Développer un produit IA pour l’analyse des risques ESG
Mozza a développé pour KPMG un outil interne capable d’ingérer jusqu’à 3 500 sources, d’identifier les risques ESG par secteur et pays, et de générer des rapports sourcés, prêts à l’emploi.
Contexte
KPMG, via son Centre d’Excellence ESG, souhaitait accélérer et fiabiliser la cartographie des risques ESG (environnementaux, sociaux et de gouvernance) pour ses clients.
Aujourd’hui, cette analyse repose sur la consultation manuelle de milliers de sources, un processus long, complexe et difficile à standardiser.
Avec l’entrée en vigueur de nouvelles réglementations comme la CSRD et la CS3D, KPMG devait offrir à ses consultants un outil interne capable de collecter, analyser et restituer de manière fiable un volume important de données, tout en garantissant la traçabilité et la conformité légale.
L’enjeu était double : gagner en productivité (plusieurs jours économisés par dossier) et renforcer l’exhaustivité des analyses afin de couvrir l’ensemble de la chaîne de valeur, au-delà des fournisseurs de rang 1.
Collaboration
Phase 1 — Construction du POC
- La mission commence par une phase d'audit et d'entretiens utilisateurs.
- Il s'agit de définir les critères de succès et la structure cible des rapports pour un premier scope à tester.
- Après une phase d'exploration technologique, une première architecture est testée avec un processus d’ingestion de plus de 3500 sources (API, web conforme aux règles définies, PDFs), en donnant la priorité aux sources de référence.
- L’analyse est ensuite confiée à une IA (RAG) : les données collectées sont indexées, explorées via une recherche sémantique, puis restituées sous forme de synthèses accompagnées de citations.
Le parcours utilisateur reste volontairement simple : le consultant se connecte, saisit le secteur d’activité et les pays concernés (jusqu’à une vingtaine), lance la génération d’un rapport (environ dix minutes sur le POC), puis consulte un document détaillant les risques par pays, leur description, qualification, exemples et sources.
Enseignements & décisions
- La méthode de scrapping et l'utilisation des data sources souhaitées initialement par le client présentaient des contraintes légales non contournables pour l'objectif du projet (utilisation des données à fins commerciales, pas de scrapping possible)
- Les différents agents de recherche testés (Perplexity, Tavily, GPT researcher) ne remontaient pas des informations de pertinence identique
Solution
Une suite de 4 agents indépendants pour gérer la phase de visite web (Tavily), la phase d'extraction des informations, la phase de rédaction du rapport, la phase de contrôle qualité
-
Phase 2 — Conversion en MVP
Après avoir validé la faisabilité technique avec le POC, l’objectif était de mettre l’outil à disposition des consultants KPMG pour un usage concret sur une plateforme indépendante.
Une UX fonctionnelle a été intégrée au design system existant et déployée en front-end pour rendre l’outil directement utilisable.
Les différents rapports ont été consolidés et dé-doublonnés, évitant la relecture manuelle et captant les derniers 20 % de gains de productivité.
Côté technique, un fine-tuning des prompts et une limitation des requêtes API ont permis d’optimiser coûts et performances.
Phase 3 — Intégration on-premises
- Des ateliers IT ont été menés pour présenter le MVP et l’architecture technique aux équipes internes de KPMG.
- Des alternatives ont été proposées pour les composants non compatibles, avec ajustement des prompts et de l’orchestration si nécessaire.
- La phase s’est conclue par un transfert complet et une QA : rédaction des specs, tests et accompagnement jusqu’au déploiement.
-
Résultats & valeurs clés
