Transcription

• Speaker #0

  Bienvenue à votre podcast Déclic Data. Aujourd'hui je suis ravi d'avoir un invité avec un parcours assez atypique. Vous allez le voir pour parler d'un sujet ma foi tout aussi typique dans le monde de la data. On a intitulé ce podcast Data is Cash, la trésorerie à l'ère de la donnée. Du coup, avant de nous engager dans le sujet, Thomas, je vais tout simplement t'inviter à présenter ton parcours à nos auditeurs.

• Speaker #1

  Ok. Alors, je suis expert comptable, commissaire aux comptes, et puis je suis surtout expert trésorerie. Donc, c'est une compétence que j'ai développée au cours des 20 dernières années. et donc alors je sais pas si j'ai un profil atypique mais en fait J'étais à la fois sur des métiers très opérationnels, j'étais à la Trésorerie Groupe de Suez, j'étais en filiale de négoce d'énergie chez Engie. Et puis de l'autre côté, j'ai été consultant et auditeur chez Price dans d'énormes cabinets d'audit. Et puis aussi dans des plus petits cabinets, donc cabinets de grillage. Et du coup, en fait, ça m'a permis de voir un peu toutes sortes de dimensions et de... et d'approches qui sont vraiment intéressantes.

• Speaker #0

  Par rapport à la data, comment les sujets data étaient traités dans ces organisations de différentes tailles ? Et comment toi, tu as pu développer cette sensibilité à ce sujet dans ce contexte-là ?

• Speaker #1

  Comment je l'ai développé ? Moi, j'ai toujours eu une appétence à l'informatique. Donc, c'est vrai que les données, structurer les données… dans les fichiers Excel, consolider plein de sources de données de formats différents, c'est quelque chose qui est intéressant. Là, c'est plus une appétence que j'avais à la base et que j'ai développée, une appétence à la technologie. Après, les différences entre les différents clients et organisations avec lesquelles j'ai pu travailler, en fait, il n'y en a pas tant que ça, c'est-à-dire en termes de données. C'est-à-dire qu'en fait, qu'on soit petite entreprise, PME, ETI ou grand groupe, on a tous des masses de données à gérer, qu'il faut structurer, qu'il faut organiser. Et on a tous plein de sources de données différentes, de formats différents. Donc au final, on a tous à peu près la même problématique de gestion des données. Et les grands groupes, finalement, pourquoi on pourrait se dire « mais PME et grands groupes, ça n'a rien à voir » . Mais en fait, les grands groupes, ils ont tendance à tout fragmenter. Donc au final, on ne va pas travailler sur les données de l'ensemble du groupe, on va travailler sur un fragment des données qui finalement, en termes de taille, revient à travailler sur l'ensemble des données d'une PME par exemple. Donc au final, c'est vrai que sur la simple gestion des données, il n'y a pas tant de différence que ça.

• Speaker #0

  Ce n'est pas parce qu'on est une PME ou qu'on n'a pas besoin de l'intelligence autour de la data, ou de la BI, la Business Intelligence. pour pouvoir tout simplement piloter sereinement son activité. Donc ça fait plaisir d'entendre ce discours aussi de quelqu'un comme toi, parce qu'une des images qui a un peu la peau dure pour les PME, c'est « ah non mais nous on est une PME, on n'a pas besoin… » Ben non, c'est si en fait. Et si, et surtout qu'aujourd'hui la technologie est beaucoup plus abordable, il y a beaucoup de possibilités en fait. Donc ce sont privés, c'est un petit peu dommage avec le Excel, C'est au cœur, même si avec un Excel, on peut faire beaucoup de choses.

• Speaker #1

  Il y a quand même des limites. Avec un Excel, c'est bien, on peut mettre des données différentes, de formats différents, mais dès qu'on commence à vouloir modéliser dans Excel, c'est-à-dire de faire des liens entre différentes sources de données, c'est vite limité. Donc voilà, c'est bien pour les petits projets, mais… Dès qu'on veut commencer à regarder des données liées sur toutes les données de l'entreprise, on a besoin immédiatement d'un outil d'informatique décidée.

• Speaker #0

  Et ça, c'est toute la force de ces outils-là, c'est de simplifier cette partie de croisement de données.

• Speaker #1

  C'est ça.

• Speaker #0

  Au final, c'est là où on détecte le plus de points intéressants qui appellent des décisions et qui appellent des ajustements. Donc justement, quand on parle de la taille de la trésorerie, on tombe vite sur les problématiques d'accès aux données. Comment tu as pu traiter ces défis-là ? et je serais curieux d'avoir mon expérience par rapport à ces défis d'accès dans les entreprises.

