🎤À quoi ressemble une entreprise pilotée par l’IA ? (Alex Shevchenko - Ramp)

Invité : [0:01] C'est de la même façon que nous, on devrait voir l'intelligence sociale. C'est comme un coworker, c'est comme une personne qui travaille dans notre entreprise. On doit l'enseigner à faire comment on conduit le travail, c'est quoi tout le contexte qu'il aura besoin. Et avec le temps, ils vont devenir de meilleur en meilleur et on pourra enlever l'humain de la boucle de plus en plus. Monde Numérique : [0:35] Bonjour Alex Shevchenko. Invité : [0:37] Bonjour. Monde Numérique : [0:38] Respons able du Lab d'intelligence artificielle de Ramp, une compagnie américaine de technologie au service des finances des entreprises, une fintech comme on dit. Ramp, fondée en 2019 par Karim Atiyeh et Eric Glyman, valorisée aujourd'hui à 44 milliards de dollars, ce qui en fait la cinquième plus grosse entreprise américaine. N'ont coté en quelques mots l'activité de Ramp tout d'abord ? Invité : [1:01] Oui, RAMP fait beaucoup de choses. On construit l'infrastructure financière pour l'intelligence artificielle. On intègre directement dans le flux de chaque dollar dépensé par une entreprise. On utilise RAMP pour autoriser les paiements, détecter les risques, catégoriser des dépenses et clôturer les comptes sur l'ensemble des cartes, notes de frais, paiements de factures, achats, voyages, trésorerie et comptabilité. Plus de 70 000 organisations, surtout américaines, font confiance à RAMP. Le client médian économise 5% sur ses dépenses et augmente son chiffre d'affaires de 16% au cours de sa première année. Et maintenant, on fait un petit shift vers la transformation du capital en intelligence Invité : [1:42] sur l'utilisation des LLM. Monde Numérique : [1:44] Alors, c'est de cela précisément dont on va parler. Et pour que l'on comprenne bien et pour avoir un peu l'éclairage d'une entreprise américaine, comment est-ce que vous avez intégré l'IA concrètement chez Ramp? Invité : [1:56] Oui, Ramp avait commencé à utiliser l'intelligence artificielle et même les LLM très, très tôt dans la vie de ChatGPT et tous ces outils qui ont commencé à sortir. Même avant ChatGPT, il y avait les modèles GPT-3 à base de transformeurs qui ont créé. Déjà qu'il se faisait utiliser chez Ramp avant le moment ChatGPT qui a vraiment popularisé l'utilisation des LLM par les entreprises. Ramp l'utilisait déjà pour Merge, fondre plusieurs vendeurs entre eux pour la catégorisation des vendeurs sur les catégories des transactions, pour les paiements et d'autres trucs que les utilisateurs ne voyaient pas vraiment. Il n'y avait pas de chatbot ou d'agent d'IA à ce moment, mais on utilisait déjà la technologie qui après est devenue chat GPT et après est devenue genre GPT 5.5 ou Opus qu'on utilise maintenant. Invité : [2:57] Pour le quotidien, presque toutes les équipes et presque toutes les personnes, chez RAM utilisent l'intelligence artificielle, soit l'ingénierie, la finance, le support, les opérations, d'une manière ou d'une autre, les gens l'utilisent. On a des différents outils pour chaque équipe. On a construit Ramp Inspect, qui est similaire à Cloud Code ou à Devon, mais construit entièrement à l'intérieur de Ramp pour les ingénieurs. Ah oui, d'accord. Monde Numérique : [3:28] Vous avez développé votre propre IA de code, en fait. Invité : [3:31] Oui. Donc, le modèle en tant que tel, c'est quand même les modèles des laboratoires comme OpenAI ou Unparampic, mais ce qu'on appelle le harness, le système qui entoure le modèle, on l'a construit chez RAMP. Ça rajoute beaucoup de bénéfices. C'est très important d'avoir du contexte qui est bon pour les modèles. Ce n'est pas juste l'intelligence qui est importante, c'est aussi ce qu'on ramène au modèle. Et en construisant le harness à l'intérieur de Ramp, on peut apporter toutes nos bases de données, tous nos systèmes d'exploitation genre Ramp, genre Gong, genre Brain Trust, Postgres, tous les systèmes différents. On peut les ramener à notre harness sans avoir le devoir, donner accès à ces données à un système extérieur comme Cloud Code ou Devon. Invité : [4:25] Donc, tout se fait à l'intérieur. Ça, c'est pour les ingénieurs, pour le support, les opérations, la finance. On a aussi un outil qui s'appelle Ramp Glass, qui est très similaire à Inspect, mais qui est sur l'ordinateur locally, genre pas sur le web. Et ça aussi, ça fonctionne comme un coworker pour toutes