Articles

Les déductions constituent l'une des principales sources de frustration pour les équipes commerciales et financières du secteur des biens de grande consommation (CPG). Les retards s'accumulent, les litiges s'éternisent au-delà des délais impartis et, ce faisant, le chiffre d'affaires s'envole. L'intelligence artificielle commence déjà à changer la donne, pour le meilleur comme pour le pire. 

Nous avons récemment organisé un webinaire en direct intitulé « Comment l’IA transforme la gestion des déductions dans le secteur des biens de grande consommation ». Lors de cet événement virtuel, Tim Wentz, responsable marketing produit chez UpClear, et Andrew Dentinger, directeur produit, ont présenté certains des résultats de nos recherches, ont approfondi le fonctionnement de l’IA générative et ont expliqué comment UpClear met en œuvre les dernières technologies pour aider ses clients à gérer efficacement les déductions aujourd’hui. 

Le point sur les déductions fiscales en 2026 

La séance a débuté par une présentation du rapport de référence sur les déductions d’UpClear publié en début d’année. Les scores NPS révèlent une insatisfaction manifeste vis-à-vis des outils, des processus et de la collaboration avec les commerciaux sur le terrain actuels. 

L'ancienneté des retenues constitue une part importante du problème. En moyenne, seules 20 % des retenues sont traitées dans un délai de 15 jours. À plus grande échelle, seules 48 % sont réglées au cours des 30 premiers jours. Cela signifie qu'environ la moitié de toutes les retenues en suspens à un moment donné datent de plus d'un mois. 

Les taux de dépréciation reflètent la même tendance. Environ 45 % des personnes interrogées ont déprécié plus de 10 % de leurs déductions. Sachant que, selon les références du secteur, les déductions représentent entre 5 et 15 % du chiffre d'affaires brut, cela représente rapidement un montant considérable. 

Les causes profondes sont bien connues : trop de tâches manuelles, un manque de données en temps réel et des délais de contestation trop courts. À tout cela s'ajoutent des ressources et des outils limités. Il en résulte une perte de chiffre d'affaires, car des contestations légitimes ne sont pas déposées et des retenues injustifiées passent inaperçues. 

Le rôle de l'IA dans le secteur des biens de grande consommation et les déductions

L'histoire de l'intelligence artificielle remonte bien plus loin que celle des grands modèles de langage (LLM) que nous utilisons aujourd'hui. Andrew a évoqué brièvement les premières applications de cette technologie, depuis la modélisation statistique jusqu'à l'apprentissage automatique, en passant par l'apprentissage profond, pour aboutir aujourd'hui aux modèles génératifs. 

En ce qui concerne la plupart des aspects liés à la gestion des risques et aux prévisions, nous soulignons depuis longtemps que les modèles statistiques et l'apprentissage automatique traditionnel offrent les meilleures opportunités concrètes. Bien que l'IA générative soit plus impressionnante sur le plan technique, elle n'est pas bien adaptée à l'environnement des données du secteur des produits de grande consommation. 

Par exemple, deux ans d'historique de données agrégées pour une seule référence ne représentent qu'environ 104 observations. Cela est considéré comme un ensemble de données solide dans ce domaine, mais c'est peu par rapport aux normes de l'IA.

Les déductions, c'est une autre histoire. Le domaine des déductions est beaucoup plus riche en données, avec des dizaines de milliers de documents générés chaque jour par les transporteurs, les systèmes internes, les détaillants, les distributeurs et les banques. Le volume et la structure de ces données constituent une source d’alimentation bien plus importante pour les modèles de langage grand public (LLM), c’est pourquoi nous pensons que ce domaine est mûr pour l’automatisation. C’est également la raison pour laquelle nous avons constaté un afflux massif d’investissements extérieurs dans le traitement intelligent des documents au cours des deux dernières années. 

Qu'est-ce que l'IA générative ?

Utiliser l'IA générative au quotidien est une chose, mais il est également utile de comprendre ce qui se passe en coulisses. Andrew a expliqué le processus suivi par un chatbot lorsque vous posez une question telle que : « Concernant une déduction fiscale chez Walmart, que signifie le code de déduction 24 ? » 

Tout d'abord, votre question est découpée en petits segments grâce à un processus appelé « tokenisation ». Ces segments sont ensuite transmis à un « Transformer », l'architecture qui sous-tend la plupart des outils d'IA modernes et qui constitue l'une des avancées techniques majeures de la dernière décennie. 

Le transformateur traite ces informations et génère une distribution de probabilités parmi les mots suivants possibles. À partir de là, il recommande le mot le plus probable. Ce mot est réintégré dans la séquence, et l’ensemble du processus se répète pour générer le mot suivant, puis le suivant, jusqu’à ce que la réponse complète soit construite, mot après mot. 

Andrew a notamment souligné que le modèle génère une nouvelle réponse à partir d’un calcul entièrement nouveau à chaque étape. Contrairement aux méthodes de recherche traditionnelles, qui exploitent des résultats pré-générés, ce processus est gourmand en ressources informatiques et intrinsèquement non déterministe. Si vous posez deux fois la même question, vous risquez d’obtenir deux réponses totalement différentes. Une grande partie des travaux menés actuellement dans le secteur vise à rendre ces résultats plus cohérents et prévisibles. 