• Speaker #1

  Alors l'accès aux données en fait c'est vraiment crucial pour commencer à faire des actions. En fait on ne peut pas agir tant qu'on n'a pas l'information, tant qu'on ne sait pas sur quoi on démarre. Et donc en fait la première chose c'est avoir l'information. et en fait si on n'a même pas l'information parfois on ignore carrément le problème en fait, on sait pas qu'il y a un problème. Et moi ça me fait penser à Pian, à l'époque j'étais un mandat de commissariat aux comptes et donc on revoit son reporting de Trézeau donc très très fier il nous sort le document donc il y avait quinzaine de pages très précises qui détaillaient la dette, les financements, les placements voilà. Belle équipe. on sentait qu'ils étaient bien encadrés. Et nous, en tant que commissaire au compte, en fait, on ne prend pas les documents pour argent comptant, on les regarde, on les lit en détail et on cherche tous les éléments où on regarde l'exhaustivité, on regarde la précision,

• Speaker #0

  la cohérence.

• Speaker #1

  Et en fait, en regardant ce reporting, on se rend compte que la dernière page, c'était la page des placements filiales. Ok. Et en creusant, on se rend compte que sur les 15 pages du reporting, il y a 14 pages sur la trésorerie centrale et puis une page sur les placements filiales. Et puis, quand on compare, comme tout commissaire en compte, on rapproche toutes les infos qu'on nous donne. Quand on compare sur la page des placements filiales, la liste des filiales et puis la liste des filiales du groupe, on se rend compte qu'il en manque la moitié. Donc déjà, on a une page avec très peu d'informations. sur les filiales et en plus, il en manque la moitié. Et donc, on revient en lui disant, bon, par contre, c'est bien, sur la trésorerie centrale, vous maîtrisez tout, mais alors sur les filiales,

• Speaker #0

  il manque des infos.

• Speaker #1

  Il manque des infos. Et voilà, à ce moment-là, on lui a fait une recommandation qui était de vraiment creuser auprès de ses filiales pour avoir l'information, pour remonter l'information. Et c'est vrai qu'après, sur les années suivantes, ça a permis pour le client de se rendre compte qu'il y avait toute une partie des placements qui n'étaient pas du tout contrôlés.

• Speaker #0

  Donc, il y avait un problème de consolidation en réalité de données. C'est-à-dire que le problème de remontée de données partielle et puis un problème de consolidation pour qu'au niveau de l'information globale, ça remonte. Donc, effectivement, le problème de la data était souvent lié. On a souvent ces problématiques de consolidation, où effectivement, de standardiser et consolider les données, surtout quand on a plusieurs sociétés, devient capital et critique pour avoir justement une vision réaliste. Un cas très intéressant, peut-être un peu plus extrême, c'est la capacité à réagir par rapport aux données à terrain. donc capacité à... à avoir une vision concrète, donc ça c'est un autre sujet d'accès aux données, le cas Lehman Brothers pendant la crise.

• Speaker #1

  Là en fait c'était en 2007, grosse crise de liquidité qui a fait complètement flancher la banque Lehman Brothers. A l'époque, là où je travaillais, ça a été l'effervescence, le directeur financier de Trésor & Groupe voulait savoir Si on avait finalement des positions chez Lehman Brothers... En gros,

• Speaker #0

  il y allait avoir de la casse. Voilà,

• Speaker #1

  c'est ça. S'il y allait avoir de la casse, et combien ? Si c'était beaucoup de casse ou juste un effleurement ?

• Speaker #0

  Parce que la banque Lehman Brothers allait déposer le bilan. Ah oui, complètement.

• Speaker #1

  Il y avait des placements chez Lehman Brothers, c'était perdu. Là, à l'époque, on avait un outil qui remontait dans les filiales, donc a priori, on se disait, ça ne va pas être un problème, on va retrouver l'info. En fait, on se trompait parce qu'on s'est rendu compte quand on a commencé à chercher qu'il y avait plein d'infos qui manquaient dans l'outil. Après, ça a été des mails d'aller-retour, d'appels des différents relais trésoriers locaux pour savoir alors est-ce que tu as des placements là-bas ? Est-ce que tu as des opérations, des dérivés avec les mainbrothers ? Oui, non. Donc, ça a pris une semaine pour récupérer une info complète et pour au final se rendre compte que ça va. Il n'y avait vraiment pas grand-chose dans l'ensemble du groupe ?

• Speaker #0

  Là, ça se passe bien, mais effectivement, souvent, dans les projets de data, les projets de BI… On se rend compte qu'effectivement, quand les affaires marchent bien, quand tout va bien, on peut se passer de BI, on est là avec son petit fichier Excel, limite, tout va bien. Mais par contre, dès qu'on est dans des situations où les conditions deviennent risquées, où les conditions deviennent difficiles, la data, le fait d'avoir d'agréger les données, la BI, devient quelque chose de capital, comme un tableau de bord dans un avion qui pilote aux instruments. ou comme quand on est dans des conditions de brouillard en conduisant sa voiture. Donc le tableau de bord, la vitesse, etc. sont hyper importants.

