Moments de notre travail au quotidien

analyse collaborative de rapports financiers

Tests en situation réelle

Nous travaillons souvent en binôme pour tester comment l’IA extrait les indications de management, en confrontant les résultats aux lectures manuelles et aux besoins concrets des utilisateurs en recherche prospective.
tableau de bord de données textuelles

Vue structurée des textes

Notre interface met l’accent sur la lisibilité des séries de données extraites, avec des liens vers les passages sources et des repères temporels pour suivre l’évolution des messages de la direction.
réunion autour de méthodes d extraction

Méthodes documentées

Nous consacrons du temps à documenter notre méthode interne, des sources utilisées aux règles de structuration, afin que chaque évolution du produit reste compréhensible et traçable.
expert relisant des extraits de guidance

Contrôle humain intégré

Avant de valider un nouveau type d’extraction, nous procédons à des relectures détaillées pour vérifier la fidélité des résumés et identifier les cas où le modèle doit être ajusté.

comparaison temporelle de données de management

Comparaisons dans le temps

Nous concevons des vues qui permettent de comparer, période par période, les principales indications de management, sans perdre le lien avec la formulation exacte utilisée dans chaque document.
équipe concentrée sur l amélioration produit

Une équipe à taille humaine

Nos échanges internes tournent souvent autour de questions simples : est ce utile, est ce compréhensible, est ce vérifiable, et comment l’expliquer clairement à une personne qui découvre l’outil.

Nous parlons souvent d’IA, mais au quotidien nous parlons surtout de documents, de phrases précises et de décisions à prendre.

Quand nous ouvrons un rapport de résultats, nous ne voyons pas seulement des chiffres. Nous voyons aussi des phrases où la direction précise ses priorités, ses hypothèses de marché, ses marges cibles, ses scénarios prudents. Pendant longtemps, nous recopiions ces éléments à la main, dans des notes personnelles difficiles à retrouver. Avec Felavrient, nous voulons que ces indications deviennent des données structurées, consultables, comparables, tout en restant ancrées dans leur contexte d’origine.

Nous avons appris, au fil des essais, que l’IA se trompe parfois sur les nuances. Un verbe mal interprété peut changer le sens d’une indication de management. C’est pour cela que nous avons intégré des contrôles humains dans notre façon de tester les modèles, et que nous offrons des moyens simples de vérifier chaque extrait. Nous préférons rappeler qu’un modèle reste perfectible, plutôt que laisser croire à une exactitude systématique qui n’existe pas.

Nous savons aussi que la recherche financière n’est pas une science isolée. Elle dépend de cadres réglementaires, de pratiques internes et de la sensibilité de chaque analyste. Notre rôle n’est pas de dicter une lecture unique, mais de rendre plus accessible la matière première textuelle sur laquelle ces lectures se construisent. En pratique, cela signifie moins de temps passé à retrouver une phrase dans un document long, et plus de temps consacré à la réflexion sur ce qu’elle implique réellement.

Comment nous voyons le lien entre IA et recherche financière

Nous avançons avec l’idée simple que de meilleures données textuelles peuvent soutenir une réflexion plus calme, plus structurée, sans remplacer le jugement humain.

Ce que notre outil peut et ne peut pas faire

Nous construisons un outil d’exploration textuelle, pas une machine à décisions automatiques, avec l’idée que la prudence reste la meilleure alliée dans l’analyse financière.

Ce que nous faisons est technique, mais notre objectif reste très simple à résumer.

Nous voulons aider les personnes qui travaillent avec des documents financiers à retrouver rapidement ce que la direction a déjà dit, comment elle l’a formulé et comment cela a évolué au fil des périodes. Nous utilisons l’IA pour repérer, extraire et organiser ces indications de management, mais nous gardons toujours la possibilité pour l’utilisateur de revenir au texte original, de vérifier la formulation exacte et de replacer chaque phrase dans son contexte complet.

