« La capacité de discernement aura de plus en plus de valeur »

Plutôt que de palier, je parlerais plus volontiers de point d’inflexion. En d’autres termes, plus qu’un basculement, nous sommes confrontés à une forte accélération.

Il y a 40 ans, il s’agissait de passer d’une saisie mécanique à une saisie digitalisée des pièces comptables. Aujourd’hui, il s’agit de passer d’une saisie digitalisée à plus de saisie du tout !

On a passé un cap il y a une vingtaine d’années avec « l’OCRisation » qui permet de traduire une image (une facture papier) en caractères compréhensibles par la machine. Désormais on est capable d’aller beaucoup plus loin en passant une écriture directement dans la comptabilité à partir d’un document papier. Le tout sans intervention humaine aussi bien sur la saisie que sur le contrôle et ce, grâce à l’évolution des machines apprenantes et des moteurs de règle. D’une certaine manière, avec l’évolution du machine learning, le contrôle sera, à termes, plus abouti qu’avec un collaborateur.

Compte tenu du nombre de collaborateurs employés à cette tâche de saisie et de contrôle, l’impact sur l’emploi pourrait être considérable. Ce qui interroge sur les nouvelles fonctions qui pourraient leur être confiées.

Par ailleurs, les clients seront de mieux en mieux informés de cette automatisation, ce qui créera une tension accrue sur les prix. Avec la nécessité de trouver un nouvel équilibre soit par une baisse des tarifs, soit par un surplus de service.

Il y a un positionnement aujourd’hui loin des pratiques de la profession qui reviendrait à se comporter comme une compagnie d’assurance de conformité s’appuyant sur un fond de garantie, le prix étant une forme de prime d’assurance, peu important le degré d’intervention dans l’établissement des comptes. Mais dans ce cas-là, une compagnie d’assurance pourrait tout aussi bien investir dans l’IA et proposer la même garantie.

Nous travaillons sur plusieurs sujets : la capture, l’interprétation des caractères et l’interprétation complète jusqu’à l’écriture.

Nous opérons cette capture à tous les niveaux et notamment auprès des banques. Pour ce faire, nous nous appuyons sur des partenaires spécialisés qui maîtrisent parfaitement ces processus. Mais nous savons que les banques elles-mêmes travaillent sur un nouveau format. On observe donc cette évolution pour déterminer qui sera à l’avenir notre partenaire pour la récupération des données bancaires.

S’agissant de transformer les documents papiers – les factures principalement – en caractère puis les interpréter, là également, plutôt que de récréer de la technologie déjà existante nous avons des partenariats avec des prestataires spécialisés dans ce type d’opération.

Enfin arrive la facture PDF. A l’instar du scraping bancaire, il existe le scraping pour les grands fournisseurs. Dans ce domaine, nous travaillons avec une start-up, dont le métier est de récupérer les factures PDF. En disposant des login et mot de passe de l’entreprise, il est possible d’aller chercher ces factures et de les rapatrier sur une box afin de travailler à partir de cette matière. Puisqu’il s’agit d’une facture PDF que l’on peut qualifier de « pauvre », nous la traitons comme une facture papier.

Ce qui est en train d’arriver, c’est la « facture X », autrement dit un PDF « riche » qui ajoute à la photographie, toutes les informations accessibles.

Enfin, survient le machine learning, qui permet, soit à partir de la facture PDF, soit de la facture X, de construire l’information comptable et de gestion.

S’agissant de l’information comptable, c’est-à-dire les lignes d’écritures générées à partir d’une facture, cette technologie doit nous permettre de raffiner le traitement. Prenons l’exemple d’une facture fournisseur de bureautique : on doit être capable de distinguer l’achat d’un PC de consommables pour affecter les montants aux comptes correspondants.

C’est à ce stade que nous développons notre propre technologie notamment par l’acquisition récente de Loop qui a investi sur un moteur d’intelligence artificielle qui mixe les moteurs de règles à du machine learning.

Plus précisément, le moteur de règle est assez classique. Il consiste, par exemple, à poser comme règle : « si un montant figure à tel endroit de la facture, il est HT ».

Le machine learning permet d’aller plus loin : en fonction des interprétations issues du moteur de règle, on corrige celles qui ne sont pas bonnes, et ainsi la machine apprend à partir de là de nouvelles règles et affine ses interprétations.