• Speaker #1

  Là, c'est ça. Là, on était dans l'avion, on avait entouré de brouillard et on ne savait pas si en face de nous, il y avait une petite oie ou il y avait carrément une baleine. Finalement, ce n'était ni l'un ni l'autre, c'était juste un petit pigeon.

• Speaker #0

  En tout cas, il n'y a que ce qui impacte concret de l'accès à la donne. Parce que là, effectivement, il y a la probabilité d'accès à la donnée, mais bon, ça, on le traite au début quand on parle de la data et quand on fait de la trésorerie ou d'autres métiers. Très vite, on va essayer de voir qu'est-ce que ça nous apporte. Et il y a une phrase que tu m'avais dit, c'était « ce qui se mesure s'améliore » . Et j'aime beaucoup cette Ausha.

• Speaker #1

  Ce n'est pas moi qui l'ai inventée. Oui,

• Speaker #0

  j'ai un... Je l'aime beaucoup parce que chez Marie-Porte, on l'applique. Clairement, on se donne des capillaires pour tout. Non pas parce qu'on est des fanas de mesurer, qu'il faut qu'il y ait un chiffre. Non, non. Parce qu'effectivement, on a cette conscience-là que si on veut vraiment s'améliorer sur quelque loi que ce soit, on a besoin de le voir. Sinon, on a tous plein de choses à faire dans la vie. Et si on n'est pas conscient de la chose en ayant des chiffres, c'est difficile à améliorer. Donc toi, quel a été ton… Est-ce que tu as des exemples de ton expérience avec ce principe ?

• Speaker #1

  Des exemples, il y en a pas mal. Je pense que dans ce qui se mesure, s'améliore, en fait, il y a deux dimensions. Il y a ce que j'appellerais la dimension passive, c'est le simple fait de voir le chiffre te fait t'améliorer. Parce que d'un coup, tu vois que, ah bah oui, il fait 23 degrés dans la pièce, c'est peut-être un peu chaud quand même, donc je vais peut-être commencer à… naturellement, je vais peut-être baisser le chauffage. Donc là, je me rappelle d'un exemple qu'on avait chez un client. Dans la trésorerie, on a au niveau du suivi administratif des opérations, une fois qu'on fait une opération avec une banque, elle est confirmée à la fois du côté de la banque et à la fois du côté du back-officer.

• Speaker #0

  Et du côté de la banque.

• Speaker #1

  Des deux côtés, chacun confirme l'opération. Et ce processus doit être fait dans les 24 heures, parce que sinon, on est engagé dans l'opération et ça devient plus compliqué de revenir en arrière. Donc, en fait, le plus tôt possible on confirme, le mieux c'est, plus on est sûr qu'on n'aura pas de litige après avec la contrepartie. Et donc, un jour, le client, il se rend compte que… il y a quand même beaucoup d'opérations qui ne sont pas validées dans les 24 heures. Je ne sais plus quel était le pourcentage, mais disons 10% des opérations qui dépassent les 24 heures. Donc, on a décidé à un moment dans le reporting de rajouter un KPI, un indicateur clé, sur justement le temps moyen de validation des opérations et pourcentage des opérations non validées dans les 24 heures.

• Speaker #0

  Si je comprends bien, c'est une validation qui est faite par quelqu'un côté de l'entreprise.

• Speaker #1

  Côté de l'entreprise, tout à fait, par le back-officer. On l'a affiché dans un reporting et c'était un indicateur clé qui était suivi tous les jours. On n'a rien fait, on a juste affiché cet indicateur. Naturellement, les opérations, petit à petit, ont commencé à être validées beaucoup plus vite. Les 10% sont devenus 1% et après le 1%, on a mis en place un outil pour vraiment… Et puis, on a discuté aussi avec les contreparties pour comprendre. Ça a permis de se rendre compte que 10%… en quoi ça s'explique, d'analyser les causes et après de les régler une à une. Mais on l'a fait sans vraiment faire un plan d'action derrière. On a affiché les chiffres et puis les opérationnels d'eux-mêmes se sont dit « mince, 10% c'est beaucoup, ça engage la société » .

• Speaker #0

  Un peu comme quand on fait du sport, quand on est sportif, quand on regarde longtemps, on a toujours tendance à vouloir s'améliorer et du coup il y a un côté un peu aussi très ludique. Je crois à cette dimension-là pour mettre l'énergie dans la bonne direction également. Donc effectivement, ça a déclenché un cercle vertueux dans mon entreprise pour s'améliorer sur ça. Ça, c'est vraiment super.

