Relecteurs : Lele Cao, Alex Carusillio & Chat GPT

EQT a lancé Motherbrain en 2016, principalement axé sur le soutien du fonds Venture pour trouver la prochaine licorne technologique. Aujourd'hui, Motherbrain est utilisé dans toute l'entreprise, alimentant tout, des investissements de démarrage jusqu'aux rachats de plusieurs milliards de dollars.

L'un des services clés de Motherbrain consiste à soutenir les acquisitions complémentaires, où EQT aide les sociétés de son portefeuille à acquérir une petite entreprise, généralement une entreprise qui propose des produits ou des services complémentaires. Ces derniers mois, nous avons introduit des modèles Generative Pre-trained Transformer (GPT), similaires à Chat GPT , pour accélérer le processus de sourcing M&A en permettant à notre portefeuille de scanner des centaines de milliers d'entreprises. Dans cet article, nous reviendrons sur l'évolution du sourcing Motherbrain M&A et partagerons quelques enseignements tirés de ce voyage.

Spaces : une application de rencontres M&A

La première tentative de Motherbrain pour soutenir l'approvisionnement en fusions et acquisitions a été d'introduire un produit appelé Spaces, dans lequel les professionnels de l'investissement ont commencé par soumettre une description d'une société cible.

Le but avec Spaces était de former une intelligence artificielle. Cela fonctionnait un peu comme l'application de rencontres populaire Tinder. Les entreprises apparaissaient et les professionnels de l'investissement balayaient vers la gauche ou vers la droite en fonction des intérêts de l'entreprise. Dans les coulisses, la plate-forme a utilisé l'apprentissage automatique pour identifier des entreprises similaires en fonction de la description et des commentaires de l'utilisateur. Une fois que l'IA a collecté suffisamment de balayages, elle a produit une liste finale de cibles d'acquisition potentielles que l'humain doit examiner. La liste finale est l'interprétation de l'IA de ce qui est pertinent en fonction du renforcement qu'elle a reçu. Il pourrait relever toutes les tendances sous-jacentes dans le texte, comme des technologies, des phrases ou d'autres points communs similaires, lui permettant de trouver de nouveaux angles de connexion entre les entreprises qui sont moins naturels à dériver pour un humain.

Bien que cette approche puisse sembler intelligente, l'équipe s'est rendu compte plus tard qu'il s'agissait d'un excellent exemple d'ingénieurs introduisant la technologie dans un produit sans tenir pleinement compte des besoins de l'utilisateur final. Les professionnels de l'investissement ont besoin de contrôle et de capacité à auditer les données avant de faire confiance à une solution.

Nous avons rencontré des problèmes avec Spaces lorsque des entreprises que les professionnels de l'investissement s'attendaient à voir figurer dans la liste n'apparaissaient pas, ce qui nous a fait perdre confiance.

Notre solution avait besoin de plus d'explicabilité, permettant à l'utilisateur d'évaluer les données sous-jacentes et de renforcer sa conviction. Deuxièmement, nos utilisateurs ont demandé plus de contrôle. Les professionnels de l'investissement ont souvent des exigences spécifiques en matière d'évaluation, de régions ou de revenus qui font de quelque chose « la bonne cible ». Ces facteurs ne faisaient pas partie de la contribution de l'utilisateur à l'IA Spaces.

Laboratoires du cerveau maternel

Suite à la création de Spaces, nous avons appris que nous devions investir dans une équipe capable de travailler en étroite collaboration avec des transactions spécifiques pour apprendre et adapter notre approche tout en offrant plus de valeur par cas, en passant de l'autonomie à l'analyse sur mesure. C'est devenu Motherbrain Labs, une équipe de technologues chevronnés qui collaborent avec des professionnels de l'investissement et la branche numérique d'EQT pour développer des solutions logicielles qui répondent à des défis commerciaux nuancés, que les moyens conventionnels ne peuvent pas résoudre. L'identification de cibles d'acquisition potentielles est devenue un domaine d'avantage concurrentiel particulier pour l'équipe.

Les laboratoires sont passés de l'utilisation de Spaces à une approche plus pratique appelée List Expansion. List Expansion est une solution polyvalente qui fonctionne en analysant un ensemble d'entreprises intéressantes et leurs principales caractéristiques. Vous sélectionnez les critères qui sont les plus importants pour vous et cela identifiera des entreprises similaires à partir de nos vastes ensembles de données.