les équipes d'opération et vraiment plus... Axé sur les fichiers tableurs, les documents Word, etc., préparation de présentation, gérer le contexte sur Slack et sur Notion, etc. Monde Numérique : [5:03] Et alors, le Lamp Lab, ça consiste en quoi? Invité : [5:06] Lamp Lab, c'est une équipe qu'on a lancée il y a à peu près une année. C'était en août 2025. Donc, c'est venu par la réalisation qu'on avait beaucoup de « captured value » à l'intérieur de Ramp, beaucoup de prototypes et d'idées qu'on avait développées à moitié, mais. Invité : [5:28] Que le monde ne voyait jamais vraiment à l'extérieur de Ramp. Et donc, moi et un designer, Alex Stoffer, on avait fait le pitch à Karim, le CTO de Ramp, où on voulait faire un nouveau brand, Ramp Labs, qui était plus axé sur l'externe pour montrer les nouvelles idées, les nouveaux prototypes et les nouvelles façons d'utiliser l'intelligence artificielle, à l'extérieur de juste genre utiliser Cloud Code ou juste utiliser ChatGPT. C'est quoi les façons uniques de présenter visuellement? C'est quoi les façons uniques d'entraîner l'intelligence artificielle? On fait du post-training, on fait des benchmarks, on fait même des expériments en interpretabilité, où on essaie de comprendre ce qui se passe à l'intérieur du modèle, pas en demandant des questions au modèle lui-même, mais en ouvrant le black box, la boîte noire, où tous les neurones se cachent et en analysant neurone par neurone, c'est quoi les activations et c'est quoi les... Invité : [6:39] C'est quoi les pensées un peu qui se passent à l'intérieur de l'intelligence ? Monde Numérique : [6:42] Et ça, vous y arrivez ? Vous y arrivez ? Parce qu'on dit souvent que les IA, génératifs, c'est des black box, c'est des boîtes noires, et que finalement, tout nous échappe. Mais en fait, on peut comme ça un peu les auditer ? Véritablement les surveiller? Invité : [6:59] Pas à 100%. C'est vraiment une branche de la science qui est encore en train d'évoluer très activement. Il y a des compagnies comme Anthropic et Goodfire qui font beaucoup d'expériments dans ce domaine. Genre Mechanistic Interpretability, c'est quelque chose qui évolue beaucoup, mais il y a des expériences comme Steering Vectors que nous on avait fait où on peut trouver des concepts spécifiques dans les neurones, de l'intelligence artificielle pour que le modèle ait toujours ce concept dans sa tête. On avait publié un article sur ce thème. C'est vraiment intéressant. Le texte que le modèle produit lorsqu'on prend un de ces concepts et on le freeze dans ses neurones, comparé à un modèle que tu Invité : [7:46] prends ou que tu fais du post-training dessus. Monde Numérique : [7:49] Alors tout ça, c'est la partie un peu cachée, en fait. C'est la partie vraiment recherche de ce que vous faites. Et ça débouche, évidemment, sur des applications concrètes pour les collaborateurs Monde Numérique : [8:03] de l'entreprise, mais également à l'extérieur au niveau des produits. Et vous avez lancé différents produits. Le premier, c'était Ramsheet, c'est ça? Invité : [8:10] Oui, Ramsheet, c'était un produit qu'on avait complètement créé à l'intérieur de Ramf Labs. Il y avait un très long parcours pour la création de ce produit. Ça avait commencé avec les équipes internes de finance et de comptabilité chez RAMP et on essayait de trouver des façons de faciliter leur travail quotidien. La première chose qu'on s'est rendu compte, c'est que les comptables et les ingénieurs parlent un peu des langues différentes. Les comptables pensent en process et les ingénieurs pensent en système. Et donc, la première chose qu'on avait faite, c'était un petit système qui faisait du process mining pour essayer de comprendre ce qu'ils font. On prenait des... Invité : [8:56] Des enregistrements de leur écran qu'ils préparaient pour nous, donc comment ils faisaient des rapprochements, par exemple. Et ils nous les envoyaient. Nous, on le prenait, on le passait par un système d'IA de Google Gemini pour transformer la vidéo en procédé et, en description texte pour que nous, l'ingénieur, on pouvait l'analyser et essayer de le transformer en workflow automatisé. Et puis, on s'est rendu compte, On pourrait, à la place d'avoir l'ingénieur qui l'automatise, on pourrait juste la passer directement à l'IA et avoir tout le procédé de vidéo qui passe en workflow automatisé. Quand on l'avait présenté aux comptables et à notre équipe de finances