• Speaker #1

  Je parlais de la dimension passive et puis la dimension active. C'est pareil, on met en place des indicateurs clés pour après mettre en place des actions. Un exemple très classique en trésorerie, c'est le suivi des frais bancaires. Les grosses trésoreries, les gros groupes en général, ils ont un processus en place, mais les plus petits groupes, c'est quelque chose que parfois ils n'ont pas forcément le réflexe de regarder à la fin de l'année sur l'ensemble de mes contreparties bancaires, combien j'ai payé. Donc moi ce que je recommande c'est de faire un suivi annuel des frais bancaires avec une vraie analyse et se poser vraiment dessus. Et ça c'est très éclairant, à partir du moment où on fait ce type de reporting, après on met en place des actions de renégociation de la relation commerciale, de rationalisation des comptes bancaires. Donc ça c'est typiquement, on met en place des indicateurs. qui a dans l'objectif de faire des actions.

• Speaker #0

  Ça me fait penser à quelque chose, c'est qu'effectivement, quand on met en place un projet data, donc là, dans le contexte de la trésorerie, on va pouvoir s'occuper des gros process, des processus qui sont les plus critiques. Il nous manque des données, effectivement, il nous manque des données, on n'a pas la vision globale. Voilà, on va le faire. Donc ça, c'est les gros gains. Et puis après, il y a ce qu'on va appeler des quick wins, des petits gains, mais qui, en fait, au fond, ne sont pas des petits gains, parce que quand... On accumule tous les petits gains, ça fait quand même des grosses différences. Donc effectivement, petit à petit, on va pouvoir mettre en place un processus de suivi des frais bancaires. C'est toujours ce cercle vertueux qui s'enclenche et qui est très intéressant. Maintenant, il y a une dimension collective. Comment toi, tu gères un peu cette dimension collective ? Comment tu fais pour embarquer les gens dans les projets ? Et comment, peut-être, qu'est-ce que tu aurais à partager avec... la communauté, sur ce côté, embarquait l'organisation.

• Speaker #1

  Sur des projets de données ?

• Speaker #0

  Sur des projets de données, mais aussi sur les projets de trésorerie, dans ton contexte.

• Speaker #1

  C'est vrai que quand on se lance dans des grands projets de transformation, la première étape à faire, c'est les données. En fait, c'est avoir l'information pour savoir dans quelle direction on va aller. Et typiquement... Quand on réorganise une trésorerie, quand on optimise la centralisation de trésorerie, la première chose qu'on recommande, c'est de mettre en place une communication bancaire. C'est-à-dire avoir accès à tous les comptes bancaires, de mettre en place un accès centralisé à tous les comptes bancaires des filiales. Parce qu'à partir du moment où on a accès à tous ces comptes bancaires, on a la vision et on sait… « Tiens, où est la trésorerie ? Dans quelle devise on est ? Dans quelle banque on est ? » Et après, on peut commencer seulement à envisager les projets de centralisation, les étapes et dans quelle direction. Les données, c'est très structurant pour un groupe, parce que du coup, on s'amène tout le monde au même niveau d'information et tout le monde parle le même langage. Et en plus, souvent, quand on commence par un projet de données, On embarque tout le monde dans justement cette compréhension du modèle qu'on est en train de regarder. Et donc voilà, après, je me suis fait penser, chez un client, on a mis en place un outil d'informatique décisionnelle, de business intelligence. Et la première chose à faire, c'était de regarder toutes les données et après c'était d'embarquer les filiales. Toutes les filiales, on a dû les former à la compréhension des données, leur expliquer aussi sous quel format il fallait présenter les éléments. Et ça, ça a été aussi co-construit avec elles. Parce que nous, au niveau siège, on arrivait en disant « bon, ça va être comme ça » . Et après, les filiales, elles disaient « ah oui, mais en fait, est-ce que tu as pensé à ce cas-là ? » ce que tu as pensé à cette façon de voir les choses. Et en fait, à la fin, ce projet a réussi parce qu'on est parti sur la donnée de départ, on a réfléchi ensemble à comment mieux la structurer, et après, ça a permis de créer des rapports qui soient parlants à la fois pour le siège et aussi à la fois pour les filades. L'intérêt justement de commencer par les données, c'est vraiment que ça embarque.

