« Je crois beaucoup aux vertus de l’open data »

Absolument. D’où l’importance de la communication au sein des équipes pour partager plus rapidement les solutions.
Quand on conçoit cela, il n’y a pas d’innovation fulgurante à escompter… L’outil va continuer à progresser lentement comme à l’accoutumé.

Je crois plus à des innovations sur le partage et la communication qui permettent de répondre et d’accompagner le chef d’entreprise plus efficacement.

Les frottements dont vous parlez, c’est sans doute l’accès immédiate du client à son information comptable et financière. Ce que l’on nomme le data easy commodity. Ça a beaucoup progressé me semble-t-il. Puisque ça peut se mettre en place d’un claquement de doigts : il suffit d’API³ et de la bonne volonté des éditeurs.
Après, pour la comptabilité en temps réel, cela dépend toujours de la transmission des pièces par le client, même s’il y a une automatisation plus importante avec la possibilité d’aller chercher les factures systématiquement chez certains fournisseurs.

Prédire, c’est s’engager. Personne n’est vraiment à l’aise avec ça.

Mais, il est vrai que l’IA peut faire ressortir des probabilités d’évènements.

Plus naturellement dans le conseil non financier, dans la gestion, notamment celle du stock. On sait par exemple, qu’en fonction de certaines données, on est capable de prédire sur une machine l’usure d’une pièce, le moment où il faut la changer pour ne pas perdre en production. On pourrait donc imaginer que l’expert-comptable rende ce type de service à ses clients.

Cela demande une spécialisation sectorielle, mais également, une mutualisation entre cabinets, pour partager les expériences et amortir les coûts.

Les plus ambitieux le feront.

Pour ce faire, la profession possède de nombreuses données. C’est précieux. Mais le véritable enjeu est de les connecter entre elles ou de les croiser avec d’autres.

En somme, il faut les transformer et les enrichir pour pouvoir apporter un meilleur service.

Tout d’abord, je voulais juste préciser que j’ai exercé dans un cabinet aux US, là où aucune prérogative d’exercice n’existe. Cela n’empêche pas le CPA d’être très présent et reconnu sur le marché. Toutes les banques demandent des comptes revus par un CPA.
Ensuite, ce qu’il faut bien comprendre c’est la différence de logique entre l’IA et l’exercice du métier. Un algorithme, même si l’objectif est de réduire au maximum sa marge d’erreur, n’est pas fiable à 100 %. Si c’est par exemple 98 %, le 2 % d’erreurs peut avoir des conséquences immenses. Le professionnel, lui, maîtrise ses risques et ne laissent pas passer les erreurs aux conséquences les plus importantes.
Ce qu’il advient toutefois dans le cadre de l’établissement des comptes, c’est qu’une IA fait, au fur et à mesure de son évolution une part de plus en plus importante du travail mais que derrière un humain passe pour contrôler ce travail, détecter les erreurs et valider.

Il faut avouer que l’algorithme, on ne le maîtrise pas totalement. En machine learning, ils sont publiés en open data.
Mais il n’y a aucune garantie sur le résultat. Ce n’est que de manière empirique, en contrôlant les résultats, que l’on parvient à savoir ce qui se passe à l’intérieur et à le corriger, le cas échéant.
Donc, le problème, bien avant l’éthique du programmeur, c’est celui de la transparence. Car un programmeur peut être tout à fait éthique mais ne pas savoir comment fonctionnera l’algorithme apprenant qu’il a créé.
Le seul moyen de vérifier un algorithme consiste à le faire fonctionner sur de nouvelles données qu’il n’a jamais vu. Dès lors, on compte le nombre de fois où il se trompe. On mesure mais on ne démontre rien.
Pour aller plus loin dans l’explication, on peut prendre le parti de classer les algorithmes schématiquement en deux catégories. Il en existe de très sophistiqués, que l’on peut qualifier de black box. Si potentiellement ils donnent de meilleurs résultats, on ne sait pas dire ce qui se passe à l’intérieur. Et on peut vite dériver vers la bêtise.
Il existe également des algorithmes plus simples, plus linéaires. Ils seront certes un peu moins performants, mais au moins on est capable d’expliquer le cheminement et la raison pour laquelle on arrive au résultat.
Par exemple, il y a peu de temps, en matière judiciaire, une analyse a été menée sur des décisions en matière de licenciement de salariés du privé pour déterminer les juridictions les plus souples et les plus sévères. Ce qui a abouti à faire ressortir une cour administrative d’appel dont la compétence en la matière est réduite aux salariés protégés. Autant dire que le résultat a été passablement critiqué.

