Solutions
Reporting financier, Reporting de gestion, Planification, Finance autonome
Taille
120 professionnels seniors de la finance de la région DACH
Daniele Tedesco
PDG chez Apliqo
Daniele Tedesco, PDG d'Apliqo, est intervenu lors de l'Executive Finance Summit 2026 sur le passage de la planification périodique traditionnelle à ce qu'il a appelé la « finance autonome ».
Le cœur de la session a consisté en une démonstration en direct de trois agents d'IA appliqués de bout en bout au modèle financier d'une entreprise témoin : accélération de la clôture mensuelle, analyse des écarts et prévisions autonomes.
Daniele a présenté le problème comme un décalage entre le rythme de planification et la réalité de l'entreprise. La finance fonctionne toujours selon des cycles fixes : budgets annuels, révisions budgétaires 3+9, 6+6, 9+3. L'activité elle-même n'évolue pas selon ces intervalles. Elle est continuellement affectée par les fluctuations monétaires, les événements géopolitiques et d'autres perturbations.
Quelques points sensibles spécifiques qu'il a soulevés :
L'analyse des écarts se fait a posteriori, si bien qu'au moment où elle parvient à un décideur, les données sous-jacentes sont déjà obsolètes. Il a cité une statistique, sans nommer de source, selon laquelle 47 % des directeurs financiers craignent de prendre des décisions sur la base d'informations dépassées.
Le personnel financier le plus expérimenté consacre les 10 à 15 premiers jours de chaque mois aux mécanismes de clôture plutôt qu'à la production d'analyses pertinentes.
Il a évoqué une projection Gartner de 2023 selon laquelle 90 % des tâches financières et analytiques seraient automatisées d'ici 2027, en comparaison avec un chiffre qu'il a donné de seulement 3 % d'organisations financières ayant pleinement appliqué l'IA à la gestion de la performance aujourd'hui. Il a utilisé cet écart pour structurer le reste de son intervention.
Les causes fondamentales des écarts sont souvent enfouies sous le chiffre global. Dans la démonstration, la rentabilité du groupe avait chuté de 1,7 million à 1,2 million d'une année sur l'autre, mais ce chiffre unique masquait des variations divergentes : certaines gammes de produits et régions étaient en surperformance tandis que d'autres sous-performaient, et la véritable histoire n'est apparue qu'après avoir analysé le détail par produit, client, canal et centre de coûts.
Et si les données réelles et les écarts étaient surveillés en continu, plutôt qu'analysés des semaines après coup ? Pas besoin d'une équipe plus grande, ni d'une feuille de calcul plus rapide, mais d'un agent capable de signaler les anomalies en temps réel, d'en analyser le modèle sous-jacent et de soumettre une recommandation à un humain pour la décision finale.
Daniele a présenté une architecture à trois agents basée sur IBM Planning Analytics, avec un point de contrôle humain à chaque étape. Il a insisté sur le fait que celle-ci est conçue pour fonctionner comme un copilote et non comme un pilote automatique.
Agent 1 : accélération de la clôture mensuelle. Il confirme la disponibilité des données et les charge. IBM Planning Analytics exécute ensuite les éliminations interentreprises, la conversion des devises et les autres calculs du modèle. L'agent vérifie les balances générales par entité, signale les comptes non mappés et classe les anomalies ouvertes par niveau d'importance relative. Si un élément significatif reste ouvert, il s'arrête et passe le relais à un humain. Une fois le problème résolu, il rédige un compte rendu résumant ce qu'il a fait.
Agent 2 : analyse des écarts. Il s'exécute en continu sur les données réelles du grand livre, le budget et les prévisions pour l'ensemble des entités et un ensemble défini d'indicateurs clés de performance (Daniele a précisé que l'entreprise choisit les KPI à surveiller afin de maintenir des résultats ciblés). Il applique des seuils absolus et en pourcentage pour classer les écarts par niveaux de priorité, par exemple : priorité 1 si un écart dépasse 75 000 $ à la fois par rapport au réel et au budget, priorité 2 s'il dépasse 75 000 $ par rapport aux prévisions ou à l'écart de la période précédente. Il analyse les causes profondes selon différentes dimensions telles que la région, le produit et le canal, peut identifier le responsable budgétaire concerné et rédige un compte rendu noté, exploitable à la fois par un réviseur humain et par l'agent suivant. Il s'appuie également sur une bibliothèque de « compétences » où les équipes financières intègrent le contexte spécifique à l'entreprise qu'une règle de seuil générique ne détecterait pas, comme un arrêt de ligne de production qui diminue simultanément les ventes et le coût des ventes.