• Speaker #0

  Concrètement, est-ce que tu prends les fichiers Excel des différents services et tu les analyses ? Moi,

• Speaker #1

  ça me fait penser à... Justement, une des filiales, une des interlocuteurs qu'on avait sur ce projet-là, en fait il avait plein d'idées, le reporting comme ça, et puis je voudrais un graphique qui présente les prévisions avec toutes les contreparties et toutes les entités en même temps. Il voulait la caverne d'Ali Baba du reporting. La semaine d'après, il voulait le présenter différemment. Quand je suis arrivé sur ce projet, la première chose que j'ai fait, c'est que j'ai fait des réunions avec cette personne. On a construit une maquette. On a construit une maquette. « Ok, qu'est-ce que tu veux concrètement ? Voyons comment tu voudrais le présenter. » Cette maquette, on l'a basée sur des vraies données Excel. On n'a pas fait juste… Parce que lui, jusque-là, il pensait de manière générale, j'aimerais bien la répartition par contrepartie, ok. Mais voyons avec les vraies données qu'on a déjà, on n'a pas encore le BI, mais avec les données qu'on a dans Excel, est-ce qu'on y arrive déjà ?

• Speaker #0

  Oui, ça c'est hyper intéressant parce que, j'ai reçu d'autres invités où on a parlé de ces sujets-là. Une des forces d'un bon consultant BI, en tout cas d'un pro, c'est de partir de la maquette avec les données du client. Les vraies données. Le besoin, c'est encore une fois une des bases. Et effectivement, on ne peut pas faire l'impasse sur ça. Voilà, en tout cas, ça c'est un piège à éviter, de partir de quelque chose qui est trop vaste, trop large. Quand on se met sur la planche ensemble avec le client et qu'on se dit, faisons une maquette, partons de quelque chose de simple, c'est plus facile d'avancer et d'évoluer.

• Speaker #1

  Et moi, ce qui m'a marqué sur cet exemple, c'est que... Le client, avant qu'on fasse la maquette, il disait « l'outil, franchement, il est nul. Je demande des choses, ils n'arrivent même pas à le produire. » En fait, pour lui, il pensait qu'il avait donné le besoin et que c'était la faute des autres. Et quand on a fait cette maquette, du coup, déjà, il a réalisé que oui, ce n'est pas si facile que ça, qu'aller dans les données, de produire les chiffres, ce n'est pas aussi facile. Et à la fin, après, il était convaincu. Il était convaincu, ah oui, c'est l'outil qu'il nous faut. Ah d'accord, ce n'est pas eux qui sont nuls, c'est juste que c'était l'expression de besoin qui n'était pas parfaitement cadrée. Et donc, au final, d'avoir travaillé sur ces données, ça a permis de l'intégrer beaucoup plus concrètement dans le projet et derrière, d'avoir sa satisfaction sur le projet.

• Speaker #0

  Ça, c'est hyper intéressant. Aujourd'hui, on ne peut pas parler de data sans parler d'IA. Je sais que c'est un sujet aussi qui t'intéresse beaucoup. Concrètement, comment tu utilises l'IA dans ton quotidien ?

• Speaker #1

  Alors, l'IA, bon, forcément, moi j'adore. Et il y a plusieurs cas d'usage pour moi. Le premier, c'est vraiment, ça stimule ma réflexion. C'est-à-dire que, voilà, quand je n'ai pas de… Voilà, j'ai toujours des idées, j'ai toujours des idées structurées. structuration, mais des fois je me dis bon est-ce que je manque pas, est-ce qu'il n'y a pas quelque chose qui manque et donc je soumets à l'IA et en fait je complète. Il y a toujours des choses auxquelles j'ai pas pensé. En plus ce qui est bien aussi dans l'IA c'est que assez naturellement ça structure les idées. Des fois on a plein d'idées mais on se rend pas compte qu'il y a certaines idées qui sont très proches. En fait l'IA quand elle te répond directement elle t'a tout structuré par grandes catégories. Et en fait, tu te dis, ah ouais, en fait, elle n'a pas tort, c'est complètement lié. Et puis, sur le sujet des données, c'est aussi intéressant en tant qu'analyste de données. En fait, on peut lui soumettre, moi ça m'arrive, je lui donne des fichiers Excel, et je lui dis, donne-moi, analyse-moi ce fichier et sors-moi une analyse. Alors, je l'oriente un peu. Si c'est sur les financements, les placements, donne-moi une analyse des placements. Et en fait, elle va dire… En général, elle est très, très bonne. Elle est vraiment précise sur le sujet.

• Speaker #0

  Les bons fichiers, parce que des fois, quand les fichiers sont moyens, c'est un principe, c'est toujours, comme disent les Américains, shit in, shit out. Si on a des données de mauvaise qualité en entrée, c'est difficile de produire des choses.

• Speaker #1

  Et encore, parce que l'IA, même des fois, on lui donne vraiment des trucs mauvais, elle est capable d'inférer que ça, c'est mal écrit, mais ça doit être ça. Parce qu'en fait, l'IA, ce qu'il faut comprendre, c'est que le modèle d'IA, c'est probabilistique. Oui,

• Speaker #0

  c'est probabilistique.

