L’IA ne corrige pas les fondamentaux fragiles d’une direction financière. Elle les amplifie.

On parle beaucoup d’IA dans les directions financières en ce moment et honnêtement, nous avons de quoi être enthousiastes.

Automatisation des rapprochements, copilotes comptables, détection d’anomalies, accélération des clôtures, génération automatique de commentaires de variation de solde… Les cas d’usage deviennent enfin très concrets. Les chiffres le confirment : selon une étude KPMG menée auprès de 2 900 entreprises dans 23 pays, 76 % des entreprises françaises utilisent déjà l’IA dans leurs processus d’élaboration de l’information financière.

L’IA ne répare pas, elle accélère

Mais sur le terrain, je trouve qu’il y a encore un sujet largement sous-estimé : l’IA ne “répare” pas une organisation mal structurée. Elle lui permet simplement d’aller plus vite. Et ce n’est pas systématiquement une bonne nouvelle : une IA branchée sur des processus flous, des données peu fiables ou un SI fragmenté ne crée pas miraculeusement de la qualité. Elle met surtout en exergue les fragilités déjà présentes. Dans la même étude, il est indiqué que près de 47 % des directions financières françaises identifient la qualité et l’intégration des données comme principal frein au déploiement de l’IA.

Très honnêtement, cela ne me surprend pas. Je rencontre régulièrement des organisations encore très éloignées d’une logique de « Core Model » : des processus non documentés, souvent hétérogènes entre les entités d’un même groupe, voire au sein d’équipes d’un même service, avec en toile de fond ce classique « notre fonctionnement est spécifique ».

Des fragilités que je retrouve sur le terrain

Je l’ai aussi vu de manière récurrente sur des projets de mise en œuvre d’ERP ou d’outils Finance. Les phases de conception sont parfois validées alors que les équipes ne partagent pas réellement la même compréhension des processus cibles ou des règles de gestion attendues. Ce n’est pas forcément par désengagement volontaire : les utilisateurs découvrent les sujets au fil de l’eau, atelier après atelier, sans réelle vision bout en bout des futurs processus. Ils sont alors davantage dans une posture de découverte des supports et démonstrations de l’intégrateur que dans une véritable capacité à se projeter sur les impacts opérationnels des choix effectués (j’ai d’ailleurs une conviction assez forte sur ce sujet, je partagerai prochainement quelques réflexions plus détaillées). Dans ces conditions, il devient difficile d’avoir une compréhension globale des flux, des dépendances ou des effets de bord potentiels. Les écarts apparaissent plus tard, au moment des recettes, lorsque les utilisateurs commencent enfin à tester concrètement les flux de bout en bout dans l’outil, ce qui reste malgré tout préférable à une découverte une fois l’outil en production ! Derrière, on retrouve presque toujours les mêmes conséquences : itérations, reconceptions partielles, tensions projet et dérives de planning.

Je travaille également avec des organisations dont les systèmes d’information se sont construits par empilement successif : à chaque besoin, un nouvel outil. Au fil du temps, cela aboutit à une cartographie en constellation : données dupliquées, interfaces fragiles, référentiels parfois flous, et une vision globale de plus en plus difficile à établir.

« L’IA ne “répare” pas une organisation mal structurée. Elle lui permet simplement d’aller plus vite. »

Quand l’IA propage les problèmes

Dans ces contextes, ajouter de l’IA ne simplifie pas forcément les choses. Au contraire, cela peut accélérer très vite la propagation des problèmes :

• Des données peu fiables produisent des analyses peu fiables ;
• Des règles métier implicites rendent les automatisations difficiles à sécuriser ;
• Une gouvernance insuffisante ouvre la porte à des usages mal maîtrisés.

De mon expérience, avant même de parler d’IA “avancée”, il faut déjà réussir à réconcilier correctement les données entre plusieurs outils incapables de communiquer proprement entre eux… Ou simplement formaliser les règles de gestion qui vivent jusque-là uniquement dans la tête des équipes.

Un enjeu de maturité plus que de technologie

Au fond, je pense que le véritable enjeu est là : beaucoup d’organisations abordent encore l’IA comme un sujet principalement technologique, alors que le niveau réel de maturité se joue souvent ailleurs :

• La qualité de la donnée ;
• La robustesse des processus ;
• La clarté des rôles et des validations ;
• La gouvernance des usages ;
• La capacité des équipes à comprendre ce que fait réellement l’outil, pour éviter une dépendance aveugle à des mécanismes qu’elles ne maîtrisent plus.

Finalement, l’IA agit souvent moins comme une révolution technologique que comme un révélateur parfois brutal du niveau de structuration d’une organisation.

Sécuriser les fondamentaux avant d’industrialiser

Chez Insyte, nous en sommes convaincus : avant d’industrialiser, il faut sécuriser les fondamentaux : la donnée, les processus et la gouvernance. L’IA peut d’ailleurs y contribuer, mais elle doit d’abord servir à créer de la qualité avant d’être déployée à grande échelle.

Je suis certaine que c’est là que se crée la valeur durable.

Si vous voulez tester le niveau de maturité de vos processus financiers, contactez-moi, j’ai un questionnaire très simple et rapide à vous partager.