Introduction
Alors que se tenait mi-février le Sommet pour l’action sur l’intelligence artificielle à Paris, nous avons pu y voir des stars de l’évènement comme Sam Altman (OpenAI), Yann Lecun (Meta), Arthur Mensch (Mistral AI) et d’autres. Leur point commun ? Ils sont à la pointe de l’innovation sur les Large Language Models (LLM).
OpenAI a déjà touché plus de 400 millions d’utilisateurs avec ChatGPT. Si autant de personnes y voient un intérêt, comment les trésoriers peuvent-ils bénéficier de ces innovations et les utiliseur dans leur quotidien professionnel ?
Comme toute nouvelle technologie, il faut déjà comprendre ce qu’elle permet de faire, et l’essayer à petite échelle. Essayons d’identifier les cas d’usage pour notre métier !
Les LLM, une sous-catégorie de l’IA
Les Large Language Models (LLM) sont des IA, mais toutes les IA ne sont pas des LLM. L’IA peut avoir de nombreux buts : prédire, décrire, recommander, classer, grouper, reconnaître, générer. Les LLM font historiquement partie de la dernière catégorie, et génèrent du texte. Leur force est de pouvoir « comprendre » le langage humain, et générer du texte en retour.
Alors que la plupart des IA sont entraînés sur des données spécifiques, qui limitent leur utilisation, ce n’est pas le cas des LLM. En effet, ils sont entraînés sur des corpus de texte gigantesques venant de sources variées. On sait par exemple que GPT-3, le modèle de 2020 d’OpenAI, s’est entraîné avec plus de 7 milliards de mots. Il n’est donc pas forcément nécessaire d’avoir beaucoup de données pour utiliser ces LLM.
Cependant, une chose à prendre en compte sont les fameuses “hallucinations”. Fondamentalement, les LLM restent des outils statistiques qui choisissent des mots en fonctions de probabilités, mais ils n’ont pas (encore) conscience de ce qu’ils génèrent. Ils peuvent générer des informations fausses, c’est-à-dire halluciner. Ces modèles ne sont donc pas fiables à 100%.
Connaissant maintenant les forces et faiblesses des LLM, étudions les implications sur leur utilisation concrète.
Identifier un besoin précis pour un POC IA réussi
En tant que trésorier, vous possédez une expertise métier qui vous offre la chance d’identifier les situations où les LLM peuvent vous faciliter la vie ou celle de votre équipe.
Les questions à se poser pour générer des idées sont :
- Quelles sont les tâches chronophages où j’ai affaire à beaucoup de texte ?
- Quelles sont les situations où les erreurs humaines sont fréquentes et coûteuses ?
- Qu’est-ce qui pourrait bénéficier d’une approche plus personnalisée ?
Une chose à bien prendre en compte est que les LLMs ne vous remplaceront pas. Mais elles peuvent être un gain de temps considérable.
Pour prioriser une idée, il faut se demander :
- Si cette tâche est assistée par un LLM, quel est l’impact business ? (gain de temps, économies, réduction des risques)
- Comment puis-je quantifier cet impact et le relier aux objectifs de l’entreprise/l’équipe ?
- Quel est le taux d’erreur acceptable et que faire si cela se produit ?
Vous aurez alors tous les éléments pour justifier un Proof-of-Concept (POC) auprès de vos équipes techniques.
Durant la mise en place du POC il faudra s’assurer de plusieurs choses :
- Que l’objectif du test soit clair. Ex : réduire le temps passé sur telle tâche de 30%
- Que l’expérience dure assez longtemps et s’exerce dans un périmètre suffisamment étendu pour tester des situations différentes.
- Être prêt à accorder du temps aux équipes techniques pour qu’elles puissent ajuster le LLM.
Si tout cela est respecté, le succès du POC ne sera tout de même pas garanti. Mais vous aurez maximisé vos chances, et en cas d’échec vous pourrez itérer sur d’autres cas d’usages.
Près de 80% des projets d’IA n’arrivent pas en production, n’ayez pas d’inquiétude en cas d’échec. Le POC est normalement conçu pour qu’un échec soit acceptable.
À lire également
Des exemples de cas d’usages concrets pour les trésoriers
Si cela semble être beaucoup d’efforts pour un retour très incertains, il y a de nombreux exemples qui pourraient vous aider à imaginer l’impact pour vous. Voici une sélection :
- La réconciliation bancaire : on peut imaginer un LLM qui compare vos transactions bancaires et vos enregistrements comptables internes, pour ensuite flagger les éventuelles anomalies. Si la RPA (Robotic process automation) existe déjà, un LLM permet de gérer plus de données non structurées et donc d’être plus efficace.
- La veille économique : un LLM pourrait vous faire un résumé d’articles de presse, de newsletters, de rapports financiers pour mieux suivre l’actualité et avoir une gestion plus pro-active des risques macro-économiques. Cela pourrait aussi fonctionner pour les risques de conformité avec un LLM de veille des changements règlementaire.
- Le support client : un LLM pourrait alimenter un chatbot avec les questions fréquentes que l’on vous envoie. Cela augmenterait la satisfaction de vos interlocuteurs, et vous libérera du temps pour des tâches plus complexes. On peut même imaginer un chatbot comme assistant personnel, qui sera un premier filtre pouvait gérer les tâches pénibles comme le traitement des factures fournisseurs.
A vous de trouver le cas d’usage qui donnera à votre organisation un ou plusieurs coups d’avance !
Les exemples mentionnés ci-dessus ne sont qu’une petite partie des possibilités qu’offrent les LLM pour les trésoriers. Vous devrez adapter ces exemples à votre situation particulière et votre quotidien. Si nous recommandons de faire appel à vos services techniques pour un POC en bonne et due forme, vous pouvez déjà essayer les solutions en libre accès comme chatGPT (Open AI) ou Le Chat (Mistral AI, français et open-source). Mais attention, ne vous exposez pas à des risques en partageant des informations sensibles.
En conclusion
L’intégration des Large Language Models (LLM) dans la gestion de trésorerie permet d’envisager des gains en temps et en réductions de risques.
Si la trésorerie est un sujet critique et sensible, il peut y avoir des réticences à utiliser des solutions externes. Néanmoins, la plupart des fournisseurs de LLM proposent d’héberger en interne les modèles et donc de préserver votre confidentialité.
En tant que contributeur individuel, identifier en cas d’usage et mener un POC pourra vous faire sortir du lot. J’espère que cet article vous aura inspiré pour vous lancer dans un prochain chantier sur l’intégration de l’IA pour la trésorerie d’entreprise !
ℹ️ Le saviez-vous ?
Kyriba utilise déjà les LLM pour ses équipes internes et sa solution utilise de l’IA pour prédire votre cash. Avizo a accompagné de nombreux grands groupes et ETI dans l’intégration et l’optimisation de Kyriba ou d’autres solutions. Si vous avez plus de questions autour de l’IA et la trésorerie n’hésitez pas à nous contacter.
