Avec Model ML, les entreprises financières revoient toute leur structure pour y intégrer l’IA

Notre série Executive Function présente les réflexions de dirigeants sur l’adoption d’une IA de pointe.

Model ML créé des infrastructures IA qui transforment le fonctionnement des sociétés de services financiers. Outre les agents dédiés à une tâche spécifique et une application d’automatisation des workflows de bout en bout, la plateforme propose également des services personnalisés de recherche et d’analyse. 

Nous nous sommes entretenus avec Chaz Englander, le PDG et cofondateur de Model ML, au sujet de l’évolution des entreprises financières et de la façon dont les dernières avancées en matière d’IA automatisent et rationalisent leurs opérations.

Après la vente de notre dernière entreprise, mon frère et moi avons compris que nous n’aimions pas investir. Cependant, nous avons été happés par l’automatisation du processus d’investissement via l’appel de fonction optimisé par GPT.

Le bureau familial était composé de six personnes, mais grâce aux LLM assistés par GPT‑3.5, nous avions l’impression de pouvoir réaliser le travail d’une soixantaine de personnes.

Nous avons alors créé un prototype de Model ML pour nous-mêmes, que nous n’envisagions pas de commercialiser. C’est lorsque nous nous sommes rendu compte du gain considérable de données et de l’efficacité, permis par les workflows de recherche automatisés, que nous avons su que nous tenions quelque chose.

Autrefois, certaines tâches pouvaient prendre des jours, des semaines, voire des mois. Or, maintenant, elles ne prennent que quelques minutes ou heures. À titre d’illustration, il fallait plusieurs heures pour préparer les récapitulatifs des bénéfices trimestriels. Désormais, les agents gèrent ce processus de A à Z. Ils récupèrent les données, mettent les diapositives en forme et publient le diaporama dans SharePoint, le tout, sans intervention humaine. Je pense que ça sera le plus grand changement de cette année… Votre travail sera déjà fait de bon matin.

Cela nous oblige à repenser les domaines de valeur ajoutée de l’humain, et la façon dont les entreprises devront redéfinir les zones d’intervention, actuelles comme futures, de leurs équipes.

Aujourd’hui, les entreprises placent leur personnel dans des postes à haute valeur, qui demandent un certain discernement. Les dirigeants des sociétés avec lesquelles nous collaborons sont ceux, du moins de notre point de vue, qui revoient l’architecture de toute l’organisation et la pensent spécialement pour l’IA. Très tôt dans la collaboration, nous assumons le rôle de consultants, car il est extrêmement difficile d’aider ces sociétés à déterminer les domaines dans lesquels l’IA est la plus adaptée, ainsi que de connaître ceux sur lesquels elle aura le plus d’impact dans 12 mois. 

De plus, les personnes travaillant dans les entreprises financières ont plus d’impact aujourd’hui, pas moins. Grâce à l’automatisation des tâches fastidieuses, le personnel peut se focaliser sur les relations et la pensée stratégique. Les sociétés qui en ressortiront victorieuses sont celles qui repensent l’intégralité de leur structure opérationnelle afin de tirer parti de ce changement.

En finance, la précision, la conformité et la compatibilité avec les workflows sont non négociables. En raison de cette particularité, les outils génériques sont loin d’être satisfaisants. Dès le départ, Model ML a été spécialement conçue pour les services financiers à deux titres, et pas des moindres.

Premièrement, concernant l’aspect agent, nous avons créé et ajusté des systèmes pour justement mener des analyses et interagir avec les données, structurées comme non structurées, que les professionnels financiers utilisent au quotidien dans Sharepoint, ainsi qu’avec des jeux de données courants, comme Capital IQ, FactSet et Crunchbase, comprenant des centaines de tableaux et dont la taille atteint les 20 To. Il y a encore un an, il était presque impossible de créer un agent en plus de ces jeux de données. Ce ne sont pas juste des modèles qui répondent à des questions. Ils tiennent compte du contexte, comprennent les schémas, écrivent du code et récupèrent des informations parmi des téraoctets de données complexes. 

Deuxièmement, concernant l’aspect de l’application, l’interface dans laquelle les utilisateurs interagissent avec les agents est spécialement pensée pour le milieu de la finance. Elle offre aux sociétés des outils pour créer des agents qui automatisent les workflows de bout en bout et réalisent des analyses qui étaient autrefois irréalisables. Pour ce qui est des cas d’utilisation, des dizaines de nouveaux cas naissent chaque jour. Il en existe des milliers qui sont, pour la grande majorité, prêts à l’emploi dès l’inscription de l’utilisateur.

