Il fut un temps où extraire des indicateurs RSE dans les rapports financiers relevait d’un travail artisanal, lent et soumis à l’interprétation de chaque analyste. Aujourd’hui, nous nous appuyons sur des modèles d’IA pour automatiser cette structuration, mais la réalité n’est pas aussi simple qu’on l’imagine. Si la promesse d’un traitement accéléré des données et d’une standardisation des analyses séduit, elle suscite aussi des doutes quant à la capacité des algorithmes à saisir toute la complexité du langage utilisé dans les disclosures suisses. Nos études de cas montrent que les modèles d’IA, entraînés sur des jeux de données locaux, parviennent à isoler des mentions explicites comme les politiques anti-discrimination ou les engagements climat. Pourtant, dès qu’il s’agit d’interpréter des formulations plus nuancées, la fiabilité s’émousse et une intervention humaine reste indispensable pour garantir la justesse de la structuration.

Un projet pilote mené en 2025 dans une grande société suisse a permis d’éprouver l’efficacité d’un modèle de traitement du langage naturel sur plus de 40 rapports annuels. Le système a automatisé l’extraction des indicateurs clés (empreinte carbone, taux de diversité, gouvernance), mais a rencontré ses limites sur des données contextuelles, par exemple lors de la détection de sous-entendus sur la responsabilité sociétale. L’équipe en charge a mis en place un protocole d’évaluation croisée : chaque résultat IA était validé par des experts métier, permettant d’affiner progressivement les paramètres du modèle. Cette démarche a révélé que la collaboration entre spécialistes et machine aboutit à une structuration plus robuste, tout en sensibilisant les utilisateurs aux biais potentiels des algorithmes. C’est un apprentissage itératif, nourri par le retour terrain et la confrontation des points de vue.

La synthèse de ces expériences met en lumière trois points : premièrement, les modèles d’IA sont aujourd’hui capables de traiter un grand volume de disclosures RSE et de les cartographier selon des standards internationaux. Deuxièmement, la nuance et l’intention qui transparaissent dans les rapports restent parfois hors de portée d’une automatisation brute, d’où l’importance d’un contrôle humain régulier. Enfin, l’avenir se dessine autour d’outils hybrides, intégrant l’expertise métier au cœur des algorithmes pour garantir des analyses fiables et adaptées aux attentes suisses. Pour les praticiens, il s’agit d’oser tester, d’ajuster et de s’approprier ces solutions en gardant toujours un œil critique. Soyons moteurs du changement et transformons nos pratiques, pas à pas, par l’expérimentation raisonnée.