Avec l’OCRisation et les moteurs de règles on est capable d’interpréter 80 % des documents mais… seulement partiellement, ce qui nécessite l’intervention d’un collaborateur pour compléter et générer l’écriture comptable.

Avec la technologie de Loop, on parvient à 70 % des documents totalement traités c’est-à-dire avec une écriture générée. Par contre, pour les 30 % non interprétés totalement, on n’a pratiquement rien.

C’est pour cela que nous sommes en train de coupler les deux technologies, avec pour objectif de traiter 90 % des documents totalement et 10 % partiellement, nécessitant l’intervention d’un collaborateur.

Mais, au-delà de la seule écriture comptable, ce qui nous intéresse désormais, c’est le corps de la facture afin d’en extirper toutes les données pour faire ressortir des informations très utiles pour l’entreprise.

Prenons par exemple le secteur de la boulangerie : en analysant ainsi toutes leurs factures, on pourrait constituer une énorme base de données pour savoir à quel prix sont achetés les farines, les levains etc. On aurait ainsi une vue globale du poste fournisseur.

Notre métier, c’est de digitaliser l’information et de lui donner de l’ordre, pour permettre à ceux qui utilisent nos logiciels et en particulier aux experts-comptables, de fournir du conseil.

Ce type d’informations ordonnées, permettra de conseiller le chef d’entreprise sur ses achats, l’aider à challenger ses fournisseurs en fonction des données moyennes relevées dans la région… Mais aussi, de se projeter. Si notre boulanger s’interroge pour passer au bio, son expert-comptable pourrait ainsi tracer l’évolution de son modèle de coût.

Ça nous semble vraiment intéressant pour les cabinets dans un contexte d’interrogation sur leur positionnement.

Certes IBM délivre du conseil mais sur des implémentations très liées à leur technologie. Le conseil que nous pourrions délivrer serait donc, comme aujourd’hui, sur l’utilisation de nos outils.

Par contre nous ne sommes pas légitimes pour délivrer des conseils influant le business d’une entreprise. On ne prendra pas ce genre de risque que d’autres professionnels sont légitimes à prendre par construction, compte tenu de leur formation, de leur expérience et de leur certification. On prend déjà assez de risque à construire nos solutions ! C’est, me semble-t-il, une posture qui est d’ailleurs assez partagée par les autres acteurs.

On va sortir un petit chatbot en début d’année pour que les salariés puissent poser, en langage naturel, leurs questions sur le prélèvement à la source (ChatBOT PAS).

Ce sera quelque chose d’assez simple. Il permettra, par exemple, d’expliquer le calcul du taux de prélèvement. Et dès que cela deviendra plus complexe, nous renvoyons vers www.impots.gouv.fr.

Il sera accessible à ceux qui auront acquis le package de passage au PAS, qu’il s’agisse d’une entreprise ou d’un cabinet d’expertise-comptable pour ses clients. L’idée est d’éviter de saturer les services en répondant aux questions les plus simples. Les cabinets pourront ainsi se concentrer sur les questions les plus complexes.

Naturellement, la technologie pourra être réutilisée. Mais nous sommes assez circonspects sur la possibilité d’un chatbot universel, qui s’avère très difficile à construire. On est aujourd’hui sur du chatbot contextuel comme celui sur le prélèvement à la source. Il y aura surement des bifurcations. L’une avec les directions des ressources humaines et l’autre avec le service social des cabinets pour les délester d’un certain nombre de questions basiques.

On peut imaginer également un mécanisme d’escalade. Si la question est simple, on donne la réponse. Si elle ne l’est pas on remonte une question un peu plus claire auprès du collaborateur. On bascule alors du chatbot au chat traité par le collaborateur.

C’est en test sur le prélèvement à la source et c’est « sur plan » pour une utilisation plus large.

Ce qu’on gardera coté Cegid, c’est le paramétrage technique du chatbot car il s’agit de mécanismes de machine learning complexes et de compréhension du langage naturel.

Pour bien comprendre, prenons un exemple sur le PAS : si la question d’un salarié comporte l’information : « je suis marié ». Il faut que la machine soit capable d’interpréter « je suis marié, donc je bénéficie de deux parts et donc quel est l’impact pour le prélèvement à la source ?». Dès lors, il faut pouvoir poser une nouvelle question pour vérifier qu’on est sur la bonne problématique. Ensuite c’est le mécanisme d’apprentissage machine qui permettra de savoir qualifier la question pour les prochaines fois. Pour parvenir à un résultat intéressant, cela demande beaucoup de temps et d’investissements qu’un cabinet ne pourra pas exposer seul, mais que nous sommes capables de faire sur un grand nombre.

