Sosys crée un agent financier privé grâce à l'IA et aux données multi-sources

Sosys ( ) pionnier dans le développement d'écosystèmes d'affaires intelligents. Opérant selon un modèle B2B, la société accompagne un portefeuille de clients de taille moyenne et grande, répartis dans de multiples secteurs d'activité, qui exigent un traitement analytique de haute précision.

L'activité de Sosys repose sur la gouvernance, la conformité réglementaire et la visibilité transactionnelle. Face à un contexte macroéconomique complexe, marqué par la réforme fiscale et la nécessité de consolider les données fiscales et opérationnelles, Sosys a dû relever le défi d'adapter son offre de valeur. L'objectif principal était de passer de rapports analytiques statiques à une architecture décisionnelle prédictive et décentralisée, s'affranchissant ainsi des processus manuels et des requêtes fastidieuses aux bases de données relationnelles de ses clients.

Problème réel

Dans le modèle opérationnel traditionnel des clients de Sosys, la prise de décision critique était entravée par la latence des données générée par le cloisonnement des informations. Les variables fondamentales pour le calcul du taux d'exécution, des prévisions de trésorerie et des besoins en fonds de roulement étaient fragmentées dans de multiples environnements : bases de données relationnelles dans les systèmes ERP, journaux d'interaction dans les systèmes CRM et feuilles de calcul décentralisées.

Goulots d'étranglement opérationnels et limitations techniques

• Latence analytique excessive : la consolidation des rapports de gestion structurés reposait sur l’extraction manuelle des données et des processus de recoupement. Répondre aux questions stratégiques, comme les simulations de rupture de contrat ou l’impact d’un défaut de paiement sur la trésorerie, nécessitait plusieurs jours de traitement interne et de réunions techniques consécutives.
• Fragmentation et incohérence des schémas : l’absence d’une couche unifiée de nettoyage des données a entraîné des écarts de mesures entre les revenus enregistrés dans le CRM et le rapprochement comptable dans l’ERP.
• Risques de non-conformité et de fraude : la manipulation directe de données financières sensibles par des opérateurs humains a accru la surface d'attaque en matière de fraude et de non-conformité fiscale, violant ainsi les principes de gouvernance d'entreprise et de sécurité de l'information.
• Impact financier direct : l’incapacité à projeter des scénarios dynamiques basés sur les conditions de paiement et de recouvrement (DSO et DPO) a entraîné des allocations de capital inefficaces, générant des coûts d’opportunité et un décalage entre les flux de trésorerie projetés et réels.

Architecture de la solution

Pour pallier ces limitations, Sosys a utilisé Skyone Studio, une plateforme d'intégration intelligente et d'IA qui unifie les outils iPaaS, Lakehouse, les agents d'IA et les interfaces conversationnelles avec la BI. L'architecture mise en œuvre pour créer Nanda, le directeur financier virtuel de Sosys, a été structurée en cinq couches principales au sein du flux de traitement de Skyone Studio :

Composants et pile technologique

1. Intégration via iPaaS (Plateforme d'intégration en tant que service) : connexion asynchrone via des pipelines de données intégrant les API des systèmes ERP, CRM et des systèmes existants. Les flux automatisés assurent l'ingestion des données en temps réel et la standardisation des schémas hétérogènes.
2. Gestion des données et de la couche Lakehouse : utilisation du référentiel géré par Skyone Studio pour organiser le parcours analytique. Les données brutes (base de données brute) subissent des processus automatisés de transformation et de nettoyage (Data Cleaner 2.0) afin d’être stockées dans des vues optimisées (base de données préparée) et segmentées en data marts par client.
3. Orchestration de flux de travail par agents : implémentation d’un module autonome basé sur des modèles de langage étendus (LLM) privés. L’agent d’orchestration est capable de comprendre des objectifs textuels complexes, de planifier des séquences d’actions, de sélectionner des outils (compétences ) et d’effectuer des analyses via des invites structurées dans la base de données analytique.
4. Couche de sécurité, de gouvernance et de lutte contre la fraude : le traitement et la transmission des données s’effectuent au sein d’un écosystème protégé. Des règles de validation strictes bloquent les requêtes non autorisées et vérifient les incohérences transactionnelles avant l’envoi des données à l’interface finale.
5. Distribution multicanal omnicanale : intégration native de Skyone Studio avec la messagerie d’entreprise, rendant les fonctionnalités d’agent intelligent disponibles via WhatsApp Business, Microsoft Teams et les environnements de chat privés structurés.

Défis techniques

La conception de l'agent Nanda a nécessité d'atténuer les compromis entre l'architecture des données et l'IA générative :

• Nettoyage des données par tokenisation : les modèles de langage fonctionnent avec des contraintes de contexte strictes (1 token = 4 caractères ou 0,75 mot). Alimenter un modèle de langage avec des tables financières brutes dépasserait la fenêtre de contexte et augmenterait les coûts opérationnels. Skyone Studio a résolu ce problème en appliquant la synthèse structurée et la traduction automatique en langage naturel aux requêtes SQL (texte vers SQL) directement dans les data marts , optimisant ainsi la consommation de tokens.
• Garantie de déterminisme analytique : les modèles génératifs purs sont sujets à des hallucinations, un risque inacceptable pour les équilibres comptables. L’architecture a mis en œuvre des techniques RAG (génération augmentée par la recherche) associées à des validations croisées. L’intelligence artificielle ne répond qu’à partir de données rigoureusement structurées et validées, contenues dans le lac de données interne de la solution.
• Ségrégation des contextes de données sensibles : Afin d’empêcher les fuites de donnéesentreles différentes entreprises desservies par Sosys, le Studio a isolé logiquement les bases de connaissances dans des partitions chiffrées individuelles, en conservant des clés d’accès uniques liées à l’identifiant de chaque organisation utilisatrice.

