Automatiser la détection des engagements RSE dans les rapports financiers suisses : progrès, limites et bonnes pratiques
Il fut un temps où l’on s’en remettait à l’expérience et à la perspicacité des analystes pour repérer les engagements environnementaux et sociaux dans les rapports financiers. Aujourd’hui, la tendance s’inverse : nous faisons confiance à l’intelligence artificielle pour automatiser ce repérage, mais l’efficacité réelle soulève encore des questions. Sur le terrain suisse, l’IA se montre déjà capable d’extraire des informations structurées à partir de documents au format variable, en utilisant des techniques avancées de traitement du langage naturel. Pourtant, si l’outil peut détecter aisément une déclaration claire sur la réduction de l’empreinte carbone ou l’égalité professionnelle, il peine encore à saisir la subtilité des formulations moins explicites. Nos études de cas montrent que la reconnaissance d’intentions implicites ou de nuances de langage reste un défi technique, nécessitant un réglage fin des algorithmes et une collaboration constante avec les experts humains.
Un exemple concret : une institution financière suisse a récemment intégré un module d’IA pour filtrer et classer automatiquement les disclosures RSE dans ses rapports annuels. L’automatisation a permis d’accélérer le tri des informations et de garantir une meilleure homogénéité de traitement entre les différents exercices. Cependant, l’équipe projet a rapidement constaté que certains passages, ambigus ou rédigés de façon indirecte, échappaient à la détection algorithmique. Pour remédier à ce biais, ils ont mis en place un processus de double vérification : l’IA effectue un premier repérage, ensuite relu par un analyste spécialisé. Cette méthode hybride améliore la fiabilité du résultat et apporte une couche d’analyse critique indispensable, particulièrement dans le contexte réglementaire suisse où chaque mot compte.
Le bilan : l’automatisation par l’IA transforme le repérage des engagements environnementaux et sociaux, mais elle ne se suffit pas à elle-même. Pour obtenir des extractions à la fois précises et pertinentes, il faut affiner les modèles, enrichir les jeux de données d’entraînement et maintenir une vigilance humaine. Dans la pratique, cela signifie expérimenter différentes approches, croiser les retours terrain et ajuster les paramètres au fil des rapports traités. L’enjeu pour les praticiens suisses ? Saisir cette opportunité pour gagner en efficacité sans perdre le regard critique nécessaire à une analyse responsable. Avançons ensemble vers une automatisation maîtrisée, au service d’une information RSE fiable et exploitable.