En revanche, ce que le cabinet aura à faire, c’est d’organiser la bascule du chatbot en chat pour être en mesure de traiter les questions les plus complexes en temps réel ou en un temps différé. Des questions mieux qualifiées par l’assistant virtuel.

En temps différé, ce peut être par l’intermédiaire d’un tableau de bord mis à disposition d’un collaborateur, dans son environnement de travail classique. Et pourquoi pas également lui donner la possibilité de répondre avec des documents, des liens etc.

Pour cela, il faut d’abord pouvoir concentrer l’information pour pouvoir ensuite gérer les priorités.

Car dans un premier temps, ce qui nuit à la concentration d’un collaborateur, c’est que l’information soit mutli-canal : une partie sur les mails, une autre sur ses sms, sur un chat etc. Il faut donc un centre de message qui aspire tout et qui classe intelligemment, c’est-à-dire qui soit capable d’affecter l’information à un dossier notamment. Ce n’est pas de l’IA mais de l’informatique classique.

Dans un second temps, la technologie machine learning peut s’avérer d’un grand secours. Il s’agit d’apprendre avec le collaborateur à distinguer ce qui est prioritaire de ce qui ne l’est pas. On peut bien sûr unilatéralement et a priori établir quelques hypothèses : s’il y a le mot « urgent », ou « DSN » alors qu’on est à J-1 de l’échéance, on peut considérer que c’est prioritaire. D’autant qu’on peut ensuite vérifier auprès du collaborateur s’il s’agit réellement d’une priorité et ainsi faire en sorte que la machine apprenne. Et ainsi de construire sa table des priorités. Pour être honnête avec vous, ce n’est qu’à l’état de projet.

C’est un sujet important car nous avons de nombreux projets de ce type et nous devons nous concentrer sur quelques-uns donc faire des arbitrages. Pour faire ces choix, nous nous appuyons sur notre club utilisateur Aprimex, pour creuser et voir ce qui peut avoir du sens. Dans notre jargon, cela revient à construire un « proof of concept (POC) ». Ensuite, on le teste avec nos clients qui peuvent être des tout petits cabinets, des moyens ou des plus gros, ce qui nous permet de cerner les centres d’intérêt par type de cabinet.

Aprimex présente l’avantage de réunir les cabinets, souvent de moyenne taille, qui sont confrontés de la manière la plus vive à l’accélération digitale. Ils n’ont pas un œil neuf sur l’exercice puisqu’ils existent depuis longtemps et ils n’ont pas nécessairement l’infrastructure de transformation comme les très gros. Ce qui créé une tension sur la maîtrise de cette vitesse, sur le questionnement relatif à la disruption, sur les phénomènes difficiles à accepter… C’est donc particulièrement enrichissant de les entendre pour mieux les accompagner.

L’ADN d’acteurs comme IBM ou Microsoft est de travailler avec des acteurs transformateurs de leur technologie, comme nous le sommes, pour développer des capacités à servir leurs clients. En somme, ils s’adressent directement à des acteurs du CAC 40 et pour le reste ils vont voir des intégrateurs et des éditeurs pour voir comment ils peuvent utiliser leur technologie.

Et c’est d’ailleurs ce que nous pratiquons. Il faut bien comprendre que nous n’avons aucun intérêt à réinventer l’IA mais plutôt utiliser le meilleur de ce qui existe déjà qu’il s’agisse de startups ou de plus gros acteurs du marché.

Autrement dit, si nous écrivons toujours des programmes, de plus en plus nous assemblons des technologies au service de la production de valeur pour un client.

Nous travaillons historiquement avec IBM et Microsoft sur notre approche du cloud et désormais nous explorons avec eux sur l’IA. C’est souvent plus souple avec Microsoft qui s’est créé un écosystème de startups alors qu’IBM est plus calibré pour répondre aux systèmes des grandes entreprises.

