Lorsque le « One Big Beautiful Bill » (OBBB) a été présenté sous la forme d’un énorme document non structuré de 900 pages, l’équipe TurboTax d’Intuit a été confrontée à un défi monumental. Ils n’avaient pas de formulaires standardisés à suivre, pas d’instructions officielles de l’IRS et un délai strict à respecter. Traditionnellement, la mise en œuvre d’une législation aussi complexe nécessitait des mois de travail manuel.
Au lieu de cela, Intuit a développé un flux de travail spécialisé basé sur l’IA qui a compressé des mois de travail en quelques jours seulement. Ce n’était pas seulement une victoire pour la préparation des déclarations de revenus ; il a créé un modèle pour tout secteur, tel que la santé, le droit ou la finance, qui doit traduire des réglementations complexes en logiciels précis et aux enjeux élevés.
Le défi : la complexité sans feuille de route
Pour comprendre l’ampleur de cette réussite, il faut examiner comment Intuit a géré auparavant des changements législatifs majeurs. Lors de la loi TCJA (Tax Cuts and Jobs Act) de 2017, l’équipe a travaillé sans IA, décodant manuellement les sections juridiques et traçant leur interconnexion.
L’OBBB présentait des obstacles encore plus importants :
– Chaos structurel : Il est arrivé sous la forme d’un document non structuré sans schéma fixe.
– Incohérence législative : Les versions de la Chambre et du Sénat utilisaient un langage différent pour décrire les mêmes dispositions.
– Le problème de la « cible mobile » : L’équipe a dû commencer à coder avant même que l’IRS n’ait publié des formulaires ou des instructions officiels.
Dans un secteur réglementé, il n’y a aucune marge d’erreur. Une simple erreur dans le calcul d’une taxe peut avoir des conséquences juridiques et financières importantes pour des millions d’utilisateurs.
Le workflow : du texte juridique au code fonctionnel
Intuit n’a pas simplement « demandé à ChatGPT » d’écrire son code. Au lieu de cela, ils ont déployé une stratégie à plusieurs niveaux qui est passée de l’analyse générale à une mise en œuvre hautement spécialisée.
1. Distillation rapide des documents
L’équipe a utilisé des grands modèles linguistiques (LLM) à usage général comme ChatGPT pour effectuer le gros du travail d’analyse de documents. Ils ont utilisé ces modèles pour :
– Résumer les versions de la Chambre et du Sénat.
– Concilier les différences entre les deux.
– Filtrez le texte massif pour identifier uniquement les dispositions spécifiques qui ont impacté les clients TurboImpôt.
Cette phase a transformé ce qui était autrefois des semaines de lecture manuelle en quelques heures.
2. Combler le fossé grâce à l’IA spécifique à un domaine
Les modèles généraux d’IA se heurtent à un mur en ce qui concerne le codage proprement dit. ImpôtRapide ne fonctionne pas sur les langages de programmation standard ; il s’appuie sur un langage propriétaire spécifique à un domaine maintenu par Intuit.
Pour résoudre ce problème, l’équipe s’est tournée vers Claude. Contrairement aux modèles généraux, Claude a été utilisé pour une cartographie approfondie des dépendances, identifiant comment les nouvelles dispositions juridiques interagiraient avec des décennies de code complexe existant. Cela a permis aux développeurs d’ignorer ce qui restait le même et de se concentrer exclusivement sur ce qui changeait.
3. Automatisation de l’expérience utilisateur et des tests
Pour garantir que la vitesse ne compromet pas la qualité, Intuit a créé deux outils propriétaires essentiels :
– UI générée automatiquement : Un outil qui génère automatiquement des écrans de produits basés sur la nouvelle loi, réduisant ainsi le besoin de conception manuelle.
– Tests unitaires avancés : Les tests traditionnels vous indiquent uniquement si un morceau de code « réussit » ou « échoue ». Le nouveau framework d’Intuit identifie le segment de code exact qui a provoqué un échec et explique pourquoi, permettant aux développeurs de corriger instantanément les erreurs dans le framework.
Un modèle pour les industries réglementées
Le succès de ce projet fournit un cadre en quatre parties pour toute organisation travaillant dans des limites réglementaires strictes :
- Utilisez l’IA générale pour l’analyse : Tirez parti des LLM commerciaux pour analyser, résumer et filtrer d’énormes quantités de données non structurées.
- Utilisez des outils spécialisés pour la mise en œuvre : Lorsque vous passez de la « lecture » à la « construction », passez à des outils qui comprennent votre environnement propriétaire spécifique.
- Donner la priorité aux tests intelligents : Ne vous contentez pas de créer des tests « réussite/échec » ; créer une infrastructure de diagnostic qui explique pourquoi une panne s’est produite.
- Distribuez AI Fluency : L’IA ne devrait pas être un outil réservé aux ingénieurs ; elle doit être intégrée dans tous les départements pour garantir que l’ensemble de l’organisation puisse valider et utiliser efficacement la technologie.
“Il faut disposer d’une expertise humaine pour pouvoir valider et vérifier à peu près tout”, déclare Sarah Aerni, vice-présidente de la technologie chez Intuit.
Conclusion
En combinant l’IA à usage général pour une analyse rapide avec des outils propriétaires pour le codage et les tests spécialisés, Intuit a prouvé que l’IA peut considérablement accélérer les cycles de développement sans sacrifier la précision absolue requise par les industries réglementées.