• Speaker #1

  Même quand les données sont mauvaises. l'IA arrive à se dire « Ah, mais en fait, là, c'est probablement pas ça qui est la réalité, donc c'est probablement ça. » Donc, il regarde la majeure partie des cas, en général, c'est ça, donc c'est probablement ça. Et donc, même des fois, quand on écrit n'importe quoi, l'IA est capable de nous sortir quelque chose d'excellent.

• Speaker #0

  Oui, parce que ça reste sur le domaine de la probabilité.

• Speaker #1

  C'est-à-dire que, alors, c'est vrai qu'il faut lui faire des requêtes qui soient précises. Et qui soit précisé.

• Speaker #0

  En tout cas, en termes de réflexion, parce que moi, dans mon expérience, je m'amusais souvent, et il y a peut-être… Bon, là, maintenant, l'IA commence à être là depuis un petit moment. Il y a peut-être un an encore. Des fois, quand je donnais des rapports Excel à analyser à l'IA, bon, des fois, ça calculait des stats. Bon, c'était très joli, ce que ça me donnait. Une fois d'ailleurs, l'erreur que ça a fait, enfin, Produit Alia, ça me donnait un chiffre qui me paraissait très plausible, etc. Que je partage avec un collègue, et puis mon collègue, il va vérifier. Effectivement, c'était un mauvais calcul. Il y a, c'était basé que sur une partie des données que je lui avais fournies. Bon, ça m'a vacciné. Donc, effectivement, j'ai eu les réflexes de ne plus forcément faire confiance de manière à deux. Mais en termes de réflexion, c'est sûr que... c'est quelque chose qui enrichit la réflexion. Mais pour moi, aujourd'hui, on ne peut pas faire l'économie de la réflexion et de l'expertise. Donc, il y a toujours besoin du regard, je connais quand même le métier, juste me dire, c'est bon, ça va le faire, je fais des pincettes encore.

• Speaker #1

  Effectivement, je pense que de penser que c'est un clic-bouton, je pense que c'est une erreur. L'IA n'est pas un clic-bouton. Moi, Par analogie, l'IA, je le vois comme un junior, un sagère même, un sagère très intelligent, mais du coup, qui n'a aucune expérience. Du coup, il est capable d'aller très vite pour récupérer des sources, des infos partout. Mais après, comme il n'a pas trop d'expérience, il n'est pas capable de hiérarchiser les éléments ou de voir là où il y a des erreurs.

• Speaker #0

  Là où c'est pertinent.

• Speaker #1

  Là où c'est pertinent. Donc, à partir du moment où on voit l'IA comme un sagère, effectivement, est-ce que le sagère tu lui demandes de te faire un rapport, est-ce que tu le donnes à ton patron sans relire le rapport ? Non, tu vas relire le rapport en détail et après tu vas le donner à ton patron. L'IA c'est pareil, l'IA, ok, elle te fait un truc, ça t'a vachement aidé, il y a déjà un rapport de prêt, mais tu le relis, tu le relis, tu contrôles les données. Nous en expertise comptable, je sors un peu de la trésorerie, mais en expertise comptable, tout ce qui est légal, réglementaire, bien sûr qu'on se sert de l'IA. Mais bien sûr qu'on vérifie tous les textes qu'elle nous dit. Parce que c'est le contrôle de la donnée, le contrôle de l'information qui est donnée par l'IA, et on ne peut pas y couper. Pour moi, c'est un outil de simulation, mais ce n'est pas un outil de production définitive.

• Speaker #0

  Bien sûr. Pour toi, quel serait le prochain grand défi en matière… En matière de data, dans le domaine de la trésorerie d'entreprise, peut-être plus dans le domaine pour élargir dans l'entreprise, comment tu perçois ça ? Puisque comme expert comptable, tu as un regard d'entreprise très transversal, c'est quelque chose qui caractérise le rôle. Comment vois-tu les défis autour de la data pour ces prochaines années ?

• Speaker #1

  En fait, alors... Sur la trésorerie, la première chose qui me vient, mais après on peut l'étendre, c'est les prévisions de trésorerie. C'est-à-dire que l'IA, en fait, là, ça va nous aider à aller encore plus loin. Parce que très souvent, ce qui pâtit dans les reporting de trésorerie et même dans les analyses de trésorerie, c'est qu'on analyse le passé, c'est-à-dire on sait de quoi on est mort, mais par contre, on ne sait pas du tout… ce qui va arriver. Et c'est pour ça qu'on fait des prévisions de trésorerie. Et souvent, ce que je vois chez les clients, c'est que ce n'est pas très précis, ce n'est pas très en ligne avec la réalité.