Agent 3 : prévision autonome. Il se déclenche selon un calendrier prédéfini, lors d'un écart significatif ou sur demande manuelle. Il lit les données réelles actuelles, les prévisions antérieures, les commentaires d'écarts de l'agent 2 et les hypothèses de facteurs existantes, puis évalue quelle logique de facteur correspond toujours à chaque signal, signale les éléments exceptionnels à exclure et consigne chaque modification apportée. Le calcul lui-même est confié à IBM Planning Analytics plutôt que réalisé par le modèle. La formule de Daniele à ce sujet : « vous ne voulez pas qu'un moteur probabiliste essaie d'effectuer un calcul si un moteur déterministe le fait correctement à chaque fois ». L'agent effectue des comparaisons de scénarios par rapport aux prévisions précédentes servant de référence, puis publie ses résultats sous forme de version distincte pour que le directeur financier puisse l'examiner, la questionner en langage naturel, l'ajuster et la valider avant publication.
Au cours de la séance de questions-réponses, Daniele a ajouté que la plateforme est indépendante du modèle (model-agnostic) : les clients peuvent apporter leur propre LLM, local ou dans le cloud, connecter leurs propres clés API OpenAI ou Anthropic, ou utiliser la version SaaS d'Apliqo, qui exploite AWS Bedrock avec des modèles de pointe, notamment Claude d'Anthropic. Il a également précisé que le système de compétences, plus encore que le modèle sous-jacent, est le véritable pourvoyeur de valeur métier, car c'est là que les équipes financières intègrent le discernement dont un modèle générique serait dépourvu.
Il s'agit des résultats présentés lors de la démonstration en direct, et non de chiffres audités issus d'un déploiement en production.
L'agent de clôture mensuelle a chargé les données de mai pour toutes les entités en environ 120 secondes, a rapproché la balance générale et a signalé un écart résiduel comme non significatif (inférieur au seuil de 1 $ défini pour ce contrôle). Aucun compte non mappé n'a été trouvé.
L'agent d'analyse des écarts a identifié le marché intérieur de la gamme principale de compléments alimentaires comme le principal frein au chiffre d'affaires du groupe, et a par ailleurs signalé que le canal e-commerce de la nutrition sportive dépassait le budget de 18 % et l'exercice précédent de 27 %.
Dans l'agent de prévision, Daniele lui a demandé de porter le facteur de croissance de la nutrition sportive à 40 % tout en maintenant la saisonnalité constante. L'agent a proposé la modification, en a montré l'impact (une prévision révisée pour la gamme à 6,795 millions) et a attendu l'approbation avant de la répercuter. Il a répété l'opération sur le modèle des charges d'exploitation (OpEx), en passant à un rythme annuelisé basé sur six mois avec une hausse des coûts de 3 %, nécessitant à nouveau une validation avant publication.
Daniele a conclu en présentant ce qu'il a décrit comme des prérequis pour obtenir ces résultats dans une véritable organisation, et non dans une démo : un socle de données solide et un modèle financier intégré à trois volets approprié (compte de résultat, bilan, tableau des flux de trésorerie, avec les sous-modèles qui les alimentent), car une IA reposant sur des données de mauvaise qualité ne fait qu'amplifier ces défauts. Il a recommandé de commencer par le suivi des écarts avant de tenter la prévision autonome, d'une part parce qu'il s'agit du point d'entrée le moins risqué, et d'autre part parce que cela impose les améliorations de la qualité des données dont la prévision dépendra par la suite. Il a également souligné que la gestion du changement constituait un obstacle distinct et permanent. Son attente déclarée, et non un résultat mesuré, était que les organisations suivant cette séquence obtiendraient des rendements supérieurs à la moyenne. Par ailleurs, en réponse à une question du public, il a suggéré que cette approche convenait particulièrement aux entreprises de taille intermédiaire (environ 500 à 10 000 employés), car les très grandes organisations ont tendance à présenter une plus grande complexité de données qui rend les résultats de l'IA moins fiables sans garde-fous substantiels.
Découvrez la plateforme en action.
Réservez une démonstration personnalisée pour découvrir les fonctionnalités, les flux de travail et les résultats qui comptent le plus pour votre entreprise.
