La plupart des directions financières des grandes entreprises ont fait les bons investissements : un ERP moderne, des plateformes de données cloud, des outils de planification et plus encore. Maintenant, il y a aussi de plus en plus d'IA, que ce soit pour améliorer les prévisions, détecter les anomalies, accélérer la clôture et produire des rapports à grande échelle.
La stack technologique semble adaptée. Mais lorsque le conseil d'administration commence à demander des résultats, il devient plus difficile de démontrer la valeur créée qu'il ne l'a été de justifier les investissements.
Ce pour quoi votre ERP a été conçu, et ce pour quoi il ne l'a pas été
Votre ERP excelle dans le rôle pour lequel il a été conçu : capturer les transactions, faire respecter les normes comptables, gérer le plan comptable. C'est le système d'enregistrement, et il remplit parfaitement cette fonction.
Mais il n'intègre pas votre méthodologie pour gérer les éliminations interentreprises dans une structure d'entités complexe, ni pour l'allocation des coûts de votre équipe FP&A, affinée sur trois cycles budgétaires. Il ne sait pas quel seuil de variance déclenche une révision par le contrôleur plutôt qu'une escalade au niveau de la direction, ni comment votre équipe fiscale a structuré les juridictions pour la directive Pilier 2. Cette logique spécifique, documentée et propre à votre entreprise ne se trouve pas dans votre ERP. Elle n'est pas non plus dans votre entrepôt de données.
Pour la plupart des organisations financières, cette logique se trouve dans des feuilles de calcul, et parfois, seulement dans la tête de ceux qui l'ont créée.
Les limites de l'IA en finance
Un constat revient souvent dans les discussions sur l'IA en finance : une étude du MIT révèle que 95 % des entreprises ne constatent aucun retour mesurable sur leurs investissements en IA générative. Bain & Company a analysé la même situation et a tiré une conclusion différente en ce qui concerne la finance. C'est en intégrant l'IA dans les workflows qu'elle devient rentable le plus rapidement, pas en exécutant des pilotes. Cette distinction est importante, car elle explique pourquoi tant d'initiatives financières stagnent après la preuve de concept.
L'IA peut traiter des données très rapidement et faire émerger des tendances à partir de jeux de données volumineux. Cependant, elle ne peut pas deviner votre logique métier à partir des données brutes. Sans ce contexte, les résultats qu'elle produit peuvent sembler fiables, mais ils ne sont pas justifiables, ce qui est problématique en finance, où l'auditabilité est un impératif. Ce n'est donc pas une limitation mineure. Cela confirme qu'une IA digne de confiance est essentielle pour pouvoir déployer les workflows et les initiatives d'IA.
Dans notre propre enquête menée auprès de 1 400 responsables IT et métier, nous avons cherché à savoir quels étaient les principaux obstacles à la mise en place réussie des workflows d'IA. Une personne sur deux (49 %) mentionne des résultats inexacts ou biaisés. 38 % évoquent une réticence à laisser l'IA prendre des décisions sans supervision humaine. S'il n'est pas nécessaire de disposer de données parfaites pour commencer à utiliser des LLM, il est en revanche indispensable de s'appuyer sur des données fiables.
La couche manquante
L'écart entre votre ERP et vos ambitions en matière d'IA n'est pas un écart de données. C'est un problème de logique métier, cette couche où se trouvent les règles, méthodologies et critères de décision propres à votre entreprise, et où l'IA doit intervenir pour produire des résultats défendables.
Lorsque cette couche est bien conçue, avec une logique documentée, des workflows reproductibles et des sorties traçables, l'IA peut s'appuyer sur des entrées validées et structurées plutôt que sur des données brutes qu'elle doit interpréter. Les résultats produits peuvent être expliqués aux auditeurs et au conseil d'administration. Et la question du séquençage ne se pose plus : bien structurer le processus, c'est déjà adopter l'IA.
Ce qu'il faut pour mettre en place cette couche
Pallier ce manque ne se résume pas à une injonction à « utiliser l'IA de manière responsable ». Il faut trois éléments spécifiques, conçus et gérés au sein du département finance plutôt que délégués à l'IT.
- Un actif de données conçu sur mesure pour chaque processus. Plutôt qu'un entrepôt supplémentaire, il s'agit de définir un jeu de données ciblé, circonscrit à un processus métier et aligné sur la façon dont votre équipe le mesure, et pas seulement ce que votre ERP stocke.
- Une logique encodée, pas un savoir informel. Les méthodologies d'allocation ou les seuils de variation déclenchant une escalade sont intégrés dans un workflow reproductible, plutôt que dans la feuille de calcul d'un analyste confirmé. L'enjeu : les formaliser une fois pour toutes, sous une forme que l'IA peut exploiter.
- Un moyen de faire évoluer cette logique quand le contexte métier change. Les plans de rémunération sont révisés, les juridictions fiscales changent et le plan comptable est restructuré après une acquisition. Une logique qui ne peut être modifiée qu'en soumettant un ticket à l'IT sera obsolète avant même d'être déployée. Ce sont les équipes responsables du processus qui doivent pouvoir ajuster les règles.
Rien de tout cela ne nécessite d'attendre une architecture parfaite. Le meilleur point de départ est le processus qui mobilise vos analystes sur la même question, de la même manière, à chaque cycle. Commencez par formaliser ce workflow, connectez-le aux outils d'IA que votre équipe utilise déjà, et la logique s'étendra progressivement : le même calcul contrôlé qui répond à la question d'un contrôleur peut alimenter le modèle de simulation de votre prochain cycle de planification.