Où l'IA crée de la valeur dans la fonction finance

La question à 200 millions de dollars que personne n'a posée

En 2023, l'équipe finance d'Unilever a discrètement 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 →êté un pilote de prévision par IA qui avait demandé près d'un an de développement. Le modèle était techniquement excellent, il battait la baseline humaine sur les backtests. Il a échoué pour une raison qui n'a rien à voir avec la data science : les demand planners ne faisaient pas confiance à un chiffre qu'ils ne pouvaient pas interroger, et le modèle était incapable d'expliquer pourquoi il les contredisait. La prévision était plus précise et moins utilisée.

C'est le piège qui attend tout CFO en train de rédiger un business case IA aujourd'hui. Le deck du vendor montre un gain de précision. Le board veut une annonce sur la « transformation par l'IA ». Et quelque part entre ces deux pressions, le capital part vers des use cases qui font de belles démos et ne produisent rien, tandis que les applications réellement utiles restent non financées parce qu'elles n'ont rien de glamour.

Votre travail n'est pas d'adopter l'IA. Votre travail est d'allouer un capital et une attention organisationnelle rares aux use cases finance où l'économie de l'IA fonctionne vraiment. Cela demande un framework plus tranchant que « où pourrions-nous utiliser l'IA », cela demande de savoir où les modes de défaillance propres à l'IA sont supportables et où ils sont fatals.

Le test de valeur : quatre questions avant tout financement

Chaque use case IA proposé en finance doit passer quatre filtres. Sautez-en un seul et vous achetez une démo, pas un actif.

1. La tâche relève-t-elle de la prédiction ou du jugement ? L'IA est une machine à prédire. Elle excelle là où la réponse est un pattern extrapolé de l'historique et échoue là où la réponse exige de comprendre une situation qui ne s'est jamais produite. Prévoir le cash flow est de la prédiction. Décider de rompre un covenant pour préserver une relation stratégique est du jugement. Dès qu'une tâche exige de pondérer des conséquences que les données n'ont jamais vues, l'avantage de l'IA s'effondre.

2. Quel est le coût de l'erreur, et qui la détecte ? C'est la question qui sépare les use cases viables des passifs. Les erreurs de l'IA ne sont pas aléatoires, elles sont assurées. Un modèle produira un chiffre faux avec la même aisance qu'un chiffre juste. La vraie question est donc : existe-t-il une couche de revue humaine qui interceptera l'erreur avant qu'elle ne fasse des dégâts ? La détection d'anomalies est sûre parce qu'un faux positif coûte dix minutes à un analyste. Un agent autonomeagent autonomeLogiciel qui poursuit un objectif seul : il planifie, utilise des outils et agit avec une intervention humaine limitée.Voir la définition complète → d'approbation des paiements est dangereux parce qu'un faux négatif déplace de l'argent réel sans point de contrôle naturel.

3. La relation sous-jacente est-elle stable ? L'IA suppose que demain ressemble aux données d'entraînement. En finance, cela tient pour les processus à haute fréquence et structurellement stables (rapprochement de factures, catégorisation de transactions) et cède précisément quand c'est le plus important, lors de changements de régime, de dislocations de marché ou d'événements stratégiques uniques. Le choc de demande de 2020 a détruit les modèles de prévision entraînés sur les patterns d'avant la pandémie. Demandez : à quelle fréquence la réalité de terrain se décale-t-elle structurellement ici ?

4. Pouvez-vous vous permettre le problème d'explicabilité ? En finance régulée, « le modèle l'a dit » n'est pas une piste d'audit. Si un use case touche au reporting statutaire, aux positions fiscales, ou à quoi que ce soit qu'un auditeur ou un régulateur contestera, il vous faut de l'explicabilité, pas seulement de la précision. Cette seule contrainte élimine une large part des applications black-box des domaines de la finance qui engagent le plus votre signature.

Passez n'importe quel use case dans ces quatre filtres et il se classe de lui-même dans l'un des trois niveaux.

Les trois niveaux : où se trouve vraiment l'argent

Niveau 1, forte valeur, à déployer maintenant

Ils partagent un même profil : volume élevé, richesse en patterns, faible coût d'erreur, et un point de contrôle humain naturel.

La détection d'anomalies est le use case le plus solide de toute la fonction finance, et il est sous-médiatisé précisément parce qu'il n'est pas sexy. Détection de fraude, doublons de paiement, violations de politique de frais, écritures aberrantes, écarts de rapprochement : autant de tâches où le modèle n'a pas besoin d'avoir raison, il doit seulement *signaler*. Un humain confirme. L'économie est asymétrique en votre faveur : les faux positifs sont peu coûteux, et chaque vrai positif détecté est de l'argent ou du risque évité. Les systèmes de transaction monitoring de JPMorgan ne décident rien ; ils réduisent des millions de transactions à un ensemble revuable. C'est la bonne architecture.

