Réduire les coûts de la prestation de services aux clients grâce à une infrastructure d'IA partagée
Les prêteurs, les assureurs et les entreprises agricoles du même pays dépensent tous les mêmes sommes pour créer des bases d’IA similaires. La construction de ces éléments communs permettra à ces derniers de mieux servir les petits agriculteurs et les petites entreprises, à moindre coût, tout en conservant le contrôle de leurs clients, de leurs données et de leurs décisions.
Premier épisode d'une série de quatre parties Accendo Associates et les MSC (MicroSave Consulting), tous deux cofondateurs de Alliance de l’IA inclusive.
Prenez Malti, une vendeuse de légumes dans une ville du marché en Inde. Elle a besoin d’un petit prêt pour acheter des produits avant la saison de pointe. Elle tient ses comptes dans un carnet, est payée principalement en espèces et parle une langue que les systèmes de ses prêteurs ne peuvent pas lire. Les visites sur place pour la servir lui ajoutent des frais que l’intérêt de son prêt ne peut pas couvrir, donc elle est refusée ou elle reçoit un crédit à des conditions plus strictes.
Un agriculteur laitier au Kenya, un producteur de café en Colombie et un propriétaire d’un magasin de sari-sari aux Philippines rencontrent le même obstacle. L’intelligence artificielle (IA) peut le réduire en lisant un livre comptable manuscrit à partir d’une photo, en répondant dans les langues locales et en donnant au prêteur une vision plus claire du risque. Pour faire cela correctement, il faut que quatre types d’IA travaillent ensemble ; aucun fournisseur ne propose tous ces types. Nous proposons de construire cette base une fois, en tant que bien commun ouvert, et de rechercher des partenaires pour la financer.
L'IA peut aider les clients à mieux gérer, acheter et vendre leurs actifs.
Seuls 56% adultes dans les pays à faible et moyen revenu sont capables de collecter des fonds d'urgence dans un délai de 30 jours, selon les données de l'organisation. Global Findex 2025, et les petites entreprises des marchés émergents sont confrontées à Forte lacune de crédit de 5,7 trillions de dollars américains (Estimation de SME Finance Forum et de la IFC, 2019). En plus de la décision de prêt, l’IA peut aider ces entreprises à fonctionner mieux, à acheter mieux et à vendre mieux en identifiant des fournisseurs moins coûteux, en tirant profit d’incitations gouvernementales et en attirant de nouveaux acheteurs. La réussite de chaque outil dépend de l’amélioration de la santé financière, des revenus et de la résilience du client.
Quatre capacités d’IA doivent collaborer pour servir les clients de manière efficace.
- Raisonnement général pour prendre des décisions éclairées : Le client reçoit des conseils pour gérer son entreprise et des réponses claires à ses questions. Le personnel du prestataire traite les demandes et fournit des réponses en quelques secondes.
- Langue locale et documents pour surmonter les barrières linguistiques : Le client reçoit des conseils dans sa propre langue, par message texte ou voix, même sur un téléphone de base avec un signal faible. Le prestataire lit un formulaire manuscrit sans le réécrire.
- Analyse du domaine, pour une compréhension pratique : Les modèles plus petits et spécifiques au domaine analysent les chaînes d’approvisionnement, les prix du marché ou les précipitations et le sol. Le client apprend ce qu’il faut planter, et quand et où vendre. Le fournisseur voit les risques de manière plus claire.
- Des décisions traçables pour la transparence et la responsabilitéLe client obtient une raison qu'elle peut comprendre et une manière de contester une décision qu'elle juge erronée. Le prestataire tient un registre que son superviseur peut vérifier.
Aucun fournisseur ne propose tous ces outils. Les outils de raisonnement les plus performants sont loués auprès d'entreprises mondiales, sont développés à l'extérieur de la plupart de ces pays et fonctionnent le mieux en anglais. Les outils linguistiques locaux s'améliorent grâce à des efforts régionaux tels que Sarvam En Inde, SEA-LION dans toute l’Asie du Sud-Est, et Latam-GPT du Chili. Pourtant, comme le montrent les travaux de terrain de MSC, lire l’écriture manuscrite dans une écriture locale ou répondre à une question par la voix dans la plupart des langues africaines n’est pas encore fiable. Les modèles spécifiques à un domaine ou les “ petits modèles d’intelligence artificielle ” conçus pour une utilisation particulière nécessitent des données locales. Les décisions tracables exigent que le fournisseur conserve les preuves, les règles et les versions du modèle qui sous-tendent une décision, afin que le client ou le régulateur puissent comprendre comment cette décision a été prise.
Très peu de fournisseurs disposent du personnel nécessaire pour gérer et maintenir ces systèmes en interne.
Une couche de confiance permet à un fournisseur de combiner des fournisseurs et de conserver le contrôle.