• Speaker #0

  Et donc l'IA pour ça c'est génial parce qu'on va pouvoir commencer à faire des analyses qui extrapolent le passé, qui en même temps prend des événements externes d'actualité, qui en même temps prend le budget, qui consolide toutes sortes de sources, et donc qu'on va contrôler, mais qui va déjà nous faire des propositions. Dans ta prévision tu pourrais prendre tel élément, tu pourrais intégrer… telle chose, est-ce que tu as pensé à tel refinancement qui va arriver ? Et ça, donc si je l'élargis donc au delà de la trésorerie, en fait l'IA, c'est... on va aller vachement loin dans le prédictif, c'est-à-dire maintenant, même l'IA te propose de la prédiction, c'est-à-dire que tu poses une question, elle te répond voilà la réponse et après moi dans Copilot, j'ai trois boutons en dessous Est-ce que tu voudrais que j'étende tel sujet, tel sujet ou tel autre sujet ? Donc en fait, elle prédit déjà ce que tu vas demander par la suite. Et en fait, ça va être ça pour tout après. C'est-à-dire que tout ce qu'on va faire, on aura à chaque fois des propositions. Bon, là, tu viens de baisser la température, est-ce que tu penses aussi qu'il faudrait fermer les rideaux ? En fait, elle va anticiper tous nos comportements.

• Speaker #1

  Ça, on l'a vu, on a des clients qui ont du coup fait une BI. qui est très bien structuré, et qui, on peut grâce à ça aller plus loin, puisqu'ils ont les données agrégées, qu'il y a une seule source de la vérité, que ça c'est fiable, en fait on peut se baser dessus, pour faire tourner des modèles d'IA, notamment prédictives, alors là, ce n'est pas forcément de l'IA générative, qui effectivement peut faciliter la requête de ça, mais c'est encore, c'est de l'IA qui est plus ancienne, mais qui a fait ses preuves. en appliquant par exemple, je pense au secteur de la logistique, on a un peu les prévisions météo, du coup il y aura moins de transport de fruits et légumes, parce que les récoltes vont être moins bonnes, et que le modèle météo a été connecté aux données de l'entreprise. Il y a plein de cas qu'on peut imaginer, donc effectivement c'est très intéressant ce point de vue. est-ce qu'il y a d'autres... Sujet ou une question que tu aurais souhaité que je te pose ? J'aime toujours poser cette question à mes invités.

• Speaker #0

  D'autres ? Non. Qu'est-ce qu'on te répond en général à ça ?

• Speaker #1

  Des fois, c'est juste un partage, un peu une vision.

• Speaker #0

  Non, si on reste sur le sujet de l'IA, en fait, moi, je trouve ça fascinant comme... L'époque où on vit, ça fait peur parce que ça va de plus en plus vite. Mais en fait, moi, ce que je vois, c'est que finalement, on se rapproche de plus en plus. C'est-à-dire qu'avant, on s'envoyait des lettres, on les recevait une semaine après. Après, il y a eu Internet où finalement, on a commencé à se parler en instantané. Bon, il y a eu le téléphone, etc. Mais après, on a eu Wikipédia où là, avec le téléphone, enfin, on a eu Internet sur les téléphones avec Wikipédia. Donc, on avait l'information directe. Maintenant, l'IA, en fait, on n'a même plus besoin de faire des recherches sur Google. On pose la question, on a la réponse immédiatement. Et après, prochainement, ça sera… En fait, on sera tous branchés finalement à l'IA. Il ne faut pas se leurrer, ça va arriver. Et donc, on aura tous les infos directement. Donc oui, ça va vite, mais en même temps, ça nous rapproche de plus en plus. Voilà, à chaque fois, c'est… C'est cette information qui… Du coup, nous par exemple, on s'est rencontrés via LinkedIn. C'est parce qu'au fur et à mesure, il y a des outils qui se mettent en place qui nous rapprochent de plus en plus.

• Speaker #1

  Oui, ça c'est une vision, on va dire… Idéaliste. Idéaliste où ça se passe bien. Effectivement, encore une fois, je pense que la technologie c'est neutre en soi. La technologie est comme tout outil. L'exemple typique de ça, c'est l'exemple du couteau. On peut l'utiliser pour faire plein de trucs bien, mais aussi on peut l'utiliser pour faire plein de choses pas bien.

• Speaker #0

  Ça, c'est toutes les technologies.