Comment « Blue » utilise cette technologie 

Chez UpClear, nous avons mis en œuvre cette technologie à plusieurs étapes du cycle de vie des déductions au sein de la solution « Blue Deductions ». 

En ce qui concerne l'acquisition des données, nous utilisons un système automatisé de collecte de données sur les portails pour extraire directement les informations relatives aux déductions et aux versements à partir des portails des détaillants et des distributeurs. Nous avons également mis en place un système de gestion des identifiants afin de garantir le bon fonctionnement de ce processus à long terme.

À partir de là, un processus en plusieurs étapes identifie le type de document, extrait les informations relatives à l'en-tête et aux lignes de commande, puis relie entre eux les documents associés. Il établit des liens entre les avis d'expédition (ASN), les numéros de bon de commande et les numéros de facture provenant de différentes sources, ce qui permet d'obtenir automatiquement une vue d'ensemble complète d'une demande de remboursement. 

Pour les clients qui utilisent déjà Blue Planner , ces données extraites sont automatiquement mises en correspondance avec vos promotions. Le système utilise des balises et des identifiants extraits directement des documents afin d'accélérer les processus de mise en correspondance et de validation. 

Lors du traitement des réclamations, nous utilisons l'apprentissage automatique pour attribuer à chacune d'entre elles un score en fonction du niveau de confiance, ce qui permet d'indiquer s'il est susceptible de valoir la peine de contester une déduction. Nous proposons également une automatisation complète des formulaires : nous préremplissons les formulaires de contestation exigés par les détaillants et fournissons un argumentaire de contestation généré par un modèle de langage (LLM), que vous pouvez consulter, modifier ou régénérer avant son envoi. 

Le module « Deductions » fait partie de notre écosystème plus large « Blue » (RGM) intelligence platform , relié via la solution « Bridge ». Cela signifie que vos données de promotion commerciale dans « Blue »Planner sont parfaitement reliées au module « Deductions ». Grâce à cet écosystème connecté, vous pouvez suivre une demande depuis la promotion commerciale jusqu’à sa résolution. Blue Le module « Deductions » peut également être utilisé de manière autonome, intégré à un système TPM distinct.

Aujourd'hui, nous accompagnons des enseignes de distribution et des distributeurs tels que Target, Unified, Kroger, Amazon et Walmart, et nous élargissons progressivement notre champ d'action à mesure que nous travaillons avec nos clients pour cerner leurs besoins. Les clients qui utilisent cette technologie obtiennent des résultats significatifs, avec un gain de temps en main-d'œuvre d'environ 48 heures par semaine en moyenne, en fonction de l'ampleur du déploiement et du volume des retenues concernées. 

Notre philosophie : une conception centrée sur l'humain 

Outre les progrès majeurs réalisés dans le domaine de l’intelligence artificielle, Andrew a également abordé les limites de cette technologie à l’heure actuelle. Cette prise de conscience a influencé la manière dont nous avons développé « Blue Deductions », ainsi que notre vision de son évolution future. 

Chaque étape d'un processus pilotée par l'IA comporte un certain risque d'erreur. Prise isolément, cette probabilité peut sembler faible. La classification de documents, par exemple, affiche à elle seule une précision d’environ 98 %. Cependant, lorsque l’on enchaîne plusieurs étapes pour former un processus entièrement autonome, ces faibles taux d’erreur s’accumulent. Lors de tests en conditions réelles, cette précision de 98 % pour une étape isolée est tombée à environ 90 % une fois que la classification, l’extraction et la catégorisation ont été exécutées de bout en bout. 

Le raisonnement mathématique sous-jacent est le même que celui qui s'applique lorsqu'on lance une pièce trois fois de suite : chaque lancer pris isolément a une probabilité de 50/50. En conséquence, la probabilité d'obtenir le même résultat trois fois d'affilée tombe à 12,5 %. Si l'on enchaîne suffisamment d'étapes, même avec une grande précision à chaque étape, la fiabilité globale s'érode rapidement. Avec une précision de 95 % par étape, quatre étapes consécutives entraînent déjà un taux d'erreur proche de 19 %. 

C’est pourquoi nous ne croyons pas qu’il faille tenter d’automatiser entièrement les déductions de bout en bout avec les technologies actuelles. Au contraire, nous concevons nos solutions en plaçant l’humain au cœur de notre démarche, en recourant à l’automatisation uniquement lorsque le coût d’une vérification manuelle dépasse clairement celui d’une erreur occasionnelle. Nous prévoyons un contrôle humain toutes les quelques étapes afin de nous assurer que tout fonctionne comme prévu. L’IA accélère le processus, mais les humains restent impliqués là où le jugement est le plus important. 

Approfondissez vos connaissances sur les déductions 

Ce résumé n'en donne qu'un aperçu.Regardez l'intégralité de la session pour découvrir une discussion plus approfondie, une démonstration en direct du produit, une séance de questions-réponses avec le public, et bien plus encore.