
