Hier, on passait des heures à parcourir des rapports annuels, page après page, à la recherche d’indicateurs sur la responsabilité sociale d’entreprise. L’humain classait, interprétait, notait à la main, et chaque structure de texte différente compliquait la comparaison. Avons-nous réellement gagné en clarté en confiant la structuration de ces informations à l’intelligence artificielle ? La promesse était belle : rapidité, homogénéité, réduction des biais humains. Mais dans la pratique, les rapports suisses présentent encore une grande variété de formats et de niveaux de détails, ce qui rend l’automatisation aussi fascinante que complexe. Nous avons analysé des cas concrets issus de groupes helvétiques de taille moyenne. L’IA, grâce à des modèles d’analyse de texte et d’extraction de données, a réussi à capter des sections entières dédiées à la gouvernance environnementale ou aux engagements sociaux, en les structurant selon un référentiel ESG standard. Toutefois, certains passages nuancés, formulés de façon moins explicite, restent difficiles à catégoriser automatiquement. L’expert humain, lui, repère ces subtilités instinctivement. Peut-on alors se fier à la machine sans perdre en qualité d’analyse ?

Prenons le cas d’une banque régionale qui a intégré une solution d’IA en 2025 pour structurer ses divulgations RSE. L’équipe projet a paramétré le système pour repérer les mentions liées au climat, à l’égalité professionnelle et à la gouvernance. Résultat : les informations « dures », comme la publication d’un plan de transition carbone, sont systématiquement extraites et classées. Mais dès que le discours devient plus nuancé, par exemple sur la gestion de la diversité ou l’éthique, l’IA éprouve encore des difficultés à juger la portée des engagements. Le retour d’expérience de cette banque montre qu’un double regard, humain et algorithmique, reste la clé pour affiner la structuration et détecter les zones de flou. Ce constat se retrouve dans d’autres secteurs, où l’IA fait gagner un temps précieux sur la partie volumétrique, mais appelle à la vigilance sur la qualité contextuelle des extractions.

Cette hybridation des méthodes – humain et IA main dans la main – dessine l’avenir de la structuration RSE dans la finance suisse. Les analyses menées sur une douzaine de rapports annuels en 2025 le confirment : les solutions d’IA savent repérer les signaux forts et aligner les contenus sur des grilles internationales, ce qui facilite la comparaison entre établissements. Mais chaque algorithme doit être adapté à la réalité de chaque organisation. Nous l’avons vu avec les retours d’équipes terrain : il ne s’agit pas d’automatiser pour automatiser, mais d’intégrer l’IA comme levier pour clarifier, fiabiliser et approfondir les lectures. En fin de compte, c’est le dialogue entre expertise humaine et précision algorithmique qui crée la valeur ajoutée pour les praticiens exigeants du secteur financier. Agissons maintenant : expérimentons, testons, affinons nos outils pour répondre aux attentes des parties prenantes et des régulateurs suisses.