Comment Agicap a testé un assistant IA avant de le supprimer ?

Pour Sébastien Beyet, cette décision vient d’un constat très concret : ce qui compte n’est pas d’ajouter de l’IA visible, mais d’apporter une valeur mesurable dans les usages quotidiens.

« Il y avait une attente, une première adoption relativement forte en termes de curiosité, mais peu d’usages récurrents sur nos clients. »

Agicap : un logiciel construit autour de la donnée financière

Fondée en 2016, Agicap s’est imposée comme une référence européenne dans la gestion de trésorerie pour les PME et entreprises de taille intermédiaire. La plateforme permet de connecter les comptes bancaires, les ERP et d’autres sources financières afin d’offrir une vision consolidée de la trésorerie et des prévisions. Aujourd’hui, Agicap accompagne environ 8 000 entreprises et s’est déployée dans plusieurs pays européens ainsi qu’aux États-Unis. Mais dès le départ, le produit repose sur un défi technique central : traiter un volume important de données financières hétérogènes.

« Nos clients ont en moyenne une vingtaine de comptes bancaires, parfois plusieurs ERP et plusieurs sources de prévisions. Il faut agréger, nettoyer et traiter énormément de données. »

Cette complexité explique pourquoi l’intelligence artificielle fait partie de l’ADN du produit depuis longtemps.

L’IA chez Agicap existait bien avant les LLM

Contrairement à beaucoup d’éditeurs SaaS qui ont découvert l’IA avec ChatGPT, Agicap utilisait déjà plusieurs briques de machine learning depuis ses débuts. Ces modèles intervenaient dans différentes étapes du cycle de gestion de trésorerie : agréger les données financières, les nettoyer et les catégoriser, produire des prévisions et optimiser la gestion des flux de trésorerie.

« Si on parle d’automatisation et de traitement automatique de la donnée, on parle déjà d’intelligence artificielle, même avec des technologies plus classiques. »

Lorsque les modèles LLM sont apparus, la question n’était donc pas de découvrir l’IA, mais de comprendre où elle pouvait réellement améliorer le produit.

Une approche très pragmatique de l’IA

Face à l’arrivée des LLM, Agicap n’a pas bouleversé immédiatement sa feuille de route produit. L’entreprise a d’abord adopté une approche expérimentale. Une petite équipe dédiée a été chargée d’explorer les possibilités, de tester différents cas d’usage et d’identifier les situations où la technologie apportait réellement de la valeur.

« On a essayé des cas d’usage très concrets pour voir ce qui marchait vraiment et ce qui ne marchait pas. »

Cette phase de R&D interne a permis de repérer plusieurs applications pertinentes. Par exemple, l’amélioration des systèmes d’OCR pour analyser des documents financiers complexes ou encore la catégorisation automatique des transactions. Dans ces cas précis, les LLM ont permis d’obtenir de meilleurs résultats avec moins de données historiques.

« Ça comprend mieux le sens des mots et on a besoin de moins de données pour être pertinent. »

Mais toutes les expérimentations n’ont pas fonctionné. Et l’une d’entre elles était pourtant la plus évidente.

L’expérience ratée de l’assistant IA

Comme beaucoup d’éditeurs SaaS, Agicap a testé l’idée d’un assistant conversationnel. Le principe est simple : permettre aux utilisateurs d’interroger leurs données financières en langage naturel, plutôt que de naviguer dans des tableaux de bord. Sur le papier, l’idée semble évidente. Dans la pratique, l’usage réel s’est révélé beaucoup plus faible que prévu.

« Ça faisait partie des tests qui n’ont pas bien fonctionné. On a essayé, mais on a décidé de le mettre de côté. »

La curiosité initiale était bien présente, mais les utilisateurs n’y revenaient pas.

« Il y avait une première adoption par curiosité, mais peu d’usages récurrents. »

Dans un domaine aussi sensible que la trésorerie, la fiabilité et la traçabilité des réponses sont essentielles. Or les résultats produits par un assistant conversationnel peuvent être difficiles à expliquer.