• Speaker #1

  Ça dépend de la main qui tient la chose. Donc effectivement, la question de l'intention, vers où on veut aller, et qu'est-ce qu'on veut faire avec cet outil, est importante. Et ça, je pense que... Il n'y a pas d'outil qui peut choisir un autre place et croire qu'on peut déléguer notre conscience à un outil. Ça, c'est se mettre de la poudre dans les yeux. Ça ne marchera pas. L'outil en lui-même est toujours plus ou moins neutre, même si avec l'IA, on peut aussi se poser la question de la neutralité, puisque en fonction des données sur lesquelles le modèle a été entraîné, il va avoir les biais du modèle. On le sait bien, aujourd'hui... J'avais lu un article assez rigolo là-dessus, on voit bien que les IA, en fait, dans des contextes un petit peu plus, on va dire, où il y avait possibilité d'avoir des ségrégations, etc., les contextes allaient plutôt favoriser un certain nombre de types de populations, etc., parce que tout simplement la littérature sur laquelle ils ont été entraînés était biaisée par rapport à tel profil de personne ou à tel autre profil. Donc il faut aussi faire attention avec ce qu'on utilise. Puis le truc le plus con, aujourd'hui on a des IA qui remplacent le contact au téléphone par exemple. Peut-être que pour les demandes très basiques ça passe, mais dès qu'on sort un peu du cadre du set d'entraînement de la technologie, ça ne peut plus... Donc effectivement l'IA est loin de nous remplacer, je ne crois pas, mais par contre effectivement comme outil qui va nous permettre de... d'alléger un peu la pénibilité de certaines choses, de pouvoir être plus efficace, de se concentrer peut-être sur des choses qui sont plus intéressantes, plus stimulantes. Oui, là, effectivement, je le partage tout à fait. C'est quelque chose qui est à la portée aujourd'hui au vu des technologies dont on dispose.

• Speaker #0

  Pour moi, c'est un outil, l'IA. C'est au même titre que le Silex qu'on avait il y a... des millions d'années et puis aujourd'hui on a l'IA, c'est un outil de plus en fait, encore plus perfectionné. Mais au final, ça nous rapproche en fait. Au final, on communique plus rapidement. Moi par exemple, je pense à mes clients, avant, ils m'appelaient, ils ne comprenaient pas les sujets. Et puis, je devais leur expliquer. Ils étaient un peu perdus. Maintenant, avant de m'appeler, ils vont sur l'IA, ils posent la question, l'IA leur fait une réponse. Donc déjà, ils se forment. Et donc, quand ils m'appellent, c'est vachement plus simple. La relation est beaucoup plus facile parce qu'ils comprennent déjà de quoi je leur parle. Et du coup, ils sont beaucoup plus précis dans leurs questions. Et tu as créé une relation de confiance parce qu'eux, ils ont déjà un vernis. Donc, ils n'ont pas l'impression que c'est le grand expert. qui leur crèche la bonne parole. Et en plus, comme ils voient que moi, je les guide, parce que dans cet ensemble de choses que Lya leur a donné, ils ne sont pas capables, eux, comme justement, ils sont un peu comme le sagère, ils n'ont pas l'expérience du sujet. Donc, ils ne sont pas capables de savoir ce qui est vrai, ce qui est faux, ce qui est important, ce qui n'est pas. Et donc après, moi, je les guide là-dedans, ben oui, par rapport à ce que tu as compris. Alors, ils ne me le disent pas forcément qu'ils ont regardé Lya, mais je me doute. Du coup, par rapport aux questions qu'ils me posent, je les réponds.

• Speaker #1

  Depuis qu'il y a l'IA, les clients posent des questions plus intelligentes.

• Speaker #0

  Non, mais c'est vrai, c'est vrai et c'est bien. Moi, je trouve ça super. C'est super parce que ça nous met… C'est une relation plus équilibrée, en fait. Voilà, moi, je suis là pour les guider et eux, ils se sentent moins « cons » de poser des questions parce que toutes les questions où ils n'osaient pas, en fait, ils les ont posées à l'IA.

• Speaker #1

  Ça, c'est vraiment génial parce qu'effectivement… en termes d'apprentissage, c'est un outil qui donne beaucoup d'autonomie quand on est dans un contexte d'apprentissage. Effectivement, c'est pour ça que je me dis, j'ai des amis qui ont des enfants qui ont peur, ah ça y est, nos enfants… Mais non, le cerveau humain est tellement incroyable dans sa capacité à s'adapter qu'en fait, ils vont juste apprendre différemment. Alors effectivement, il y a peut-être des choses avec lesquelles il faut faire attention, notamment quand on a un public qui n'est pas mature. Mais bon, en général, quand il y a un minimum de discernement et de compréhension de qu'est-ce que ça peut faire et qu'est-ce que ça ne peut pas faire, c'est quand même un outil qui est formidable. Et encore une fois, comme tous les outils, ce n'est pas la panacée et il faut vivre avec son temps. En tout cas, merci beaucoup pour cet échange, Thomas. J'espère que nos auditeurs prendront autant de plaisir à écouter notre échange. Et à bientôt.