IA générative finance: Le potentiel des outils GenAI dans la fonction financière

Bien que de nombreuses directions poussent à l’adoption de ces outils, les CFO adoptent une posture prudente vis-à-vis de l’intégration de l’IA générative finance dans leur stratégie. En parallèle, ils en attendent principalement une réduction des coûts. Le présent article met en lumière les potentiels et les risques de cette technologie appliquée à la fonction financière.

Qu’est-ce que la GenAI et comment fonctionnent ses outils associés?

L’intelligence artificielle (IA) n’est pas un concept nouveau. Elle englobe l’ensemble des systèmes informatiques capables d’accomplir des tâches habituellement réservées à l’intelligence humaine, telles que l’apprentissage, la logique, la résolution de problèmes ou la prise de décision.

L’IA générative finance désigne une catégorie de technologies qui permettent de créer du contenu original sous forme de texte, d’images, d’audio, de code, de voix ou de vidéo – auparavant réservée aux compétences humaines. Ces modèles sont capables de générer de nouvelles données ressemblant aux ensembles de données d’entraînement. Ils reposent sur des techniques comme le deep learning et les réseaux neuronaux.

Les grands modèles de langage tels que GPT-4 d’OpenAI, Bard (aujourd'hui Gemini) de Google, ou d’autres, s’appuient sur d’immenses volumes de données et une puissance de calcul élevée pour accomplir des tâches complexes. Ils apprennent à partir d’artefacts existants pour créer du contenu réaliste, similaire mais non identique aux données d’origine.

Le tournant a eu lieu en 2022 avec l’arrivée de ChatGPT, qui a rendu l’interaction avec ces modèles simple via le langage naturel. L’innovation ne réside pas uniquement dans la performance des modèles, mais dans leur accessibilité. L’IA générative finance s’appuie sur des modèles de base préentraînés sur de vastes corpus de données non annotées, pouvant être adaptés à de multiples cas d’usage grâce à des techniques prédictives sophistiquées.

Cas d’usage de haut niveau : IA générative finance appliquée

L’IA générative finance ouvre de nouvelles perspectives en matière de :

• création et expansion de contenus écrits selon un style et une longueur définis,
• réponses automatisées à des questions sur la base de requêtes contextuelles,
• simplification d’informations complexes (titres, plans, synthèses),
• classification par sentiment, sujet ou autres critères,
• optimisation de chatbots (ex.: détection de tonalité, génération de scénarios),
• génération, traduction, explication et vérification de code informatique.

Effets observés selon Gartner (2023)

1. Extension des capacités humaines
   La technologie aide les collaborateurs à générer ou modifier des textes, images et contenus numériques. Elle permet de résumer, classifier, traduire et valider des codes ou des documents.
2. Renforcement des compétences internes
   Les collaborateurs peuvent approfondir leurs expertises en concevant, pilotant et améliorant projets, services et relations avec l’IA.
3. Optimisation des processus
   Des bases de données inutilisées jusqu’ici peuvent désormais être exploitées efficacement grâce à la technologie.

Objectifs prioritaires dans la finance: productivité et réduction des coûts

Dans le contexte financier, l’IA générative finance est souvent perçue comme un moyen de réduire la charge de travail manuelle. Là où les tâches répétitives sont automatisables, le temps et les ressources sont réalloués vers des missions à forte valeur. Une étude de Deloitte (2023) montre que la majorité des répondants observe une réduction significative du temps nécessaire pour certaines tâches grâce aux outils GenAI.

Préoccupations des CFO face à la GenAI

Une étude menée auprès de 116 CFO de huit secteurs révèle les trois principales préoccupations liées à l’IA générative finance:

• les risques et contrôles internes,
• les exigences en matière de données et d’infrastructure,
• les investissements requis.

Des inquiétudes supplémentaires concernent la qualité des résultats, la protection des données, la gouvernance, les enjeux éthiques et juridiques.