Notre conception place une couche de routage et de contrôle IA entre le fournisseur et chaque système IA qu’il utilise ; chaque fournisseur possède sa propre couche. Imaginez-le comme un tableau de bord doté d’un code de règles. Chaque appel provenant du personnel, des systèmes et des applications passe par cette couche ; de même que toutes les demandes provenant d’un téléphone que le dispositif ne peut pas traiter. Pour chaque demande, la couche décide de deux choses : ce que le système IA peut voir et ce qu’il peut faire.
Lorsque un modèle nécessite des contextes, tels que les informations d’un client, la politique de crédit du fournisseur ou un formulaire numérisé, la couche les récupère sous les autorisations du fournisseur. Les données identifiantes des clients ne sont transmises qu’aux modèles exécutés dans le pays, et les identifiants sont supprimés avant que quelque chose ne soit envoyé à l’étranger. Lorsqu’un modèle doit agir, comme vérifier un solde ou consulter un score auprès d’un bureau d’information, il le fait via la couche, jamais directement. Le fournisseur rédige les règles de manière que leur interprétation soit possible par son superviseur, et la couche enregistre toutes les questions, réponses et actions.
Les modèles utilisés pour les décisions commerciales, tels que le scoring de crédit, restent dans l’environnement du fournisseur et alimentent ses propres moteurs décisionnels. Sur les téléphones des agents et des clients, le travail se déroule sur le dispositif où cela est possible, même hors ligne, comme le fait déjà la plateforme x-VOX de MSC. Seul ce que le dispositif ne peut pas faire atteint la couche supérieure.
Comme toutes les communications passent par un seul endroit, le fournisseur peut changer de fournisseur à mesure que la technologie, les prix et les réglementations évoluent, à condition que la licence du nouveau système permette une utilisation commerciale, ce qui n’est pas le cas pour certains modèles ouverts, comme InkubaLM, Ne pas le faire. Bien que construire ce modèle soit une chose, le faire fonctionner est là où de nombreux fournisseurs auront des difficultés.
Créez les parties communes une fois.
Prenons 12 fournisseurs de services financiers dans un seul pays. Ils partagent un superviseur, un système d’identité, un réseau de paiement et un ensemble de langues, mais chacun construit les mêmes connexions, les mêmes outils linguistiques et les mêmes tests en toute indépendance. Chaque entreprise finance toujours ses activités en tirant profit de ses propres ressources financières, et sans preuves concrètes de rentabilité, la plupart des conseils d’administration attendent. Peu de capitaux extérieurs comblent le déficit. En septembre 2026, l’inclusion financière et l’agriculture ont reçu 445 millions de dollars dans 12 pays, sur un total de 90 milliards de dollars en capitaux d’IA recensés par Carte des flux de capitaux d'Accendo sur les marchés émergents. Cela représente une demi-centime sur chaque dollar, et presque tout cela est allé à des entreprises individuelles.
Nous proposons de créer un espace public ouvert, détenu par une organisation à but non lucratif, qui publie trois éléments : un modèle de conception ouvert pour la couche, des outils dans des langues locales, et des modèles spécifiques au domaine avec des poids ouverts que tout le monde peut inspecter. Chaque fournisseur les implémente localement sur ses propres systèmes, selon ses propres règles, et les adapte à son propre marché. Les fournisseurs obtiennent ainsi des coûts plus faibles, des résultats comparables avant de s’engager, et des normes communes qui leur permettent de changer de fournisseur sans compromettre leur responsabilité vis-à-vis de leur superviseur.
Les subventions permettraient de construire les infrastructures communes, et les frais d’adhésion permetteraient de les maintenir. Nous recherchons des partenaires financiers qui soutiennent l’infrastructure partagée et nous souhaitons entendre des fournisseurs, des vendeurs et des responsables qui perçoivent le problème différemment.
Malti, la vendeuse de légumes, ne verra jamais la couche de routage et de contrôle de l’IA. Elle verra un prêteur qui pourra lire son carnet de notes, répondre à ses questions dans sa propre langue et proposer des conditions adaptées à son activité. Une base commune rend cela abordable pour tous les prestataires dans son pays.
C’est la première de quatre parties. La deuxième partie approfondit l’architecture : le jardin clos et défendu qui détermine ce que possède un fournisseur et ce qu’il loue, comment le système fonctionne sur les appareils et comment les biens communs sont gérés et financés. La troisième partie examine les risques, notamment les modèles partagés qui échouent ensemble, et comment la conception répond à ces problèmes. La quatrième partie présente des questions spécifiques aux bailleurs de fonds, aux superviseurs et aux fournisseurs, ainsi qu’à un premier groupe de fournisseurs dans un seul pays.
Plus d'informations à venir.