À chaque nouvelle sortie du modèle, nous avons observé des changements radicaux que nous avons transformés en avantages immédiats pour nos clients. Les avancées dans les domaines comme le raisonnement et les capacités de codage ont atteint des niveaux de performance sans précédent. Plus récemment, ces modèles, avec le lancement d’OpenAI o3‑pro, o3, o4-mini et GPT‑4.1, ont apporté des améliorations considérables dans le raisonnement, les capacités multimodales, le suivi des consignes et l’intégration de l’outil. Grâce à des fenêtres contextuelles étendues et des capacités de raisonnement avancées, nous pouvons bénéficier de workflows de bout en bout. Aujourd’hui, les utilisateurs peuvent enchaîner des tâches de collecte de données, d’analyse et de création de diaporamas, et ainsi produire des résultats entièrement mis en forme de manière complètement autonome. 

Je pense que le changement le plus significatif qui nous attend est l’avènement des workflows de bout en bout automatisés, dans lesquels les systèmes feront office de tours de contrôle supervisant une armée de travailleurs numériques. Comme ces agents s’attaquent à des tâches complexes et fastidieuses dans un monde numérique, même l’interface utilisateur et la façon dont nous interagissons avec le matériel commenceront à changer. Ce changement verra probablement le jour bien après les 12 prochains mois, mais c’est ce vers quoi nous tendons.

Pour la suite, des agents réellement autonomes vont pouvoir être créés dans notre produit. Nos agents peuvent exécuter des workflows poussés qui collectent, analysent et présentent des données de votre CRM, de vos e-mails, de vos fichiers, de vos fournisseurs de données externes, de vos comptes rendus de réunion, etc. Ils ne se contenteront pas d’attendre les instructions, non ; ils anticiperont le travail, qu’il soit cyclique (quotidien, hebdomadaire, mensuel, trimestriel ou annuel) ou déclenché par des événements réels, comme si vous demandiez un service à un collaborateur après une réunion ou répondiez à un e-mail.

Le vrai tournant ? Les workflows s’exécuteront automatiquement de bout en bout, opéreront sur tous vos systèmes et seront dotés d’un raisonnement approfondi. Les résultats, comme une présentation de 100 diapositives entièrement créée par une machine, pourraient être considérables. Et ils seront rapides, davantage cohérents et disponibles à tout moment.

C’est ça, le futur : des équipes numériques autonomes exécutant les workflows, toujours plus performants, rapides et continus, qui dynamisent l’entreprise.

Nous pensons que les entreprises qui intègrent naturellement l’IA auront une structure différente : des couches moins nombreuses, des cycles plus rapides et des boucles de rétroaction plus courtes. Nous avons choisi une structure horizontale. Arnie [mon cofondateur] et moi gérons tous les deux des dizaines de personnes. Ça peut sembler impressionnant, mais avec l’IA, c’est possible. Tous nos entretiens individuels sont assistés par l’IA. Les notes, les tâches à faire, le contexte… tout est rationalisé. Ça nous permet d’aller plus vite et de rester proches du produit. Selon nous, les entreprises modernes fonctionneront plus comme des tours de contrôle que comme des hiérarchies cloisonnées.

Pour devenir agile, il faut en partie miser sur le fait que l’écosystème et les modèles de bases s’amélioreront. Le secret (et peut-être que c’est inhérent à l’esprit entrepreneurial et aux organisations d’ingénierie) ? Ne pas s’attacher à son code. Avant, nous avions l’habitude de tout créer par nous-mêmes : les abstractions d’agent, les connecteurs de service, absolument tout. Aujourd’hui, si OpenAI ou la communauté open source produit quelque chose de meilleur, comme le SDK Agent ou les connecteurs MCP d’OpenAI, nous l’intégrons et jetons notre code à la poubelle. 

Nous utilisons désormais le SDK Agent et l’outil MCP d’OpenAI pour traiter les boucles des agents, l’appel d’outil, les garde-fous et les intégrations. Ainsi, nous avons pu accélérer notre innovation, avec moins de maintenance.

Pour réussir, nous ne cherchons pas à maintenir l’infrastructure ; nous cherchons à offrir de la valeur à travers les résultats des clients.

Model ML utilise la plateforme API d’OpenAI, y compris GPT‑4.1, OpenAI o3 ainsi que le SDK Agent pour faire fonctionner ses agents, ses automatisations et ses outils internes.