IA générative en finance : ce que le CFO doit piloter, pas seulement approuver

Un directeur financier d'un groupe industriel européen de taille intermédiaire raconte avoir découvert, lors d'un audit interne en 2025, que trois membres de son équipe FP&A utilisaient ChatGPT pour produire des synthèses de variance budgétaire, en copiant-collant des données financières non anonymisées. Aucune politique d'usage n'existait. Aucune validation IT n'avait eu lieu. Les fichiers avaient transité par des serveurs OpenAI sans que personne ne s'en préoccupe. Ce n'est pas un cas isolé : c'est désormais le cas standard dans les entreprises qui n'ont pas formalisé leur gouvernance IA.

Ce type de situation illustre une réalité que beaucoup de CFOs préfèrent encore contourner : l'IA générative est déjà dans la fonction finance, qu'on l'ait décidé ou non.

Ce qui se passe dans la fonction finance en 2026

L'adoption des outils d'IA générative dans la finance d'entreprise s'est accélérée de façon significative depuis 2023. Les cas d'usage ne sont plus expérimentaux : ils sont opérationnels. On distingue aujourd'hui plusieurs familles d'applications réellement déployées.

La première concerne la production de rapports financiers. Des outils comme Microsoft Copilot for Finance, intégré à Excel et à Dynamics 365, permettent de générer des commentaires de clôture, des analyses d'écarts ou des projections de trésorerie en langage naturel. Microsoft communique sur des gains de productivité substantiels dans ses études de cas (source commerciale, à pondérer), mais des retours d'expérience indépendants de groupes comme Schneider Electric ou L'Oréal confirment une réduction réelle du temps consacré à la consolidation narrative, de l'ordre de 30 à 40 % sur certains cycles de reporting.

La deuxième famille touche à l'audit et à la détection d'anomalies. Des éditeurs spécialisés comme Workiva ou Oversight Systems proposent des modules d'analyse de transactions qui croisent les données comptables avec des signaux comportementaux pour identifier des schémas frauduleux ou des erreurs de classification. Ici, les données d'efficacité proviennent majoritairement des éditeurs eux-mêmes, ce qui impose une validation par des tests internes avant tout déploiement à grande échelle.

La troisième, souvent sous-estimée, concerne la relation avec les actionnaires et les analystes. Plusieurs grandes banques, dont JPMorgan Chase avec son outil LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Voir la définition complète → Suite déployé auprès de plus de 50 000 collaborateurs depuis 2024, utilisent des modèles de langage pour préparer les Q&A des earnings calls, synthétiser les rapports d'analystes sell-side, ou produire des premières versions de commentaires pour les roadshows.

Ce que les modèles LLM ne font pas bien, encore

La précision arithmétique reste un point faible structurel des grands modèles de langage. GPT-4o, Claude 3.5 Sonnet ou Gemini 1.5 Pro peuvent produire des calculs erronés sur des opérations financières complexes sans signaler d'incertitude. Pour un CFO, laisser un modèle générer des tableaux de sensibilité sans vérification systématique par un humain qualifié représente un risque réel, pas théorique. Les architectures RAG (Retrieval-Augmented Generation), qui ancrent les réponses dans une base documentaire interne plutôt que dans les paramètres du modèle, atténuent ce problème mais ne le suppriment pas.

Ce que cela implique concrètement pour le CFO

Le CFO occupe une position particulière dans ce contexte : il est à la fois utilisateur potentiel, garant de la fiabilité des chiffres produits, et responsable de la conformité des données financières partagées avec des systèmes tiers.

Cette triple exposition appelle une posture active, pas une délégation à la DSI.

Sur le plan de la gouvernance des données, la question n'est pas de savoir si l'IA peut accéder aux données financières, mais lesquelles, dans quel périmètre, avec quelle traçabilité. Les contrats avec des éditeurs comme OpenAI, Google ou Microsoft diffèrent significativement sur les clauses de rétention et d'entraînement des données. Un CFO doit être capable de répondre à ces questions devant son conseil d'administration ou un régulateur, pas seulement son RSSI.

Sur le plan des processus de validation, l'introduction de l'IA dans le cycle de clôture ou de consolidation ne simplifie pas la chaîne de contrôle interne, elle la déplace. Les outputs IA doivent être intégrés dans les matrices de contrôle SOX ou dans les procédures d'audit interne avec la même rigueur que n'importe quel autre outil. Ce cadrage est du ressort du CFO, pas uniquement du contrôleur interne.

Sur le plan du modèle opérationnel de la fonction finance, l'automatisation des tâches à faible valeur ajoutée (réconciliations, production de tableaux standards, extraction de données non structurées) libère du temps, mais seulement si le management de l'équipe est reconfiguré en conséquence. Sans cette reconfiguration, le gain se perd dans des réunions supplémentaires ou des vérifications redondantes.

Pour passer de l'exposition au pilotage

• Cartographier les usages IA existants dans la fonction finance avant de définir une politique, pas l'inverse. Dans la plupart des organisations, des usages existent déjà. L'audit des pratiques réelles prend quelques semaines et évite de construire un cadre déconnecté du terrain.
• Définir une classification des données financières par niveau de sensibilité, avec des règles claires sur ce qui peut transiter vers un LLM externe (données publiques, agrégats anonymisés) et ce qui doit rester dans une infrastructure contrôlée (données de M&A, projections non publiées, données personnelles).
• Exiger des pilotes mesurables avant tout déploiement à l'échelle. Un pilote sur un processus limité, avec des KPIs définis en amont (temps de cycle, taux d'erreur, charge de révision humaine), donne des données de décision réelles plutôt que des promesses commerciales.
• Intégrer la compétence IA dans les critères de recrutement et de développement de l'équipe finance. Les profils capables de formuler des prompts précis, d'évaluer la fiabilité d'un output et de concevoir des workflows hybrides humain-machine deviennent aussi utiles que la mamaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Voir la définition complète →îtrise d'Excel avancé l'était il y a vingt ans.
• Prendre position dans les discussions sur les normes comptables liées à l'IA. L'IASB et plusieurs régulateurs européens travaillent sur l'encadrement de l'utilisation de l'IA dans la production d'information financière. Le CFO a une légitimité directe pour contribuer à ces débats, via les associations professionnelles ou les groupes de travail sectoriels.

Le vrai risque pour le CFO en 2026 n'est pas de déployer l'IA trop vite. C'est de laisser la fonction finance s'