La transformation des processus d'appels d'offres grâce à l'IA démontre comment la technologie peut créer un avantage concurrentiel dans le secteur financier.
CHIFFRES CLÉS
50% d'augmentation du nombre d'appels d'offres traités
30% d'amélioration du taux de succès
38 milliards de dollars d'actifs sous gestion
A PROPOS DU CLIENT
Leader mondial de la gestion d'actifs, iM Global Partner gère un portefeuille de 38 milliards de dollars à travers 16 implantations en Europe et aux États-Unis. Sa spécialisation dans les partenariats stratégiques avec des sociétés de gestion indépendantes en fait un acteur de référence du secteur financier international
DÉFI
Dans un secteur aussi compétitif que la gestion d'actifs, la capacité à répondre efficacement aux appels d'offres est cruciale. iM Global Partner faisait face à un défi de taille : traiter un volume croissant de documents multilingues tout en maintenant une qualité de réponse irréprochable. L'extraction précise des questions et la construction d'une base de connaissances robuste à partir des documents existants nécessitaient une solution innovante, capable de s'adapter aux spécificités du contexte financier.
SOLUTION
Au cœur du système, un processus de matching intelligent combine la puissance des embeddings pour la vectorisation des documents avec les capacités de l'IA générative Mistral Nemo. Cette alliance permet d'identifier automatiquement les correspondances les plus pertinentes entre les appels d'offres et les produits financiers.
Pour le traitement des RFP (Request For Proposal), nous avons mis en place un système RAG (Retrieval-Augmented Generation) intelligent. Ce système analyse en profondeur les questionnaires, recherche les informations pertinentes dans la base de connaissances et génère des réponses contextualisées. L'ensemble de la plateforme est déployé directement sur l'infrastructure d'iM Global Partner, garantissant ainsi la sécurité et la confidentialité des données sensibles.
Matching intelligent par IA
Utilisation d'embeddings pour la vectorisation des documents
Matching automatique via IA générative (Mistral Nemo)
Base de connaissances enrichie et contextualisée
Traitement automatisé des RFP
Analyse des questionnaires d'appels d'offres
Système RAG (Retrieval-Augmented Generation) pour la recherche d'informations pertinentes
Génération de réponses contextualisées
Sécurité et conformité
Déploiement on-premise sur l'infrastructure client
Protection des données sensibles
Contrôle total sur le traitement de l'information
EXEMPLE DE PROMPT POUR NORMALISER LES RFPs
La force du prompt suivant réside dans sa combinaison de différentes techniques de prompting, créant un outil particulièrement efficace pour l'analyse des appels d'offres financiers. Au cœur de sa conception, on trouve few-shot learning qui utilise un cas concret pour illustrer exactement le format attendu. Cette approche est renforcée par une structuration méthodique en étapes, suivant un principe de chain-of-thought qui guide l'analyse de manière logique et séquentielle. Le prompt s'appuie également sur un système de contraintes explicites et une spécification précise du format de sortie en JSON, garantissant des résultats standardisés et facilement exploitables. L'ensemble est encadré par une définition claire du rôle et du contexte, assurant que l'analyse reste toujours alignée avec les objectifs spécifiques des appels d'offres financiers.
Cette approche multifacette crée ainsi un système robuste et précis, capable de traiter efficacement les réponses aux appels d'offres tout en maintenant un niveau élevé de standardisation et de reproductibilité, éléments essentiels dans le secteur financier :
Objectif
Lire et analyser les documents pour identifier les paramètres d'investissement clés selon quatre catégories principales :
Classes d'Actifs
Styles d'Investissement
Catégories de Capitalisation
Focus Géographique
Étapes d'Analyse
Classes d'Actifs
Examiner les références aux classes d'actifs
Noter toutes les classes d'actifs identifiées
Doit correspondre à la liste des valeurs spécifiées
Styles d'Investissement
Examiner les références aux stratégies d'investissement
Noter tous les styles identifiés
Doit correspondre à la liste des valeurs spécifiées
Catégories de Capitalisation
Examiner les références à la capitalisation boursière
Noter toutes les catégories identifiées
Doit correspondre à la liste des valeurs spécifiées
Focus Géographique
Examiner les références aux régions géographiques
Noter tous les emplacements identifiés
Doit correspondre à la liste des valeurs spécifiées
Paramètres Optionnels
Identifier les préférences optionnelles ou alternatives acceptables
Noter les éléments qui sont :
Préférés mais non obligatoires
Acceptables mais pas prioritaires
Permis comme options secondaires
Catégoriser les éléments optionnels dans les quatre catégories principales
Gestion des Ambiguïtés
Ignorer toute mention peu claire ou ambiguë
Inclure uniquement les éléments clairement identifiables
Format de Sortie
Le résultat doit être formaté en JSON avec les catégories suivantes :
Classes d'actifs obligatoires
Styles d'investissement obligatoires
Catégories de capitalisation obligatoires
Focus géographique obligatoire
Classes d'actifs optionnelles
Styles d'investissement optionnels
Catégories de capitalisation optionnelles
