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
L'IA est de plus en plus un facteur de différenciation pour les services financiers, ceux qui ont correctement aligné leur stratégie en récoltant des avantages significatifs et bien documentés. Mais il existe également de nombreux exemples de déploiements d'IA coûtant trop cher pour peu ou pas de gains.
Dans cette optique, ce rapport analysera cinq caractéristiques communes aux organisations qui réussissent grâce à l'IA.
L'IA est, pour une bonne raison, un sujet brûlant en ce moment, mais si vous demandez à cinq personnes de vous donner une définition, il y a de fortes chances que vous obteniez des réponses très différentes.
Il y a des raisons à cela. Le battage médiatique en est une, mais un phénomène bien connu connu sous le nom d'effet IA montre à quel point la définition de « l'intelligence artificielle » change constamment à mesure que les capacités progressent. Il fut un temps où les ordinateurs d'échecs tels que Deep Blue étaient la représentation la plus omniprésente de « l'IA », mais cette couronne reviendrait probablement aujourd'hui à ChatGPT.
C'est pour cette raison qu'il est important d'être précis lorsque l'on parle d'IA. Pour éviter les malentendus et garantir des conversations productives, tous les membres de votre organisation ont besoin d'une compréhension commune de termes tels que :
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.
Il s’agit d’un type d'apprentissage automatique dans lequel un algorithme est entraîné sur des données d'entraînement et qui met en corrélation au fil du temps des similarités ou des différences pour catégoriser des éléments. L'objectif est que le modèle apprenne à étiqueter les entrées et les sorties de données binaires afin de pouvoir prédire avec précision ce qu’est ou n’est pas la donnée.
Exemple : Lorsque vous remplissez un CAPTCHA et qu’on vous demande d’identifier les ponts dans une image, vous étiquetez les données à utiliser pour l’apprentissage supervisé
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 l'ensemble 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.
Technique d'apprentissage automatique qui utilise des neurones artificiels, ou nœuds, pour traiter les données d'une manière qui imite le cerveau humain.
C’est un sous-ensemble de l'apprentissage automatique qui implique des réseaux de neurones artificiels. 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.
Permet aux utilisateurs de créer du contenu génératif à partir de diverses entrées, notamment du texte, des images, des sons, des animations et des modèles 3D. Elle diffère de l'IA traditionnelle en ce sens qu'elle ne se contente pas d'analyser les données, mais produit de nouvelles données sous de multiples formes de médias, notamment du texte, du code, des images, du son et de la vidéo.
Utilisez l'apprentissage profond pour comprendre et générer du langage. Les LLM sont formés sur de grandes quantités de données textuelles, parfois des centaines de milliards de paramètres. Les LLM apprennent les relations statistiques à partir de documents texte grâce à un processus combiné autosupervisé et semi-supervisé. Generative Pre-trained Transformer (GPT) est un LLM créé par OpenAI, mais d'autres exemples incluent Gemini de Google et Claude d'Anthropic.
Utilisé pour automatiser les tâches répétitives traditionnellement effectuées par des humains. Les « robots » RPA interagissent avec les systèmes et applications numériques d'une manière qui imite la façon dont un humain les exploiterait. La RPA aide les organisations à améliorer leur efficacité, à réduire les erreurs humaines et à libérer les employés pour qu'ils puissent se concentrer sur des tâches plus stratégiques.
Utilise des données historiques, des algorithmes statistiques et des techniques d'apprentissage automatique pour prédire les résultats ou les tendances futurs. Cela implique l'analyse des données passées pour identifier des modèles et des relations, qui sont ensuite utilisées pour établir 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. Ils comprennent les forces et les faiblesses relatives des LLM, par exemple, afin de comprendre la meilleure façon de les déployer et les comportements organisationnels requis pour travailler efficacement à leurs côtés.
Pour s'en assurer, l'organisation doit disposer d'une personne chargée de favoriser cette compréhension, ainsi que d'une stratégie globale pour l'entreprise, ce qui est abordé dans notre prochain principe.
Selon Gartner, confier les efforts en matière d'IA au responsable du FP&A ou de l'analyse financière augmente les chances de succès de 50 %. Lorsque les efforts sont menés par la comptabilité ou le contrôle de gestion, les organisations sont deux fois plus susceptibles d'échouer. Il existe plusieurs raisons qui font que ces rôles conviennent bien.
Tout d'abord, ils ont une solide expérience analytique. Le FP&A nécessite une compréhension approfondie des données financières, des prévisions et de la planification stratégique. Les mêmes caractéristiques qui font d'une personne une bonne personne en FP&A lui permettent de savoir où et comment l'IA peut être utilisée au mieux.
Deuxièmement, ils sont liés à l'entreprise à un niveau stratégique profond. Le FP&A se situe à l'intersection de différentes unités commerciales (ventes, marketing, opérations) et est donc très au fait de ce qui se passe dans l'organisation dans son ensemble.
Enfin, ils ont accès et autorité sur les données interfonctionnelles qui seront nécessaires pour entraîner et exécuter des modèles d'IA. La gestion des données est déjà un élément essentiel de la fonction FP&A, une compétence utile à acquérir à l'ère de l'IA.
Il est essentiel de comprendre où vous vous trouvez et où vous voulez aller. Tout le monde a de grands objectifs, mais beaucoup d'entre eux, qui obtiennent le meilleur rendement aujourd'hui, ont :
Exploratory stage
AI initiatives are scattered and not strategically aligned with business goals. There may be small-scale AI experiments, often driven by individual teams or departments.
Experimentation with AI solutions in isolated use cases, but there’s little cross-functional collaboration or a coherent AI strategy.
