Les sociétés de portefeuille tirent une valeur réelle et mesurable de l’IA générative

L’incidence mesurable de l’IA générative

Les gains les plus immédiats et les plus mesurables de l’IA générative se font sentir dans les services intermédiaires et administratifs, qui travaillent avec des processus reproductibles et riches en données et obtiennent des résultats faciles à suivre.

Les équipes des finances utilisent l’IA générative pour accélérer les processus de clôture, générer des commentaires sur les écarts et obtenir des renseignements généraux sur de grands volumes de données financières, ce qui libère de la capacité tout en améliorant la qualité et la rapidité de la présentation de l’information. Les fonctions d’approvisionnement déploient l’IA générative pour examiner les contrats, signaler les risques liés au renouvellement et mettre le doigt sur les problèmes de conformité, ce qui donne lieu à une gestion proactive des fournisseurs. Les services informatiques utilisent des agents conversationnels et un triage automatisé pour traiter les demandes de soutien routinières et améliorer les temps de réponse.

Ensemble, ces applications apportent des améliorations opérationnelles tangibles, telles que des coûts unitaires réduits, des cycles de traitement plus rapides et des équipes plus productives. Pour les investisseurs et les équipes opérationnelles, elles représentent des occasions évolutives d’augmentation des marges et un point de départ concret pour l’adoption de l’IA générative, où la valeur peut être démontrée rapidement et reproduite dans l’ensemble du portefeuille.

Bien déployée et encadrée, l’IA générative redéfinit la façon dont les sociétés de portefeuille interagissent avec les clients.

Dans les environnements de service à la clientèle, les agents conversationnels gèrent en permanence de grands volumes d’interactions à faible complexité, ce qui améliore la réactivité tout en réduisant la demande pour les agents humains. Par exemple, Teranet a mis en place un robot conversationnel pour le service à la clientèle qui fonctionne en tout temps, répond à plus de 90 % des demandes et réduit donc considérablement le volume d’appels tout en maintenant la qualité du service. Parallèlement, les outils fondés sur l’IA générative offrent aux agents des conseils en temps réel, un accès plus rapide aux connaissances et une formation ciblée, ce qui se traduit par une qualité de résolution plus uniforme et de meilleurs résultats pour les clients.

Les équipes de vente et de marketing utilisent l’IA générative pour améliorer la qualification des clients potentiels, personnaliser la communication avec eux et perfectionner les employés. Bien qu’il soit parfois plus difficile d’isoler l’incidence sur les revenus que les économies de coûts, les organisations qui combinent ces initiatives à des mesures commerciales claires, telles que les taux de conversion, la durée du cycle de vente et la fidélisation de la clientèle, peuvent améliorer considérablement l’efficacité et la croissance. Elles obtiennent les meilleurs résultats lorsqu’elles évaluent les initiatives d’IA générative axées sur les revenus avec la même rigueur que tout autre investissement dans la croissance.

Dans le domaine des capitaux privés, la création et la préservation de la valeur sont étroitement liées. À mesure que les sociétés de portefeuille poursuivent leur croissance et augmentent l’efficience au moyen de l’IA générative, elles doivent gérer efficacement les risques afin d’en tirer une valeur durable.

Plutôt que de compter sur chaque société de leur portefeuille pour gérer ses propres cyberdéfenses, les grandes sociétés de capital-investissement mettent en œuvre des programmes de cybersécurité standardisés à l’échelle du portefeuille. Par exemple, TorQuest a établi une approche centralisée qui s’appuie sur deux alliés principaux : un courtier en cyberassurance et un fournisseur d’évaluation du risque validée. Ensemble, ces alliés rendent possible une évaluation semestrielle validée de chaque société par rapport aux contrôles de sécurité requis, ce qui contribue à l’assurabilité tout en créant une base de référence uniforme pour la cybermaturité à l’échelle du portefeuille. Il est important de noter que cette approche facilite la tenue de discussions financières en lien avec le cyberrisque.En quantifiant les risques et en établissant un lien entre les lacunes de sécurité et les répercussions financières potentielles, les conseils d’administration et les équipes de direction peuvent prendre des décisions plus judicieuses quant à leurs investissements, à la hiérarchisation des efforts de correction et à la préservation de la valeur commerciale. La cybersécurité ne fait donc plus seulement l’objet d’une discussion technique, mais aussi d’une discussion sur la gouvernance et la valeur.

Parallèlement, l’IA générative prend en charge la surveillance de la conformité, l’examen des documents et la préparation des audits dans les environnements réglementés avec de grands volumes de données. Ces capacités aident à réduire les efforts manuels tout en améliorant la cohérence et la surveillance. Combinées à une gouvernance claire et à des pratiques responsables en matière d’IA, ces mesures instaurent la confiance nécessaire pour aller de l’avant avec l’IA générative dans l’ensemble du portefeuille.