Dans cette démarche, nous sommes conscients des limites. Les documents peuvent être ambigus, les prévisions peuvent changer, les marchés peuvent évoluer de manière inattendue. C’est pourquoi nous insistons sur une phrase simple : les résultats peuvent varier. Notre outil n’est pas une promesse de performance, ni un raccourci vers une décision. C’est un support de travail, qui doit être combiné avec d’autres sources d’information, des analyses complémentaires et, lorsque c’est pertinent, des avis professionnels adaptés à chaque situation.

Nous rappelons également que, dans le domaine financier, les performances passées ne préjugent pas des performances futures. Même si notre outil permet de comparer les indications de management sur plusieurs périodes, ces comparaisons restent descriptives. Elles n’emportent aucune certitude sur l’avenir. Toute décision prise sur la base de ces informations relève de la responsabilité de l’utilisateur, qui doit tenir compte de sa propre situation, de sa tolérance au risque et des contraintes réglementaires qui s’appliquent à lui.

Qui nous sommes

Quand nous avons commencé à travailler avec des documents de résultats, nous passions des soirées entières à copier des tableaux, relire des commentaires de direction et noter des hypothèses dans des feuilles éparpillées. À force de répéter les mêmes gestes, nous avons compris qu’une partie de ce travail pouvait être confiée à l’IA, à condition de rester très précis sur ce qu’elle fait, ce qu’elle ne fait pas, et sur la façon dont nous contrôlons chaque étape.

Aujourd’hui, nous avançons comme une petite équipe de passionnés de données, de finance et de texte. Nous parlons un langage simple, nous documentons nos méthodes, et nous préférons reconnaître ce que nous ne savons pas plutôt que promettre plus que ce que l’outil peut raisonnablement apporter à une analyse prudente.

Notre spécialité est l’extraction de données liées aux indications de management dans les documents financiers publics, leur structuration en séries comparables, puis la mise à disposition de ces éléments pour nourrir des analyses prospectives, sans jamais se substituer au jugement professionnel de l’utilisateur.
collaboration autour de rapports financiers

Notre philosophie de travail avec l IA

Transparence sur chaque transformation

Nous pensons que chaque transformation appliquée à un document financier doit pouvoir être expliquée. C’est pourquoi nous détaillons nos choix de sources, nos critères d’extraction et nos règles de structuration. Nous privilégions des interfaces sobres, avec des liens explicites vers les passages d’origine, afin que l’utilisateur puisse toujours vérifier comment une donnée textuelle a été produite et décider en connaissance de cause de la manière de l’utiliser.

En partageant notre propre regard d’utilisateurs avancés, nous cherchons à garder les pieds sur terre et à rester proches de vos contraintes réelles.

Ce que nous avons appris en construisant Felavrient

Nous nous voyons comme des utilisateurs exigeants qui partagent l’outil qu’ils auraient aimé avoir plus tôt.

En tant qu’utilisateurs, nous avons souvent été frustrés par des solutions opaques. Des tableaux très fournis, mais peu d’explications sur la façon dont les données ont été extraites ou nettoyées. Chez Felavrient, nous essayons de faire l’inverse. Nous partons de cas simples, expliquons nos choix, et ajoutons de la complexité seulement lorsque cela apporte un bénéfice clair à la personne qui lit les résultats.

Cette attitude se retrouve dans notre manière de parler de l’IA. Nous évitons les grands mots et les promesses trop larges. Nous expliquons plutôt comment un modèle identifie un passage de guidance dans un compte rendu de conférence, comment il le relie à une période, à un type de métrique, puis comment nous vérifions que l’extrait reste fidèle au texte. C’est un travail patient, parfois répétitif, mais c’est celui qui nous semble le plus utile pour un usage sérieux des données.

Nous avons également appris à dire non à certaines demandes. Par exemple, transformer automatiquement ces données en recommandations prêtes à l’emploi ne correspond pas à notre vision. Nous préférons rester sur notre cœur de métier : l’extraction, la structuration et la mise à disposition d’informations textuelles qui aident à éclairer des analyses plus larges. Les décisions finales, elles, appartiennent toujours à nos utilisateurs, qui connaissent leur contexte, leurs contraintes et leurs responsabilités.

