Vous pensez que l’IA générative n’est pas adaptée pour traiter des fichiers Excel très volumineux ? On a testé ses performances dans l’analyse des inventaires annuels des supports d’investissement et l’élaboration d’une présentation de ces analyses. Et le résultat est … positif, avec un petit bémol.
AI Impact Scan : notre diagnostic flash
Au quotidien, les équipes de comptabilité des placements passent de longues heures sur Excel, à analyser et contrôler les inventaires de titres financiers. Comment l’IA peut-elle faire gagner du temps sur ces analyses et fournir un support final de qualité pour présenter ces analyses ?
Nous savons que l’IA lit parfaitement les PDF. Mais qu’en est-il de sa performance sur des fichiers Excel de plusieurs dizaines de méga octets ? Pour le savoir, nous avons travaillé sur deux inventaires de 2022 et 2023.
Ce que l’IA permet d’obtenir
- Un recensement de la plus ou moins-value latente (PMVL) par famille de titres par année sous forme de texte et de bullet points (actions, obligations, produits dérivés, etc.) sur une base comparable (c’est-à-dire sur la base des titres présents les deux années – ex : si un titre a été acheté l’année 2, il n’est pas analysé ; si un titre a été vendu l’année 2, il n’entre pas non plus dans le périmètre analysé).
- Une présentation sous forme de tableau de cette PMVL par famille de titres par année.
- La création d’un graphique pour un rendu plus visuel de l’évolution de la PMVL par famille d’actifs.
- Des explications sur les variations de PMVL par famille de titres, avec une recherche internet et des liens d’articles.
- Un support PowerPoint pour présenter ces résultats.
Technologie utilisée : Text to SQL
Approche
Un préalable : charger les données depuis leur format source (xls, csv, …) dans une base de données temporaire, relative à la conversation en cours avec le bot.
Le principe de l’agentique text-to-SQL repose sur un agent IA capable de convertir de manière dynamique une requête en langage naturel en requête SQL valide, adaptée au schéma d’une base de données cible. Il combine :
- Compréhension du langage naturel – via un LLM qui interprète l’intention de l’utilisateur.
- Connaissance du schéma – l’agent doit intégrer ou interroger la structure de la base (tables, colonnes, types, relations).
- Génération contrôlée de SQL – en tenant compte des contraintes syntaxiques et sémantiques du SQL, souvent avec validation ou exécution intermédiaire.
- Bouclage et itérations – l’agent peut affiner la requête après exécution (e.g., si erreur ou résultat vide), parfois en dialoguant.
L’agent agrège les résultats pour fournir une réponse adéquate à l’utilisateur.
La combinaison avec d’autres ‘outils’, tels que la génération de graphiques, de rapports PDF ou la recherche sur internet, permet d’avoir un assistant très complet.
Challenge
- L’utilisation de modèles LLM doit être adaptée : ainsi, GPT4o est performant pour la conversation et le raisonnement. Mais GPT4o-mini est plus performant pour la génération de requêtes SQL.
- Sur des requêtes très complexes, nécessitant des jointures entre tables, l’agent peut tomber dans une boucle de raisonnement ‘infinie’ et ne pas donner de résultat.
- Savoir doser l’automatisation et l’analyse manuelle. Cette technique est en effet très pratique pour de la découverte de données et/ou de l’automatisation industrialisée. Mais il y a un petit bémol : l’analyse manuelle sur Excel a encore des avantages de simplicité et de coût.
Enseignement
Les premières tâches demandées à l’IA (tableau et graphique de la PMVL par famille de titres, par an) sont faisables en quelques minutes voire secondes pour un utilisateur d’Excel averti.
En revanche, les éléments d’analyse apportés par la recherche internet et la présentation automatique des résultats sur un Powerpoint feront la vraie différence en termes de temps et d’effort dans le quotidien de nos métiers.
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.