stratégiques, la critique qu'on avait reçue, c'était que c'était trop une boîte noire. On ne voyait pas ce qui se passait, surtout que l'artifact qui sortait de l'autre bout, c'était un script de Python que les comptables ne savaient pas vraiment comment lire. Et donc, on a pris un moment pour essayer de réanalyser la situation et on s'est rendu compte que 90%, 99% des vidéos qu'ils nous envoyaient, c'était des tableurs sur genre Microsoft Excel ou Google Sheets. Et on a décidé qu'on pourrait... Invité : [10:15] Aider les comptables dans le monde où ils opèrent déjà, donc les systèmes tableurs, et créer Rampsheets, qui était un système qui était basé sur tout ce procédé à base de vidéo. Invité : [10:27] Mais qui faisait toute l'exécution de la logique, pas en Python, mais en Excel. Et ça, ça a été beaucoup mieux reçu parce qu'ils pouvaient voir ce qui se passait réellement dans le système. Monde Numérique : [10:40] Parce que les comptables parlent plus l'Excel que le Python. Oui, exactement. En général. Donc, en fait, ça a créé du Excel qui a été généré par l'IA, c'est ça? Invité : [10:49] Oui, exactement. Et même les résultats que vous pourriez créer en ayant, le LLM qui produit directement en one-shot un fichier Excel ou un fichier Python qui génère un fichier Excel, pourrait avoir un score de précision qui était plus élevé que la tactique que nous, on utilisait. Nous, on était vraiment sur, on veut produire une étape à la fois, le fichier Excel, comme un humain le ferait. Donc, page par page, ça, c'est la table pour les accruals en AR où on reçoit l'argent. Ça, c'est le AP. Et donc, page par page, qui n'est peut-être pas la façon d'avoir la meilleure précision du côté LLM, mais qui était la plus digestible par le comptable. Monde Numérique : [11:39] Donc, ça permet à deux métiers qui ont du mal habituellement à se comprendre, de tout d'un coup communiquer et changer des informations beaucoup plus facilement, en fait. Oui, exactement. Monde Numérique : [11:50] Mais Alex, quand on parle d'IA et d'IA générative, immédiatement, on pense à ces défauts qui sont notamment les hallucinations, les biais, etc. Est-ce que ce n'est pas un problème dans votre cas ? Invité : [12:05] Les hallucinations... Intéressement, c'est quelque chose qui est beaucoup moins applicable maintenant avec les nouveaux modèles comparativement aux premiers modèles. Quand GPT-3.5 était sorti, ça c'était un modèle qui hallucinait beaucoup plus que les modèles d'aujourd'hui comme Opus 4.6. Opus va faire d'autres types d'erreurs où il va être trop enthousiaste à changer, des fichiers qu'il ne devrait pas, même où l'auteur ne l'avait pas demandé de changer des fichiers, ce genre de choses. Mais c'est exactement aussi pour cela qu'on a créé cette modalité de tableur à la place de Python Script parce que le comptable peut quand même voir tout Invité : [12:53] le fichier lui-même à la place de juste de voir du blind trust au système. Monde Numérique : [12:58] Alors, il y a un autre système, un autre service que vous avez lancé tout récemment qui s'appelle Stack, qui lui est destiné à vos clients, si j'ai bien compris, et qui exploite pleinement les agents IA, c'est ça? Invité : [13:13] Oui, Ramp Stack, c'est un système d'exploitation pour les cabinets d'entreprises comptables. On l'a créé directement avec plusieurs cabinets et non pas en vase clos par nous-mêmes avec juste des ingénieurs. RAM travaille directement avec 4500 cabinets comptables et le développement de RAMStack était très, très collaboratif avec tous ces cabinets. Et l'objectif c'était vraiment de faire des workflows réels et non pas juste un chatbot, qui faisait juste une ou deux tâches à la fois donc Stack comparé à Rampsheet c'est beaucoup plus intégré dans, comment le comptable fait leur travail quotidien donc il y aura un checklist genre toute la liste de toutes les choses qu'il doit faire chaque jour ou chaque mois et, il connecte directement au système externe comme QuickBooks. Il peut télécharger l'information, préparer le rapprochement, préparer les charges constatées d'avance, les charges à payer, puis les télécharger à QuickBooks avec le journal entry qui est déjà préparé. Monde Numérique : [14:27] Alors, bon, pour qu'on comprenne bien, c'est la comptabilité américaine qui n'est sans doute pas exactement la même que la comptabilité en France, Mais grosso modo, ça fait quoi dans un travail de comptable, Stack, et ça