Tout ça signifie qu’il faudra toujours la présence d’humains pour choisir le modèle interprétable, documenter la création de l’algorithme et contrôler le résultat.

Il faut bien comprendre que le machine learning travaille sur des corrélations et non sur des causalités. Il faut réintroduire de la causalité avec des êtres humains si on ne veut pas aboutir à des catastrophes.
Il y a également la question des biais dans les données. Par exemple, dans les décisions de justice, il en y a beaucoup qui proviennent de Corse car les cours y sont très ouvertes et communiquent la quasi-totalité de leurs décisions. Dès lors, est-ce que cette sur représentation géographique ne comporte pas un biais ? Il faudrait pondérer.
Mais comment s’assurer que les jeux de données sont correctement calibrés ?

Je crois beaucoup aux vertus de l’open data⁴.

Car lorsque vous mettez à disposition vos données, à condition bien sûr que cela soit juridiquement possible, cela permet à des start-up de s’y greffer et de développer des solutions innovantes à l’usage de la profession.
Pour ma part, dans le cadre de mon activité, j’utilise notamment la jurisprudence que la cour de cassation met en ligne en open data. Je dois dire que c’est remarquablement bien fait et exemplaire. On ne peut pas en dire autant par exemple du parlement.
L’open data demande de la documentation et de la propreté.
Regardez également les GAFA : ils font de l’open data. Certes, pas sur ce qui est déterminant, c’est-à-dire le search pour Google par exemple. C’est certainement Criteo qui joue le plus le jeu de ce point de vue.
Dans le monde du droit, il y a l’association open law qui regroupe les principaux éditeurs (ELS, WK, Lexis Nexis…) la cour de cassation, le conseil d’Etat, la CNIL. Sur les différents projets en cours, dont certains en machine learning, le travail est divisé et réalisé par les différents acteurs. Et nous ouvrons toutes ces données. Il y a de nombreuses start-up qui les utilisent pour créer de nouveaux produits qui nous serviront ensuite ainsi qu’à l’ensemble des professions du droit.

Si on veut faire avancer les choses, c’est très important d’avoir cette zone, ce terrain neutre où tout le monde peut se parler.

Quand bien même certains seraient concurrents.
Il y a ensuite des conférences, des articles, de l’économie… ça génère de l’intérêt.

D’abord, il faut être bien sûr que l’anonymisation tienne la route. Il peut être facile d’identifier des données même anonymisées.
Si cela est donc possible, il pourrait être intéressant d’ouvrir l’accès des données agrégées aux professionnels ou à des accounting tech autorisées par la profession après avoir indiqué l’objectif de l’utilisation.
C’est tout l’intérêt de faire travailler des start-uper qui rêvent de créer le produit magique et rentable. En laissant libre court à la créativité, le résultat est souvent bien meilleur comparé à celui d’un intervenant travaillant dans le cadre d’une commande précise et dont le montant des honoraires est prédéfini. Et quand bien même des projets ne seraient pas rentables, d’autres viendront ensuite pour reprendre et améliorer le bout de chemin déjà accompli. En laissant faire le marché, on en tire toujours profit indirectement. C’est un peu la nouvelle façon de penser et de faire.
Pourquoi Google donne-t-il son algorithme ? Tout simplement parce qu’il en tire avantage indirectement. En matière de recrutement notamment : ceux qu’il embauche ont moins besoin d’être formés et sont immédiatement efficaces.