Au-delà des sociétés de portefeuille elles-mêmes, l’IA générative influence également le fonctionnement des équipes d’investissement. Elle change la vitesse et la profondeur de génération des renseignements tout au long du cycle de vie d’un investissement.

Les équipes transactionnelles utilisent l’IA générative pour synthétiser d’importants volumes d’études de marché, analyser les données historiques sur le rendement et accélérer les analyses sectorielles en quelques jours au lieu de quelques semaines. Dans la pratique, ce changement peut être encore plus prononcé. TorQuest expérimente la recherche sectorielle assistée par l’IA générative. Des travaux qui nécessitaient auparavant environ une semaine de travail peuvent, dans certains cas, être réalisés en aussi peu que 20 minutes grâce à des thèses d’investissement internes combinées à des données externes, à une plateforme d’IA dédiée et sécuritaire ainsi qu’à des requêtes sélectionnées. Les équipes obtiennent donc un aperçu d’un secteur donné beaucoup plus rapidement et consacrent davantage de temps à une analyse approfondie de plus grande valeur.

Au cours d’une intégration, l’IA générative peut aider à cartographier les processus, à trouver les synergies et à normaliser la présentation de l’information entre les entités acquises, ce qui réduit les frictions et améliore la transparence entre les organisations complexes.

Pour des partenaires opérationnels, cela signifie de détecter plus tôt les problèmes, et donc de les hiérarchiser et d’intervenir plus rapidement, ce qui est important dans des environnements transactionnels de plus en plus concurrentiels. À mesure que ces capacités évoluent, l’IA générative servira de moins en moins à réaliser des gains d’efficience ponctuels. Elle sera plutôt utilisée pour accélérer et améliorer la qualité du processus décisionnel, de la diligence à l’intégration et, en fin de compte, la sortie.

À mesure que l’adoption de l’IA générative progresse, de nombreuses organisations passent de l’expérimentation au déploiement à l’échelle de l’entreprise. Le succès de ce déploiement dépend souvent d’un petit nombre de principes de base.

Les organisations qui effectuent cette transition cherchent d’abord à comprendre clairement l’importance d’une initiative d’IA générative et à savoir qui est responsable de produire des résultats. Même les petites analyses de rentabilité qui définissent les avantages, les coûts et les mesures de réussite attendus aident à cibler et à renforcer la responsabilisation. L’affectation d’un seul leader responsable favorise davantage un bon départ, l’adoption de la technologie et le suivi.

Le financement des initiatives compte beaucoup lui aussi. Les organisations de premier plan allouent des capitaux précisément pour l’innovation et prévoient une gouvernance et des seuils appropriés pour les premières démonstrations de faisabilité avant d’envisager les déploiements à grande échelle. Cette approche favorise l’expérimentation continue tout en maintenant la rigueur financière et en alignant les décisions d’investissement sur le risque et le rendement.

L’IA générative fournit les meilleurs résultats lorsqu’elle est intégrée directement dans le plan de création de valeur plutôt que d’être exploitée comme une initiative autonome.

Pour ce faire, il faut d’abord établir un lien clair entre les initiatives d’IA générative et les principaux inducteurs de valeur de l’organisation, que ce soit l’augmentation des marges rendue possible par l’automatisation, la croissance des revenus qui découlent de l’amélioration des interactions avec les clients ou le renforcement de la résilience grâce à une meilleure gestion des risques. Les partenaires opérationnels jouent un rôle central dans la traduction de ces objectifs en cas d’utilisation prioritaires et dans leur séquençage, parallèlement aux efforts de transformation globaux.

L’incidence à long terme est améliorée par les capacités évolutives. La qualité, l’intégration et la gouvernance des données déterminent si l’IA générative produit des renseignements exploitables ou du bruit opérationnel. Bien que ces éléments reçoivent souvent moins d’attention que les cas d’utilisation dans les services frontaux, ils demeurent essentiels pour adapter l’IA générative de manière cohérente et maintenir la création de valeur tout au long du cycle de vie de l’investissement.

La gouvernance, les talents et la gestion du changement comme catalyseurs

Le succès de l’adoption de l’IA générative dépend autant des personnes et des processus que de la technologie. Les organisations qui obtiennent de bons résultats sont celles qui investissent dans le renforcement des capacités, une gouvernance claire et une gestion réfléchie du changement.

Une formation ciblée aide le personnel à comprendre non seulement comment utiliser les outils d’IA générative, mais aussi comment s’en servir de façon responsable et efficace. Des politiques claires concernant l’utilisation et la protection des données ainsi que de la propriété intellectuelle réduisent l’incertitude, tandis qu’une surveillance humaine demeure essentielle pour les applications à risque élevé ou dans le cadre du service à la clientèle.

Ensemble, ces mesures renforcent la confiance à l’échelle de l’organisation. À son tour, cette confiance aide les équipes à adopter l’IA générative avec plus d’assurance, à s’en servir de manière plus réfléchie et à en accroître l’utilisation afin de favoriser la création de valeur à long terme plutôt que l’expérimentation isolée.