lui permet de faire quoi? Invité : [14:40] Un exemple concret, c'est à chaque mois, le comptable doit vérifier, faire le rapprochement. Le rapprochement, c'est quoi? C'est vérifier que la vision de leurs finances à l'intérieur de la compagnie sont les mêmes que la réalité à l'extérieur. Donc, il y a beaucoup de systèmes différents que chaque entreprise utilise, comme Stripe, par exemple. Donc, une compagnie pourrait recevoir des paiements sur Stripe et avoir leur système comme QuickBooks pour, voir toutes leurs transactions à l'intérieur qui sont connectées aux comptes bancaires, etc. À la fin de chaque mois, le comptable va vérifier que les charges sur Stripe correspondent aux charges sur leur compte bancaire. Et souvent, les deux chiffres ne vont pas être égaux. Et donc, le travail du comptable, c'est de trouver d'où provient la différence entre les deux. Et ils vont aller ligne par ligne entre les deux fichiers, comparer charge par charge, manuellement, C'est quoi la charge qui n'existe pas sur l'un des deux systèmes? Et donc, Stack peut automatiser ce processus de rapprochement entre les deux systèmes. Il peut faire AR, AP, charge constatée d'avance, charge après payer, etc. Monde Numérique : [16:06] Donc, on imagine que c'est un game changer pour les comptables. C'est un allègement considérable en termes de charge de travail. Invité : [16:16] Oui, beaucoup de cabinets comptables, il y a une pénurie de main-d'oeuvre, au moins aux États-Unis, chez les comptables, et beaucoup d'entreprises viennent aux compagnies, aux bureaux de comptables pour des conseils plus stratégiques. Mais en plus des conseils stratégiques, il doit faire tout ce travail très, très manuel qu'il désirait avoir automatisé complètement pour pouvoir se concentrer sur des projets plus intéressants, Invité : [16:45] de conseils stratégiques. Monde Numérique : [16:46] Bien sûr. Qu'est-ce que tu vois comme développement à venir? Vous allez aller vers quoi maintenant? C'est quoi vos pistes de travail, vos projets? Invité : [16:55] Oui. Il y a beaucoup de compagnies au début de 2026 qui faisaient du token maxing. Il y avait des entreprises qui avaient même des reader boards qui dépensent le plus. Monde Numérique : [17:09] Alors, qu'est-ce que c'est ça? Il faut qu'on l'explique. Invité : [17:12] Donc, il y a Cloud Code ou tous les systèmes de LLM qui aident surtout les ingénieurs, par exemple, à développer des logiciels d'une façon automatisée. Et au début de 2026, beaucoup d'entreprises se sont rendues compte que ça marche très, très bien à produire des logiciels d'une façon automatisée. Et donc, il y a eu ce moment où tout le monde essayait de dépenser le plus possible sur les LLM. Et il y avait beaucoup de compagnies qui avaient même des listes d'employés qui... Pour être numéro un, tu dépenses le plus sur Cloud Code, par exemple. Monde Numérique : [17:50] Il fallait consommer beaucoup de tokens. Invité : [17:51] Et c'était encouragé par les entreprises. Monde Numérique : [17:55] C'est Jensen Wang qui a dit qu'un bon ingénieur, ça devait être un ingénieur qui dépense, je ne sais plus quoi, la moitié de son salaire ou deux fois son salaire en token. Invité : [18:03] Exactement. Et on s'est rendu compte, quelques mois plus tard, que c'était plus nuancé, que je dépensais le plus possible. Et ça, c'est la question d'aujourd'hui, au moins de juin 2026, c'est comment est-ce qu'on peut avoir l'entreprise qui fait du value maxing? Donc, pas juste maximiser la dépense sur les tokens, mais essayer d'avoir le meilleur résultat possible. Ce qui est pas logique. Oui, exactement. Beaucoup de compagnies aujourd'hui savent comment générer le capital. Beaucoup d'entreprises savent comment gérer les personnes. Mais il n'y a pas encore d'entreprise qui sait comment gérer l'intelligence, donc la transformation du capital en intelligence directement. Chez Ramp, on construit la couche d'infrastructure qui déterminera comment le capital sera alloué, géré et transformé en intelligence dans cette économie de l'IA. Aussi, on passe d'une IA qui faisait juste des transformations de données directes en un agent IA qui fait plusieurs étapes pour réaliser du vrai travail. C'est vraiment le changement qui nous enthousiasme le plus chez Ramp et c'est ce envers quoi on construit avec Rampstack. Monde Numérique : [19:16] Et en ce qui concerne les agents, jusqu'où tu penses qu'on va pouvoir aller? Parce que