La figure ci-dessus illustre ce processus en action. À partir de la gauche, il montre les sources de données que nous avons utilisées pour trouver des entreprises similaires. L'utilisateur contrôle et filtre ensuite les entreprises en fonction de leurs besoins spécifiques, tels que la région, les ETP, l'évaluation, etc. (vu que le Sanky coule vers la droite dans la figure). Toutes les entreprises filtrées sont stockées séparément, vous pouvez donc les inspecter ultérieurement pour la traçabilité et le contrôle. Enfin, la ligne orange dans la figure montre la liste des entreprises qui remplissent tous vos critères et nécessitent un examen manuel. Comme la liste finale de Space, la ligne orange présente les firmographies de l'entreprise concernée mais reflète désormais pleinement l'entrée de l'utilisateur et n'est plus produite par une IA.

Ce flux de travail a permis aux professionnels de l'investissement de comprendre où les entreprises ont été filtrées et combien il leur restait de cibles pertinentes, puis de tester les résultats à des fins de contrôle qualité. Il a gagné la confiance que nous recherchions, mais la vitesse d'itération était encore lente.

Deux facteurs principaux ont entravé le processus d'itération. Tout d'abord, cela a nécessité un examen manuel approfondi des entreprises, dont certaines n'étaient que partiellement alignées sur les activités souhaitées. Deuxièmement, après l'examen manuel, la liste a été discutée avec la société du portefeuille, où des points de vue différents sur des besoins spécifiques dans le domaine ont souvent nécessité de nouvelles itérations pour arriver à une liste satisfaisante.

Assistant alimenté par GPT

La sortie et la banalisation du chat GPT d'OpenAI ont apporté la puissance de l'apprentissage automatique à un public plus large. Un aspect particulièrement intrigant est la possibilité de créer un modèle GPT-3 personnalisé au-dessus du moteur OpenAI, qui peut être adapté pour exceller dans un domaine spécifique - dans notre cas, les fusions et acquisitions.

En janvier 2023, nous avons déployé notre nouvelle solution utilisant le moteur OpenAI. Il permet aux utilisateurs de décrire une variété d'entreprises d'intérêt, puis nous extrayons toutes les entreprises correspondant aux critères et laissons un modèle GPT sur mesure analyser l'ensemble de données. L'utilisateur peut examiner manuellement la vaste collection d'entreprises ou utiliser notre modèle GPT pour accélérer le processus en posant des questions au modèle sur l'entreprise dans l'ensemble. Comme pour Chat GPT, vous pouvez poser des questions telles que "fournissez-moi des entreprises utilisant la vision par ordinateur et l'apprentissage automatique pour suivre X dans l'industrie Y". Le bot répondra en fournissant des entreprises qui correspondent à la requête. Comme le modèle est réglé pour comprendre l'ensemble d'entreprises fourni plutôt que l'ensemble du corpus Web, il a permis une performance plus spécialisée résultant en une longueur d'avance sur Chat GTP.

Jusqu'à présent, cette solution est en ligne pour l'une de nos sociétés de portefeuille, où elle a été très efficace. Ils ont trouvé et contacté plusieurs nouvelles cibles et utilisent notre plate-forme logicielle comme principal moyen de travailler avec les fusions et acquisitions. Nos réunions sont passées de la compréhension des nécessités des modules complémentaires à la discussion des entreprises qu'ils ont trouvées et de l'actionnabilité.

Pensées d'adieu

Bien que nous ayons réussi à créer une solution précieuse pour l'une des sociétés de notre portefeuille à l'aide de modèles GPT, nous comprenons que toutes les situations ne peuvent pas être abordées de la même manière. Alors que certains peuvent se concentrer sur le potentiel de cette technologie pour l'approvisionnement en fusions et acquisitions, notre intention avec ce texte est de montrer la valeur de l'ingénierie en étroite collaboration avec les professionnels de l'investissement et les sociétés de portefeuille. Cette collaboration étroite permet de construire une infrastructure flexible, adaptative et capable de répondre rapidement aux besoins changeants de l'entreprise ; dans ce cas particulier, en utilisant OpenAI dans le cadre du livrable.