Notre manière de travailler avec les données de management

Sur cette page, nous expliquons comment nous travaillons, ce qui nous motive et les garde‑fous que nous mettons en place autour de l’IA. Nous parlons de notre manière de traiter les données de management, de notre méthode par étapes, et de la façon dont nous intégrons la transparence et la prudence dans chaque décision de produit.
    1

    Partir de nos besoins

    Avant de parler d’algorithmes, nous commençons par les questions des utilisateurs. Quelles indications de management souhaitent‑ils comparer dans le temps, comment organisent‑ils aujourd’hui leurs notes, quelles sources documentaires sont réellement utilisées dans leur pratique courante. Cette écoute nous aide à définir des cas d’usage réalistes, au lieu de fonctions spectaculaires mais difficiles à intégrer dans un flux de travail quotidien.

    2

    Méthode par étapes

    Une fois les cas d’usage clarifiés, nous appliquons ce que nous appelons notre méthode en trois cadrages. D’abord cadrer les sources, ensuite cadrer les types d’extraits recherchés, enfin cadrer les règles de structuration des données. Chaque étape est documentée et revue avec des utilisateurs pilotes, afin de vérifier que le résultat reste fidèle au texte d’origine et exploitable dans leurs analyses.

    3

    Transparence assumée

    Nous insistons sur la lisibilité de chaque transformation. Pour chaque indicateur extrait, nous cherchons à garder un lien vers le passage source, à afficher les hypothèses de l’IA et à signaler les zones d’incertitude. Nous préférons un résultat partiel mais clair, plutôt qu’un tableau complet dont nous ne pourrions pas expliquer la construction ligne par ligne.

    4

    Prudence et responsabilité

    Nous considérons l’IA comme un outil d’aide à la lecture, pas comme une promesse de performance. Nos utilisateurs restent responsables de leurs choix, de leurs hypothèses et de leurs conclusions. Nous, nous nous concentrons sur la qualité de l’extraction, la traçabilité des étapes et la clarté de l’interface. Les résultats peuvent varier selon les données disponibles et l’usage qui en est fait.

    5

    Amélioration continue

    Notre produit évolue au fil des retours. Nous ajoutons progressivement de nouveaux types d’indications de management, de nouveaux formats de documents et de nouvelles options de comparaison temporelle. Chaque ajout est testé sur des cas réels, avec des retours concrets d’analystes qui utilisent déjà la plateforme dans leurs recherches quotidiennes.

Notre histoire et notre approche

Nous avons créé Felavrient pour une raison simple. En tant qu’utilisateurs, nous étions perdus dans les présentations de résultats, les conférences téléphoniques et les rapports annuels, sans outil clair pour comparer les indications de management dans le temps. Nous avons donc décidé de construire une couche d’IA qui nous aide à extraire, structurer et rapprocher ces informations, tout en restant lucides sur ses limites et en gardant la main sur chaque interprétation.

Nous ne nous présentons pas comme des oracles. Nous parlons plutôt d’un compagnon de lecture pour la recherche financière, conçu pour réduire les tâches répétitives de collecte, et laisser plus de place au jugement humain, à la prudence et au doute raisonné.
équipe analysant des données financières

Votre choix concernant les cookies

Nous utilisons des cookies pour faire fonctionner le site, mesurer l audience de façon anonyme et, si vous l acceptez, améliorer votre expérience de lecture. Vous pouvez à tout moment modifier vos choix dans les paramètres de cookies.

Cookies essentiels

Ces cookies sont nécessaires au fonctionnement technique du site, par exemple pour mémoriser vos choix de consentement, sécuriser les sessions et afficher correctement les pages que vous consultez.

Mesure d audience

Ces cookies nous aident à comprendre comment le site est utilisé, avec des mesures d audience agrégées, afin d améliorer progressivement les contenus et l ergonomie proposés.

Préférences facultatives

Certains cookies facultatifs peuvent adapter l affichage de certains contenus ou messages selon vos préférences, toujours dans le respect du cadre légal applicable en France et en Europe.

En savoir plus dans notre politique