Challenges here may include lack of leadership support and an insufficient understanding of AI’s potential value, and limited data capabilities.
Intermediate
At this stage, organizations begin formalizing AI goals, aligning them with business objectives, and engaging in more significant AI projects.
There is an effort to build foundational AI skills and implement technology within the organization.
Challenges at this stage often revolve around change management, as well as managing legal and IT concerns - governance.
Advanced stage
AI is increasingly embedded into core business processes and decision-making frameworks. The organization has established a cross-functional AI team or center of excellence (CoE) to lead and manage bespoke AI projects.
Advanced organizations are scaling AI solutions across different business functions, leveraging advanced analytics, machine learning, and automation to improve efficiencies and outcomes.
Challenges at this stage include ensuring integration across systems, managing AI governance, and addressing risks such as data privacy and algorithmic bias.
Extremely advanced
AI is fully integrated across the enterprise, with AI-driven decision-making embedded into day-to-day operations. AI technologies are continually improved, and there’s a culture of data-driven innovation.
Organizations at this stage have established frameworks for ethical AI governance, transparency, and accountability.
Challenges at this stage may include maintaining balance between automation and human oversight and ensuring ongoing ethical considerations.
Taking a realistic view, there are very very few organizations at the advanced level or above. Establishing a cross-functional team and hiring data scientists/AI talent is an incredibly expensive investment, and it’s only one that should come after organizations feel comfortable at the development stage.
For most organizations, buying AI is by far the better choice right now.
As we’ve just explored, most organizations will find themselves finding the most efficient way to derive value from AI right now is by buying it, rather than building it themselves. And although there are ‘pure AI’ solutions like ChatGPT that represent an entirely new product category, the biggest gains are to be made with AI implementations that work with the software businesses already use every day: your ERP, your CRM, your planning platform…
But the market is awash with solutions, and not all are created equal. Retrofitting AI to an existing solution requires a lot of work to make something that’s worthwhile. Buyers should keep a few points in mind when evaluating the potential impact of an AI-enabled solution:
A bolted-on experience quickly gives itself away. Many existing pieces of technology have hastily-developed AI that’s tacked on to an existing product. But if said product doesn’t have a particularly modern architecture, the development process can be incredibly difficult.
What that translates to is an ‘AI experience’ that’s only able to operate in a walled garden. An AI assistant needs to understand how to navigate the platform itself if it’s to help users - it must understand the correct levers to pull within the product.
Large language models are powerful tools but they are not magic. They are good at understanding user intent, interacting with users, categorizing text or writing summaries. Robust data analysis is a skill they aren’t as good at (for now) - that’s why, when developing Pigment AI, we focused our efforts on creating proprietary models that bring value to this specific task.
To properly leverage LLMs on the tasks detailed above, we had to provide the context they needed to interpret the nuance of user instructions and requests, and to match them with the correct levers to pull within the platform. We also spent a great deal of time on providing Pigment AI business planning knowledge and best practices, and worked closely with customers to ensure it behaves as it should for the tasks they complete every day.
AI can present very serious and unique challenges from a security standpoint. It’s essential that a vendor takes security seriously, doesn’t train on your data without permission, and that any AI assistant is also forced to follow any access controls that may be in place. This ensures information does not get into the wrong hands.
It’s no secret that FP&A teams are always stretched. The scope of the role is ever-expanding, with growing expectations for hands-on business partnering being the leading reason.
The response to this for FP&A teams so far has been to automate routine FP&A tasks to make more room for internal consulting. But this model can prove hard to scale: it often demands hard tradeoffs on which parts of the business will be supported, and to what extent.
Research has found a better method that’s 3-4x more effective at making the FP&A delivery method more sustainable: which Gartner refers to as ‘capability diffusion’. It hinges on making decision makers more autonomous, by leveraging tools like machine learning and generative AI to make technology their first port-of-call. In other words: ask AI first.
“New developments in the finance technology vendor market, and the prevalence of tools with embedded capabilities such as graph analytics, machine learning and generative AI make it easier than ever before for FP&A to transfer expertise to decision makers for complex decisions.”Randeep Rathindran, Distinguished Vice President, Research, Gartner Finance practice.
With capability diffusion, finance business partners take on more of a tutorship role: focussing on helping decision makers learn to use tools. This encourages self-sufficiency and is a far more efficient way of working.
It’s this ‘ask AI first’ principle that we’ve designed Pigment AI to address. It will enable the FP&A team to work faster, but it will also democratize the process of planning and access to data.
This is an easy way of achieving capability diffusion, helping:
Analysts/modelers: Conduct the work you do every day faster
Rapidly find and analyze data faster than before, onboard and ramp up new users faster, and lean on Pigment AI’s best practice when it comes to planning and get answers faster.
C-Suite and the wider team: Self-serve insights and learn to navigate the platform
Quickly find and interrogate data, and focus on the details that matter - whether you’re a CRO looking to quickly understand performance vs quota across territories, or an HR lead looking to understand headcount trends. Ask questions to learn how to navigate the platform and access the data and insights within it.
It’s an exciting time to work in finance, with a number of opportunities opening up thanks to developments in the field of AI - your degree of success will depend on the approach you adopt today. Learn more about Pigment AI here.
Vous avez lu 10 % du contenu. Remplissez le formulaire ci-dessous pour accéder au contenu complet.
Pour comprendre l'intérêt et les bénéfices concrets de Pigment pour votre organisation, inscrivez-vous à la prochaine démonstration live. Nous vous présenterons les fonctionnalités Pigment par cas d'usage.