finalement, plus on confie des tâches aux agents, plus on lâche la main, plus on devient productif, mais on perd un peu le contrôle, non? Comment tu vois les choses? Invité : [19:39] Je pense que c'est un peu comme Microsoft utilise le terme co-worker pour toute leur série d'intelligence sociale. C'est de la même façon que nous, on devrait voir l'intelligence sociale. C'est comme un co-worker, c'est comme une personne qui travaille dans notre entreprise. On doit l'enseigner à faire comment on conduit le travail, c'est quoi tout le contexte qu'il aura besoin. Et avec le temps, ils vont devenir de meilleurs en meilleurs et on pourra enlever l'humain de la boucle de plus en plus. En ce moment, on ne peut pas tout automatiser, mais avec des modèles qui deviennent, de mieux en mieux, de moins en moins, ça devient de plus en plus facile avec des systèmes comme Ramstack où on peut connecter de plus en plus de contexte de l'entreprise, On commence à avoir des procédés qui se font automatiser de plus en plus. La production de logiciels, par exemple, se fait à 70 % automatisé par Ramp Inspect ou autre système d'agents IA à l'intérieur de Ramp, par exemple. Monde Numérique : [20:52] 70 %? Invité : [20:53] 70 %, oui. Complètement automatisé. Monde Numérique : [20:56] Donc, on est au-delà de simplement la génération du code. On est vraiment dans quoi? Dans la conception d'un programme? Invité : [21:02] Ça touche un peu à tout. On génère du code, on génère les moniteurs qui regardent que le code en production ne s'est pas brisé. On génère des tests. Tout le code se fait encore vérifier par des humains, mais ça réduit beaucoup de travail qui se fait. Même la vérification que les utilisateurs apprécient le système. Donc, on peut analyser les messages qui se font envoyer entre le chatbot et la personne par une autre intelligence sociale pour se rendre compte qu'il y a une faille dans ce système ou dans, cette partie du workflow, par exemple. Monde Numérique : [21:39] Donc, il y a une grosse énergie qui est dépensée, si je puis dire, qui est consacrée à produire des choses, mais il y a aussi beaucoup d'énergie, il y a, si on peut appeler ça comme ça, qui est dépensée pour contrôler, pour vérifier que tout se passe bien. Invité : [21:53] Oui. La bonne chose, c'est qu'on commence à être capable de vérifier le travail aussi. Donc, ce n'est pas juste production immense de code qu'un humain doit complètement revérifier par lui-même. Ça fait juste plus de travail pour la personne. Maintenant, la production de moniteurs automatisés, la production de tests automatisés, toutes ces choses rendent la production Invité : [22:16] du code beaucoup plus facile sur l'ingénieur qui le produit aussi. Monde Numérique : [22:21] Mais à l'arrivée, tu penses que ça allège vraiment le travail des ingénieurs ou ça leur demande plus de boulot au contraire? Invité : [22:27] Non, 100%. Ramp Inspect, par exemple, a été produit par une équipe de 3 ou 4 personnes, je pense. ce Rampsheet a été produit par une petite équipe aussi de, je pense qu'on était trois, quatre personnes. Ce ne sont pas des choses qui étaient possibles avant. Avant, ça prenait dizaines, vingtaines de personnes au minimum. Connaissance en base de données, connaissance en sécurité, connaissance en tous les aspects du système. Maintenant, une très, très petite équipe peut faire beaucoup plus. Monde Numérique : [23:01] Et je reviens sur la liberté d'action des agents. On parlait de système comptable, etc. Est-ce que des agents pourront un jour ou peuvent déjà prendre des décisions, enfin je veux dire, même effectuer des paiements, régler des factures, des choses comme ça ? Invité : [23:22] On est quand même tôt pour automatiser les paiements directs. Chez Ramp, on a le Ramp COI, le logiciel qui se fait utiliser dans les terminals par les agents où les agents peuvent créer des cartes virtuelles ou utiliser Ramp pour gérer des paiements pour l'utilisateur. Mais c'est encore sur l'utilisateur d'approuver que l'agent fait ses actions, d'une manière intelligente. Monde Numérique : [23:56] Mais selon toi, on y viendra? Un jour, c'est les agents qui s'en occuperont? Invité : [24:02] 100%. Juste voir le progrès exponentiel qu'on voit sur l'intelligence des LLM, ça va venir très bientôt. Beaucoup plus tôt qu'on pense. Monde Numérique : [24:14] Merci beaucoup Alex Shevchenko, responsable du Ramp Lab, le Lab IA de la société Ramp à New York.