Focus géographique optionnel
Exemple
Entrée : "Investissement Large Cap avec stratégie de Rendement Absolu et Long-Only, Small et Mid cap sont permis mais ne doivent pas être le focus de la stratégie, focus US, global accepté, préférence pour Equity, Value permis"
Résultat attendu :
Obligatoire :
Classe d'actif : Actions
Style : Rendement Absolu, Long Only
Capitalisation : Large Cap
Géographie : États-Unis
Optionnel :
Classe d'actif : Aucun
Style : Value
Capitalisation : Small Cap, Mid Cap
Géographie : Global
Contraintes
Extraire uniquement les informations explicitement mentionnées
Utiliser uniquement les mots-clés de la liste des valeurs fournie
Distinguer entre paramètres obligatoires et optionnels
Inclure les huit catégories dans la sortie (principales + optionnelles)
Format JSON strict commençant par '{' et se terminant par '}'
Pas de texte ou commentaires supplémentaires dans la sortie
Points Importants
L'information doit être extraite du texte tel quel
L'information doit correspondre exactement aux mots-clés de la liste
Ne pas ajouter d'informations supplémentaires
Ne pas inclure d'informations non demandées
EXEMPLE DE RFP
Mandat d'Investissement Global ESG
Client
Type : Investisseur institutionnel canadien "Bluejay"
Note : Pas de contact direct pendant le processus d'appel d'offres, passer par bfinance
Caractéristiques du Mandat
Stratégie d'Investissement
Classe d'actifs : Actions globales thématiques ESG
Approche : Multi-thématiques ESG/durabilité obligatoire
Exclusions : Stratégies mono-thématiques non acceptées (ex : eau, bas carbone, diversité des genres)
Note : Les stratégies actions globales intégrant simplement l'ESG ne sont pas adaptées
Taille et Structure
Montant : 30-40 millions CAD
Allocation : Un seul gestionnaire
Véhicule d'investissement :
Compte ségrégué ou fonds commun acceptés
Préférence pour domiciliation Canada, US ou Europe
Liquidité fréquente requise (quotidienne/hebdomadaire)
AUM minimum souhaité : 100 millions CAD pour les fonds communs
Possibilité de "seeding" d'un nouveau fonds
Objectifs et Contraintes
Benchmark : Flexible (MSCI ACWI, MSCI World ou équivalent ESG)
Objectif : Surperformance nette vs benchmark sur un cycle de marché
Contraintes d'investissement :
Pas de gestion systématique
Focus pays développés ou global accepté
Large cap ou all cap uniquement
Maximum 5% de cash
Exclusion totale des entreprises du "Carbon Underground 200"
Exigences ESG
Multi-thématiques ESG obligatoire
Engagement actionnarial requis
Éléments valorisés :
Alignement avec les ODD
Conformité taxonomie EU
Mesure KPIs ESG
Démonstration d'intentionnalité
Considération DEI (diversité, équité, inclusion)
Participation aux initiatives sectorielles ESG
Critères de Sélection
Track record : Minimum 3 ans (préférence 5 ans)
AUM minimum : 100 millions CAD
Reporting :
Performance mensuelle et trimestrielle
Reporting ESG (intensité carbone, vote par procuration)
Points réguliers avec le client
Aspects Commerciaux
Frais de gestion : Structure fixe ou liée à la performance
Commission bfinance : 21 points de base sur montant investi
Conditions : Acceptation des T&C bfinance requise (https://impp.bfinance.com)
MÉTHODOLOGIE
Le projet s'est déroulé sur une période de cinq mois, piloté par une équipe resserrée composée d'un ingénieur IA et d'un chef de produit. Cette configuration a permis une grande réactivité et une adaptation continue aux besoins spécifiques du secteur financier.
Notre approche itérative s'est nourrie des retours constants des utilisateurs, permettant d'affiner les modèles et d'optimiser leurs performances. Des benchmarks réguliers ont guidé la sélection des meilleures solutions, assurant une amélioration continue de la plateforme.
RÉSULTATS
L'impact de la solution sur les opérations d'iM Global Partner a été immédiat et mesurable. Le nombre d'appels d'offres traités a augmenté de 50%, tandis que le taux de succès s'est amélioré de 30%. Au-delà des chiffres, la plateforme a transformé la manière dont les équipes abordent les appels d'offres, leur permettant de se concentrer sur les aspects stratégiques plutôt que sur les tâches répétitives.
La capacité à traiter efficacement des documents en plusieurs langues, couplée à une base de connaissances structurée et facilement accessible, a considérablement augmenté l'agilité et la réactivité des équipes.
Augmentation de 50% du nombre d'appels d'offres traités
Amélioration de 30% du taux de succès
Traitement multilingue efficace des documents
Base de connaissances structurée et facilement accessible
PERSPECTIVES
L'intégration prochaine d'un chatbot IA viendra enrichir l'assistance aux utilisateurs, tandis qu'un éditeur IA optimisera encore davantage le processus de rédaction. Ces évolutions témoignent de notre engagement à repousser les limites de ce que l'IA générative peut apporter au secteur financier.
La plateforme continue d'évoluer avec plusieurs innovations prévues :
Intégration d'un chatbot IA pour l'assistance utilisateur
Développement d'un éditeur IA pour optimiser la rédaction
Extension des capacités de traitement et d'analyse
Cette transformation numérique démontre comment l'intelligence artificielle, correctement mise en œuvre, peut créer un avantage concurrentiel significatif tout en respectant les exigences strictes de sécurité et de conformité du secteur financier.