« Dans un domaine aussi sensible que la finance, le risque d’hallucination n’était pas suffisamment acceptable. »

Pourquoi les assistants IA posent problème dans la finance

Le problème n’est pas uniquement technique. Il est aussi lié au rôle des utilisateurs. Un trésorier ou un directeur financier ne se contente pas de consulter des chiffres. Il doit aussi être capable d’expliquer les hypothèses et les décisions. Un modèle qui produit une réponse correcte mais impossible à justifier devient difficile à utiliser.

« Même si un forecast est précis à 99 %, s’il est impossible à expliquer, il n’est pas vraiment utilisable. »

La responsabilité professionnelle joue un rôle central. Dans beaucoup de situations financières, l’IA peut aider à analyser ou préparer des scénarios. Mais la décision finale doit rester humaine.

« Ce qu’on attend de l’IA, c’est qu’elle conseille et prépare le travail, mais on veut rester en contrôle. »

Là où l’IA crée vraiment de la valeur

Après ces expérimentations, Agicap a recentré sa stratégie sur des usages plus opérationnels. Plutôt que de chercher à remplacer l’utilisateur, l’IA est utilisée pour automatiser des tâches répétitives qui occupent une grande partie du temps des équipes financières. Par exemple la catégorisation des transactions, la réconciliation des données bancaires, l’extraction d’informations dans les documents financiers ou encore la construction automatique de dashboards.

« On s’est concentré sur la valeur tangible, celle qui est mesurable pour nos utilisateurs. »

Ces cas d’usage sont moins spectaculaires qu’un assistant conversationnel, mais ils s’intègrent beaucoup plus naturellement dans les workflows existants.

Les premiers agents apparaissent déjà dans le produit

Agicap commence également à intégrer des systèmes plus proches de l’agentique. Un exemple est la génération automatique de dashboards à partir d’une demande en langage naturel. L’utilisateur décrit simplement ce qu’il souhaite analyser et le système va chercher les données nécessaires pour construire la visualisation.

« L’outil va chercher la bonne donnée, les bons KPI et construire automatiquement la vue demandée. »

La différence avec un assistant conversationnel est importante. Le résultat final est visible, vérifiable et auditable, ce qui facilite beaucoup l’adoption.

Une adoption de l’IA différente entre Europe et États-Unis

Avec ses 8 000 clients répartis dans plusieurs pays, Agicap observe aussi des différences culturelles dans l’adoption de l’IA. Du point de vue de l’usage produit, les différences restent limitées. En revanche, elles apparaissent clairement dans les cycles d’achat.

« Aux États-Unis, l’IA intervient beaucoup plus tôt dans le cycle de vente. »

Dans certaines entreprises américaines, des budgets spécifiques sont désormais alloués aux projets IA, ce qui change la manière dont les logiciels sont évalués et achetés.

Comment organiser l’entreprise pour intégrer l’IA

Pour Sébastien Beyet, l’intégration de l’IA dans une entreprise ne peut pas reposer uniquement sur quelques experts, mais elle ne peut pas non plus être totalement décentralisée. La solution adoptée chez Agicap repose sur trois piliers : une petite équipe d’experts dédiée, une adoption progressive dans toute l’entreprise et une impulsion claire de la direction.

« Il faut une équipe d’experts qui explore et propose, tout en poussant une adoption plus large dans l’entreprise. »

L’entreprise a également revu son approche du développement interne. Plutôt que de tout construire, Agicap privilégie désormais l’utilisation d’outils existants lorsque c’est possible.

« Pour les cas standards, il vaut mieux s’appuyer sur des outils du marché et concentrer le développement interne sur les cas vraiment spécifiques. »

Conclusion

L’histoire de l’assistant IA abandonné par Agicap raconte quelque chose d’important sur l’évolution actuelle de l’intelligence artificielle dans les logiciels. Toutes les idées séduisantes ne créent pas forcément de la valeur. Dans certains métiers, notamment ceux liés à la finance, l’IA doit d’abord être fiable, explicable et intégrée dans les processus existants. C’est pourquoi Agicap a choisi une approche plus discrète mais plus efficace. Plutôt que d’ajouter un chatbot visible dans l’interface, l’entreprise préfère utiliser l’IA pour automatiser les tâches les plus répétitives et aider les équipes financières à se concentrer sur ce qui compte vraiment : l’analyse et la décision.