Les agents sont sur toutes les lèvres en matière de direction financière. Un agent qui s'occupe des clôtures, suit les créances ou rédige l'ordre du jour de la réunion du lendemain. Cet intérêt est mérité : les agents IA peuvent réellement orchestrer les tâches en plusieurs étapes, répétitives, qui occupent le mois d'une équipe financière.
La question qu'il convient de se poser n'est pas de savoir si les agents apportent une réelle valeur ajoutée, mais plutôt ce dont le système a besoin en interne pour que l'on puisse leur faire confiance pour du contenu qui sera utilisé en conseil d'administration.
Une statistique que vous avez peut-être déjà vue et interprétée correctement explique pourquoi.
Que révèle réellement le chiffre de 95 % aux dirigeants financiers ?
L'étude State of AI in Business 2025 du MIT révèle qu'environ 95 % des organisations ne voient aucun retour mesurable sur leurs investissements en IA générative. Ce nombre circule dans les salles de réunion comme preuve que l'IA n'est pas prête.
Mais Bain & Company l'interprète de manière plus utile. Le problème est l'approche, pas les modèles. Les organisations qui observent des résultats intègrent l'IA dans des workflows réels, l'ancrent dans un contexte adapté et mesurent les résultats métier. Ceux qui ne voient aucun résultat investissent dans des projets pilotes visibles et de premier plan, tandis que les services back-office, qui facilitent le ROI le plus rapide, sont délaissés. Le message de Bain pour les directeurs financiers n'est pas de dépenser moins pour l'IA, mais de dépenser différemment, en visant les cas d'usage qui concernant la trésorerie, les coûts et les risques.
Cette redéfinition pèse réellement en finance. Les processus financiers sont reproductibles, riches en données et soumis à des règles, ce que Bain identifie comme les conditions mêmes dans lesquelles l'IA donne des résultats. Loin d'être la retardataire dans l'histoire de l'IA, la finance est l'un des domaines où l'IA fonctionne déjà, lorsqu'elle est appliquée à la bonne problématique et construite sur les bonnes bases.
L'agent est la conséquence, et non le point de départ.
Ici, la discussion sur les agents et celle sur le chiffre de 95 % reviennent au même.
Un agent dispose d'une marge d'action en plusieurs étapes : lire une facture, la faire correspondre à un contrat, appliquer une tolérance, comptabiliser l'écriture, faire remonter les exception uniquement. C'est un travail utile, et c'est aussi le genre de tâches qui peinent à fonctionner lorsque la base n'est pas là. Un agent travaillant sur la base de données que personne n'a validées, appliquant des règles qu'il a inférées plutôt que des règles définies par la fonction finance, produisant des outputs que personne ne peut retracer, n'accélère pas le travail. Il reproduit le problème des 95 % avec plus d'autonomie et des enjeux plus élevés.
Bain a précisément compris la contrainte réelle. Ce qui freine l'IA pour la fonction finance, ce n'est ni le prix des modèles, ni la sophistication des requêtes. Il s'agit de savoir si le contexte est prêt : définitions partagées pour le plan comptable et les données de base, systèmes ERP et EPM connectés sous une couche de récupération conforme aux politiques, chaque action traçable jusqu'aux données et à la logique sous-jacente. La fiabilité d'un agent dépend toujours du contexte géré sur lequel il s'appuie.
L'enthousiasme du marché pour la couche visible de l'agent est compréhensible. Son fonctionnement dépend d'un élément sous-jacent : la logique métier qui l'alimente a-t-elle été définie par la finance ou déduite d'un modèle ? La logique déterministe est définie par la finance. Un agent applique cette logique. Cela ne devrait jamais être l'élément déterminant de l'interprétation de votre politique de comptabilisation des revenus.
Là où la logique doit résider
Un responsable financier a besoin d'un moyen d'évaluer toute initiative en matière d'IA, qu'elle soit proactive ou non, avant qu'elle n'ait un impact sur des chiffres importants. Le véritable test consiste à savoir si vous pouvez justifier le résultat : comprendre le workflow, suivre la logique appliquée et retracer le résultat par rapport aux données si un auditeur le demande. Un agent qui répond à ce critère est un agent que vous pouvez déployer à grande échelle. Il y a encore bien d'autres choses à dire sur la manière dont un dirigeant applique ce test en pratique, et un article l'abordera en détail le mois prochain.
Pour atteindre le niveau requis, il faut répondre à une question que les dirigeants financiers se posent de plus en plus en matière d'architecture : où réside la logique ? La solution qui rend l'IA fiable réside dans une couche de logique métier gérée, située entre vos données brutes de l'entreprise et les modèles et agents qui les consomment, préparant et validant les données et appliquant les règles propres à la finance.
C'est là qu'intervient Alteryx. Il ne s'agit pas d'un énième modèle d'IA gérant les prévisions, et il ne remplace pas vos systèmes ERP ou EPM. Cette plateforme accomplit le travail que l'IA ne peut pas réaliser de manière fiable par elle-même, ce qui garantit que l'agent conçu par-dessus s'appuie sur une base solide. Commencez par mettre en place une base solide, et l'agent deviendra une suite logique une fois celle-ci en place.
Ce que cela implique concernant la question des agents
L'intérêt porté aux agents est justifié, et les équipes qui agissent en conséquence dès maintenant auront une longueur d'avance. Le seul changement concerne l'ordre des opérations. Un agent, c'est ce que vous pouvez mettre en place une fois que les données sont gérées, que la logique est définie et que les résultats sont suffisamment traçables pour être défendus face à votre auditeur et votre conseil d'administration.
Si vous y parvenez, l'agent cesse d'être un acte de foi. Il devient l'étape suivante évidente, et la question n'est plus de savoir si vous pouvez lui faire confiance, mais de déterminer à quel endroit vous pourrez l'utiliser ensuite.