Exemples d'applications dans la fonction financière

• Opérations financières
  Création de brouillons pour tâches textuelles à faible complexité (ex. : contrats, évaluations de crédit).
• Comptabilité et reporting
  - Production de premières analyses pour les clôtures mensuelles,
  - Aide à la documentation des reclassements.
• Planification financière et pilotage de la performance
  - Réalisation d’analyses d’écarts (prévu vs. réel),
  - Rédaction de rapports pour les partenaires internes.
• Relations investisseurs
  Aide à la préparation des communications trimestrielles.

Analyse selon Jedox (2023)

Les outils comme ChatGPT permettent d’améliorer les prévisions (ventes, demande, cashflow), de générer des explications autour des chiffres et d’identifier les tendances ou anomalies.

Dans le reporting ESG, l’outil peut interpréter des données sur la durabilité, suggérer des investissements durables et faciliter la conformité aux normes en évolution.

Autres domaines clés pour l’IA générative finance

• Automatisation et efficacité
  Automatisation des tâches répétitives (saisie, analyse, reporting), libérant du temps pour des actions stratégiques.
• Génération et enrichissement des données
  Création de données synthétiques pour alimenter les modèles prédictifs, notamment en l’absence de données historiques suffisantes.
• Évaluation des risques
  Simulation de scénarios et de conditions de marché pour anticiper les risques et prendre des décisions financières éclairées.
• Détection de fraude
  Identification d’anomalies via l’analyse des transactions historiques.

Implémentation de la GenAI: approche structurée

• Évaluer la maturité organisationnelle
  Vérifier l’infrastructure, les compétences internes et les objectifs stratégiques. Définir clairement les finalités du déploiement de la GenAI.
• Préparer les données
  Les données utilisées doivent être pertinentes, de qualité et représentatives. Leur nettoyage est indispensable pour obtenir des résultats fiables.
• Choisir le modèle adapté
  Sélection en fonction des besoins spécifiques. Entraînement sur les jeux de données propres à l’entreprise.
• Intégrer et déployer
  Intégration harmonieuse dans l’environnement IT, en particulier les systèmes opérationnels et outils BI. Former les collaborateurs à la lecture et à l’utilisation des résultats.

Conclusion

Les directions financières réfléchissent activement à la manière dont l’IA générative finance peut enrichir leurs processus. À l’avenir, cette technologie coexistera avec les outils de prévision classiques, permettant:

• de générer des rapports automatisés,
• d’expliquer les écarts budgétaires,
• de proposer des recommandations concrètes.

Cela favorisera une prise de décision plus stratégique et renforcera l'efficacité des opérations financières.

Mise en garde finale

Malgré ses promesses, l’IA générative en finance présente encore des défis: génération de contenus erronés, biais, atteinte potentielle à la propriété intellectuelle, limites des connaissances actuelles (notamment postérieures à 2021), cybersécurité, etc.

Pour réussir son intégration, il est essentiel:

• de renforcer la collaboration entre finance et data science,
• de privilégier la sécurité et l’éthique à chaque étape,
• d’instaurer une culture de formation continue pour tirer le meilleur parti de cette technologie.

Références

_{BCG (2023) : L'IA générative dans la fonction financière du futur, août 2023, en ligne : www.bcg.com/publications/2023/generative-ai-in-finance-and-accounting
Deloitte (2023) : L'arrivée fulgurante de l'IA générative en Suisse, en ligne : www2.deloitte.com/content/dam/Deloitte/ch/Documents/technology/deloitte-ch-en-generative-ai.pdf
Gartner (2023) : Les experts de Gartner répondent aux principales questions sur l'IA générative pour votre entreprise, en ligne : www.gartner.com/en/topics/generative-ai/
Jedox (2023) : Hey ChatGPT, kannst du diesen Plan analysieren ? En ligne : www.jedox.com/de/blog/ibp-chatgpt/}