Gates prédit un milliard de morts, et pendant ce temps la finance déploie des LLM sur ses tableaux de bord

Bill Gates n'est pas du genre à l'alarmisme gratuit. Pourtant, cet automne 2026, le cofondateur de Microsoft a publiquement appelé le gouvernement américain à intervenir sur l'IA après une série d'incidents de sécurité, estimant que la technologie pourrait être responsable d'un milliard de morts si elle n'était pas mieux encadrée. On peut discuter de la rhétorique. Ce qu'on ne peut pas ignorer, c'est le contexte : Gates parle précisément au moment où Deloitte lance une plateforme M&A dopée à l'IA, où des centaines de directions financières intègrent des LLMLLMUn Large Language Model est un système d'IA entraîné sur d'énormes volumes de texte pour prédire et générer du langage, ce qui permet de rédiger, résumer ou répondre à des questions.Voir la définition complète → dans leurs processus de clôture, et où le marché traite cette adoption comme une question d'efficacité opérationnelle, pas de risque existentiel.

Pourquoi les CFOs adoptent-ils l'IA générative en 2026 ?

La position dominante chez les CFOs en 2026 est cohérente et appuyée sur des arguments solides. L'IA générative réduit le temps passé sur les tâches à faible valeur ajoutée : réconciliations, commentaires de variance, premiers jets de notes de synthèse. Elle accélère les cycles de clôture. Elle permet à des équipes FP&AFP&ALa fonction finance qui construit budgets, prévisions et analyses pour éclairer les décisions et relier la stratégie aux chiffres.Voir la définition complète → de taille réduite de couvrir un périmètre d'analyse plus large. Deloitte, avec sa nouvelle plateforme M&A, illustre précisément ce mouvement : des outils capables d'analyser rapidement des data rooms volumineuses, d'identifier des patterns dans des contrats et de générer des résumés de due diligence.

Le consensus dit aussi que les gains de productivité sont mesurables. Des entreprises comme JPMorgan, avec son outil interne IndexGPT, ou Goldman Sachs, qui a déployé des assistants de code pour ses ingénieurs financiers, ont communiqué des gains de temps significatifs sur des tâches répétitives. Ces exemples existent, ces gains sont réels, et il serait intellectuellement malhonnête de les balayer.

Le raisonnement sous-jacent tient aussi sur le plan compétitif : si vos concurrents réduisent leurs coûts d'analyse de 30 % et raccourcissent leur cycle de clôture de dix jours, ne pas adopter ces outils devient une décision stratégique coûteuse.

Gouvernance des données, contrôle interne et sécurité des LLM

Le problème n'est pas que ces gains soient faux. C'est que la conversation s'arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →ête là, précisément là où elle devrait commencer.

Premier angle mort : la qualité des outputs dépend d'une gouvernance des données que la grande majorité des organisations n'a pas. Un LLM qui synthétise des données financières travaille sur ce qu'on lui donne. Si vos référentiels de données sont fragmentés entre plusieurs ERPERPUn système intégré unique qui gère les opérations clés : finance, achats, supply chain, RH et production sur des données partagées.Voir la définition complète →, si vos définitions de KPIs varient d'une business unit à l'autre, si vos données non structurées ne sont pas taguées correctement,l'IA ne résout pas ces problèmes, elle les amplifie. Elle produit des synthèses convaincantes à partir de données incohérentes, et le risque est précisément là : la confiance que l'outil inspire peut masquer les erreurs qu'il propage.

Deuxième angle mort : la question du contrôle interne. L'affaire X Strategies, où un cofondateur est poursuivi pour un schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → d'embezzlement de 29 millions de dollars, rappelle que les fraudes internes prospèrent dans les zones où les vérifications humaines s'allègent. Or l'un des arguments de vente des outils d'IA générative en finance est précisément de réduire les interventions humaines dans les processus. Moins d'humains dans la boucle, c'est moins de friction, mais aussi moins de contrôle. Cette équation mérite d'être posée explicitement, pas évacuée au profit d'un argument sur l'efficience.

Troisième angle mort, et c'est celui que l'avertissement de Gates rend difficile à ignorer : la sécurité des systèmes d'IA en environnement financier. Les incidents de sécurité auxquels Gates fait référence touchent des systèmes bien moins critiques que ceux que les directions financières envisagent d'automatiser. Un LLM intégré à un processus de reporting consolide, génère des prévisions ou participe à des décisions de trésorerie représente une surface d'attaque considérable. Les équipes financières ne sont pas des équipes de cybersécurité, et la vitesse de déploiement de ces outils dépasse largement la maturité des cadres de contrôle qui devraient les entourer.

Quatrième point, moins dramatique mais tout aussi structurant :l'automatisation de la fonction finance ne produit les gains attendus que si les processus sous-jacents sont déjà propres. Automatiser un processus défaillant ne le répare pas. Les gains de productivité annoncés partent souvent d'une hypothèse implicite sur la qualité des données d'entrée qui ne correspond pas à la réalité de la plupart des organisations.

La séquence de déploiement d'un LLM en direction financière

L'enjeu n'est pas de ralentir l'adoption par principe de précaution. C'est d'investir dans la séquence correcte.

Avant de déployer un LLM sur vos processus de clôture ou de FP&A, la question à poser n'est pas "quel outil choisir" mais "sommes-nous capables de détecter une erreur que cet outil aurait produite ?" Si la réponse est non, le déploiement est prématuré.

Concrètement, cela signifie trois choses. D'abord, circonscrire les premiers cas d'usage à des tâches où l'erreur est détectable et réversible : commentaires de variance, résumés de tableaux de bord, premières ébauches de mémos. Pas les prévisions de trésorerie, pas les calculs de covenant, pas les réconciliations interco sans validation humaine systématique. Ensuite, traiter la gouvernance des données comme un prérequis, non comme un chantier parallèle. Les organisations qui ont investi dans leur référentiel de données avant de déployer de l'IA obtiennent des résultats mesurables ; celles qui ont fait l'inverse gèrent des problèmes de confiance dans leurs outputs.

Et enfin, ne pas déléguer la question de la sécurité à la DSI seule. Les CFOs qui déploient ces outils sur des processus financiers critiques ont une responsabilité directe sur le périmètre de risque qu'ils ouvrent. Gates n'écrit pas pour les directions financières, mais ses avertissements les concernent directement.

L'IA générative produit des gains réels dans la fonction finance. Ces gains ne justifient pas d'ignorer la fragilité des conditions dans lesquelles ils sont produits. Un CFO qui déploie vite sans avoir résolu la gouvernance de ses données et ses lignes de contrôle interne