Le traitement et le rapprochement des transactions, matching facture-commande, cash application, réconciliation intercompagnies, relèvent du Niveau 1 parce que les relations sont stables et que le volume justifie le build. C'est là que l'automatisation et le machine learning compriment réellement le coût par transaction. Le piège : mesurez la valeur en *temps de cycle et réduction d'erreurs*, pas en effectifs. Les équipes qui ont présenté ces projets comme « remplacer trois ETP » ont presque toujours sur-promis et sous-livré sur les tâches plus difficiles qui subsistaient.

La prévision, avec une réserve importante. L'IA améliore la prévision là où vous disposez de données à haute fréquence et de drivers stables : prévision de trésorerie à court horizon, demande granulaire au niveau SKU, timing des encaissements. La valeur est réelle mais bornée, attendez-vous à des gains de précision dans la fourchette qui compte opérationnellement, pas à des miracles. L'échec d'Unilever est la leçon : une prévision en laquelle on n'a pas confiance n'est pas utilisée, et la confiance exige que le modèle *expose son raisonnement* et laisse les planners le corriger. Le design gagnant est le human-in-the-loop, où l'IA produit une baseline et l'équipe finance ajuste avec une justification documentée. La prévision entièrement autonome échoue au filtre n° 4.

Niveau 2, valeur réelle, à déployer avec garde-fousgarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète →

Le reporting narratif est le use case que l'IA générative a le plus transformé, et celui qui exige aujourd'hui le jugement le plus affûté de la part du CFO. Les 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 → peuvent rédiger le commentaire du MD&A, les narratifs de board deck, les explications d'écarts et les éléments de langage IR à partir de données financières structurées. Le gain de productivité est réel, le temps de rédaction chute fortement. Mais c'est exactement là que le filtre n° 2 mord le plus : un modèle génératif *fabriquera une explication plausible* pour un écart qu'il ne comprend pas. Il attribuera avec assurance une baisse de marge à « des vents contraires FX » alors que la vraie cause était une erreur de pricing.

Le déploiement correct : l'IA rédige, la finance vérifie chaque affirmation contre les données sources, et aucun narratif généré n'atteint un public externe sans validation humaine. Utilisez-la pour supprimer la page blanche, pas pour supprimer l'analyste. La valeur est la vitesse jusqu'au premier jet, pas l'écriture autonome.

La modélisation de scénarios et par drivers se situe ici aussi. L'IA peut générer et stress-tester rapidement des scénarios, mais le *choix* des scénarios qui comptent et l'interprétation des résultats restent du jugement. Traitez l'IA comme un moyen d'explorer plus vite l'espace des possibles, pas comme un moyen de vous dire quel futur planifier.

Niveau 3, là où l'IA ne crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →ée pas (encore) de valeur en finance

Soyez aussi discipliné sur la liste des « non » que sur celle des « oui ». C'est là que la crédibilité du CFO se gagne ou se perd.

Allocation stratégique du capital, jugement M&A et décisions uniques. Ces cas échouent totalement aux filtres n° 1 et n° 3. Ce sont des jugements en incertitude véritable, mobilisant des relations, des dynamiques concurrentielles et des conséquences qu'aucun dataset ne contient. Une IA peut assembler l'analyse ; elle ne peut pas trancher. Les CFO qui laissent la sortie d'un modèle se substituer à leur propre jugement ici abdiquent le cœur du rôle.

Tout ce qui exige une responsabilité que vous ne pouvez pas déléguer. Signatures statutaires, positions fiscales, évaluations de continuité d'exploitation : le coût de l'erreur est catastrophique et le problème d'explicabilité est sans pardon. L'IA peut appuyer la préparation ; elle ne peut pas porter la conclusion.

Prévision à long horizon à travers un changement de régime. Plus l'horizon est long et plus une rupture structurelle est probable, plus l'IA performe mal par rapport à un jugement humain informé. Les modèles restent dangereusement assurés jusqu'à la seconde où le monde change.

Le pattern est constant à travers le Niveau 3 : coût d'erreur élevé, relations instables, et responsabilité que la réglementation ou le devoir fiduciaire place sur un humain. Aucun niveau de précision de modèle ne surmonte ces contraintes.

Du framework au lundi matin

Connaître les niveaux, c'est de l'analyse. Y affecter du capital, c'est le métier. Voici la discipline opérationnelle.