Mise en œuvre

Le déploiement du projet s'est déroulé en quatre phases macro-structurées au sein de l'écosystème unifié Skyone:

Phase 1 : Cartographie des opérateurs système et ingestion (iPaaS)

Cartographie de toutes les sources transactionnelles clients (comptes fournisseurs, comptes clients, tables de facturation et journaux CRM). Configuration des connecteurs et bus API préconfigurés via les pipelines iPaaS de Skyone Studio, garantissant une ingestion automatisée et continue des informations.

Phase 2 : Aménagement et assainissement de la maison au bord du lac

Centralisation des données ingérées dans la couche Data Lake. Mise en œuvre de flux de transformation logique des données pour supprimer les doublons, gérer les champs nuls et convertir les chaînes de caractères en formats numériques standardisés pour l'audit financier.

Phase 3 : Ingénierie rapide et flux de travail automatisé

Développement du processus décisionnel de l'agent intelligent dans Studio. Configuration de compétences spécifiques,telles que : déclencheurs de simulation de flux de trésorerie, routines de vérification de la conformité fiscale et générateurs de requêtes optimisés pour la base de données. Intégration avec des modèles de langages logiques (LLM) sélectionnés et étalonnage des hyperparamètres de température afin d'éliminer les écarts conceptuels.

Phase 4 : Validation de la sécurité et publication omnicanale

Approbation de la couche anti-fraude intégrée. Activation des passerelles de publication multicanaux pour connecter Nanda directement aux environnements de production WhatsApp et Microsoft Teams des clients approuvés, permettant des interactions professionnelles en temps réel par audio et texte.

Résultats mesurables

La transition des opérations analytiques vers l'écosystème d'IA générative de Skyone Studio a permis d'obtenir des améliorations structurelles quantifiables :

• Temps de réponse analytique réduit : les requêtes complexes pour la planification de scénarios financiers et la génération de rapports de gestion structurés sont passées de plusieurs jours à quelques secondes, fonctionnant en temps réel (24h/24 et 7j/7).
• Efficacité opérationnelle : réduction drastique des reprises et du besoin de réunions d'harmonisation technique pour l'extraction manuelle des bases de données d'entreprise.
• Mesures proactives de prévention des risques de fraude : mise en place d’alertes automatisées en temps réel. Si un agent détecte un paiement programmé sans le document correspondant dans l’ERP, le système génère une alerte de conformité, bloquant ainsi les éventuels blocages ou fraudes opérationnelles.
• Amélioration de la disponibilité de l'information : accélération des décisions tactiques lors des réunions du comité exécutif, suppression des retards dus à l'absence immédiate d'indicateurs macroéconomiques validés.

Leçons apprises

1. L'intelligence repose sur une structuration préalable : les modèles d'IA génératifs avancés perdent leur utilité opérationnelle s'ils sont appliqués à des bases de données désorganisées ou corrompues. Le succès de Nanda s'explique par la capacité de Skyone Studio à traiter, nettoyer et organiser les données dans la couche Lakehouse avant leur exposition au LLM.
2. Approche axée sur la couche applicative : le développement agile de solutions d’entreprise innovantes ne nécessite pas la création de modèles d’IA fondamentaux à partir de zéro. La véritable valeur ajoutée pour l’entreprise réside dans l’orchestration de l’infrastructure LLM existante avec des données privées et spécifiques à l’activité.
3. La sécurité comme condition préalable au déploiement de l'IA à grande échelle : dans le secteur des entreprises B2B, le traitement intelligent des données sensibles n'est viable que dans des cadres de gouvernance stricts et des environnements isolés garantissant une conformité réglementaire continue.

FAQ

Qu'est-ce qu'un agent financier privé doté d'IA ?

Il s'agit d'une architecture intelligente basée sur des modèles de langage (LLM) fonctionnant dans un environnement d'entreprise fermé. Contrairement à l'intelligence artificielle publique, l'agent privé exploite des données internes exclusives de l'entreprise (telles que les systèmes ERP et CRM), garantissant une confidentialité totale, une gouvernance Zero Trust et des réponses analytiques d'une grande précision, sans partage d'informations externes.

Comment Skyone Studio assure-t-il la sécurité des données financières sensibles ?

Skyone Studio fonctionne en unifiant les niveaux de sécurité, de conformité et de protection contre la fraude dans le flux de données. Les données de l'entreprise sont isolées logiquement dans des structures Lakehouse dédiées, empêchant ainsi les accès croisés et les fuites de données,tout en maintenant une traçabilité transactionnelle complète, conformément aux normes strictes de gouvernance d'entreprise.

Comment fonctionne le processus d'intégration de données multi-sources dans Skyone Studio ?

La plateforme fonctionne grâce à une solution iPaaS intégrée qui centralise et orchestre les flux d'informations provenant de plus de 400 systèmes de marché (tels que les ERP, les CRM et les bases de données externes). Ces pipelines extraient, nettoient et normalisent les données structurées et non structurées, puis les chargent automatiquement dans un Lakehouse unifié pour une utilisation immédiate par les agents d'IA.

L’utilisation de l’IA générative dans la finance d’entreprise pourrait-elle entraîner des erreurs dans les rapports ?

Pour éviter les erreurs d'analyse ou les hallucinations, l'architecture de données de Skyone Studio utilise des techniques RAG (Retrieval-Augmented Generation). Concrètement, l'agent d'intelligence artificielle est limité aux réponses basées exclusivement sur des données réelles, propres et validées, issues du lac de données privé de l'organisation, garantissant ainsi le déterminisme mathématique des réponses.