Pour revenir à votre question initiale, les acteurs qu’on peut le plus craindre ce sont Google et Amazon. Car il est difficile de construire une entreprise durable uniquement sur un moteur de recherche et la publicité associée. Amazon présente le potentiel pour créer un monopole sur le e-commerce et la logistique. Ce qui peut les amener à créer une banque, une compagnie d’assurance… Et maîtrisant les données comptables fournisseur et client, la tentation pourrait être de pousser jusqu’à maîtriser toute la chaîne jusqu’à l’établissement des comptes. Le risque n’est pas immédiat, mais sur le moyen et le long termes.

Il y a plusieurs paramètres. Le premier est que, comme tout cabinet, chaque éditeur à ses propres intérêts à défendre.

Le deuxième, est qu’un éditeur, pas plus qu’un cabinet ne créé de données. Nous participons à son traitement et à son ordonnancement.

Le véritable sujet c’est qu’un acteur comme Amazon se situe en amont, au moment de la transaction commerciale ce qui constitue un avantage en termes de traitement des pièces comptables. Si ces acteurs acquièrent la technologie pour les traiter au profit notamment de TPE-PME, l’enjeu pourrait être de fournir non seulement le e-commerce et la logistique pour livrer, mais en plus de sortir les états financiers et fiscaux et ainsi opérer une forme de désintermédiation. C’est la raison pour laquelle je ne suis pas certain que la concentration des données soit la question la plus essentielle.

La priorité, c’est de réfléchir à l’aval, c’est à dire à l’intelligence que l’on crée par le traitement des données. Ou plus exactement, à la nouvelle nature des traitements qui ressort de la science de gestion et qui représente la valeur clef de la profession. Il faut avant tout concevoir un pré-carré légitime, parce qu’il est porteur de valeur, à défendre dans 10 ans.

Le point fort de la profession, de mon point de vue, c’est que les entreprises doivent faire face à une réelle complexité en particulier dans le domaine fiscal. Et pas seulement en France. Avec les risques inhérents sur le plan de la conformité.

Pouvoir s’appuyer sur un tiers de confiance, de chair et d’os, qui par un travail en profondeur permet d’assurer la sécurité fiscale, représente une valeur.

Ma conviction, c’est que l’automatisation réduit nécessairement l’intervention humaine pour produire les comptes. Mais est-ce que cela réduit à due proportion la valeur ajoutée du professionnel comptable ? Demain, s’il y a beaucoup d’informations capturées, cela amène énormément de « bruit de fond », de fake news, de fausses tendances… Est-ce que le positionnement de la profession n’est pas celui de « détenteur du discernement » ? Un discernement qui aura de plus en plus de valeur, notamment vis-à-vis du système qui agrège l’information pour établir les comptes ?

Le professionnel en tant qu’expert de cette donnée financière aurait donc pour fonction de lever ou créer des doutes sur une information produite par une machine en la challengeant, en la vérifiant…

Cegid est depuis de nombreuses années un acteur du cloud et nous n’avons donc pas attendu la RGPD pour sécuriser parfaitement les données que nous étions amenés à héberger. Cela nous a amené à nous faire certifier ISO 27001 pour nos activités SaaS et donc à répondre à un cahier des charges très exigeants sur toutes nos opérations liées au SaaS. En outre, la cybercriminalité se développant sans cesse, nous investissons sans relâche pour protéger nos infrastructures d’éventuelles attaques avec les outils les plus modernes et aboutis du marché.

Maintenant, même si cela ne relève de notre responsabilité juridique, il est important que nous considérions la sécurité des données lorsqu’elles sont manipulées par nos clients utilisateurs, notamment dans le cadre du nouveau règlement pour la protection des données. Nous avons donc travaillé à des fonctions permettant à nos clients de gérer avec efficacité leurs obligations en matière de données : tenue de registres, droit à l’oubli, gestion du consentement…

Il y a une évidence aujourd’hui, plus la digitalisation croît plus la masse de données potentiellement analysable explose. Le problème n’est donc plus de présenter « joliment » la donnée dans un tableau ou un graphique, il est d’extraire la donnée pertinente, celle qui va permettre à l’expert-comptable de faire une recommandation à son client.

Pour y parvenir, il faut à la fois utiliser des technologies de Big Data permettant de lire, analyser, classer, croiser des quantités très importantes de données et des technologies d’intelligence artificielle pour rechercher des corrélations entre-elles.

C’est pour moi un champ immense d’exploration aussi bien pour la profession d’Expert-Comptable que pour nos métiers de la technologie dans les prochaines années et je suis convaincu que cela aura radicalement changé la proposition de valeur de vos métiers comme des nôtres d’ici une décennie.