Séquencez par « densité de valeur », pas par visibilité. Classez les use cases candidats par valeur annuelle attendue divisée par coût d'implémentation et risque. La détection d'anomalies et le matching de transactions de Niveau 1 arrivent presque toujours en tête de ce classement parce que la valeur est captée en continu et le risque est contenu. Résistez à l'attraction du board vers le use case génératif spectaculaire comme *premier* projet, gagnez votre crédibilité avec un déploiement ennuyeux et très rentable de détection d'anomalies avant de toucher à quoi que ce soit qui s'adresse à un public externe.

Concevez le point de contrôle humain avant de concevoir le modèle. Pour chaque use case, répondez explicitement : qui revoit la sortie, que coûte une erreur détectée, et que coûte une erreur *manquée* ? Si vous ne pouvez pas nommer le relecteur et le point de contrôle, le use case n'est pas prêt, quelle que soit la précision du modèle. Cette seule pratique aurait signalé la plupart des projets IA en finance ratés des trois dernières années avant qu'un dollar ne soit dépensé.

Mesurez par rapport à la bonne baseline. La comparaison n'est jamais « IA vs perfection ». C'est « IA + humain vs processus actuel ». Un modèle de prévision 8 % plus précis mais que les planners corrigent jusqu'à l'imprécision ne délivre rien. Instrumentez l'adoption et la confiance, pas seulement la précision en backtest. Si l'usage est faible, le projet a échoué même si le modèle est excellent, exactement le mode de défaillance d'Unilever.

Traitez la fondation data et gouvernance comme le vrai projet. Dans la plupart des fonctions finance, la contrainte limitante sur la valeur de l'IA n'est pas le modèle, ce sont des données fragmentées et mal gouvernées. La vérité inconfortable, c'est que le « projet IA » est à 70 % un projet de qualité des données et de gouvernance. Les CFO qui financent le modèle sans financer la fondation achètent une déception coûteuse. C'est aussi là que votre environnement de contrôle doit s'étendre : gouvernance des modèles, versioning et pistes d'audit des sorties IA font désormais partie de vos contrôles internes, ce n'est pas une préoccupation IT de second rang.

Structurez la conversation avec les vendors autour de vos modes de défaillance, pas de leurs fonctionnalités. Quand un vendor fait la démo de sa précision, demandez : montrez-moi les taux de faux positifs et de faux négatifs. Montrez-moi comment un utilisateur interroge une sortie précise. Montrez-moi la piste d'audit. Montrez-moi la performance pendant la dernière dislocation de marché comprise dans votre fenêtre d'entraînement. La démo ne répond à aucune de ces questions ; la due diligence le doit.

Les CFO qui créeront de la valeur avec l'IA dans les trois prochaines années ne seront pas ceux qui auront le plus déployé, mais ceux qui auront déployé les *bons* use cases avec la discipline de dire non au reste. La technologie continuera de progresser. Le framework pour juger de sa place, lui, ne changera pas : prédiction versus jugement, coût de l'erreur, stabilité des relations, et l'explication que vous pouvez défendre.

Points clés

1. Passez chaque use case IA dans quatre filtres avant de le financer : prédiction vs jugement, coût de l'erreur et qui la détecte, stabilité de la relation sous-jacente, et capacité à assumer le problème d'explicabilité. Un seul filtre échoué et le dossier est un passif, pas un actif.

1. Commencez par la détection d'anomalies et le matching de transactions, pas par le reporting génératif. Ils offrent la meilleure densité de valeur, des gains asymétriques, un risque contenu, des points de contrôle humains naturels, et ils construisent la crédibilité nécessaire pour financer des projets plus difficiles ensuite.

1. Déployez le reporting narratif génératif comme outil de rédaction avec vérification humaine obligatoire. La valeur est la vitesse jusqu'au premier jet ; le danger est la fabricationfabricationUne hallucination, c'est lorsqu'un modèle d'IA produit une réponse fluide et assurée mais factuellement fausse, inventée, ou non étayée par ses données sources.Voir la définition complète → fluide. Aucun narratif généré par IA n'atteint un public externe sans qu'un humain ait validé chaque affirmation contre les données sources.

1. Concevez le point de contrôle humain avant le modèle, et mesurez IA + humain contre votre processus actuel, jamais contre la perfection. Une prévision plus précise que personne ne juge fiable ni n'utilise ne crée aucune valeur.

1. Financez la fondation data et gouvernance comme le vrai projet. La contrainte limitante est rarement le modèle ; c'est la qualité des données et le contrôle. Étendez vos contrôles internes à la gouvernance des modèles et aux pistes d'audit IA.