L'utilisation de l'IA dans la finance passe lentement de la théorie aux tests. Dans l'ensemble du paysage du FP&A, les expérimentations se multiplient : les entreprises testent des projets pilotes de machine learning pour les prévisions, la génération de langage naturel pour le reporting, la détection d'anomalies dans les centres de coûts, et bien plus encore. Et pourtant, la plupart de ces initiatives restent fermement bloquées au stade exploratoire. Malgré les preuves de concept, les ateliers internes et les démonstrations techniques, très peu de projets ont réellement atteint un déploiement opérationnel ou généré un impact à grande échelle.

Ce phénomène, que nous appellerons le purgatoire des pilotes, représente un défi majeur pour les dirigeants financiers en 2025. La technologie est bien réelle. La volonté est authentique. Mais les progrès stagnent au point de transition entre le potentiel et la mise en production.

Au fond, il ne s'agit pas seulement d'un problème technologique. C'est également un enjeu opérationnel et organisationnel. Passer de l'exploration à l'exécution exige de la rigueur, de l'alignement et une maturité structurelle. Sans cela, l'IA reste un simple gadget plutôt qu'un véritable levier de valeur.

Les barrières invisibles qui ralentissent l'IA dans la finance

De nombreuses équipes FP&A sous-estiment le travail de préparation opérationnelle nécessaire pour réussir l'implémentation de l'IA. S'il est tentant de commencer par des projets ambitieux comme « construisons un optimiseur de prévisions » ou « automatisons l'explication des écarts », les véritables contraintes se situent généralement sous la surface.

La gouvernance des données constitue le goulot d'étranglement le plus immédiat. Les modèles d'IA, en particulier ceux entraînés sur des données internes, nécessitent des données d'entrée structurées, propres et étiquetées de manière cohérente. Malheureusement, les données financières sont rarement regroupées dans une source unique de vérité. Elles sont souvent réparties entre des systèmes hérités, des feuilles de calcul et des outils de planification déconnectés. Sans une base de données robuste couvrant le contrôle des accès, la validation de la qualité et l'intégration, les projets d'IA deviennent fragiles et peu fiables.

Étroitement liée à la gouvernance, la question de la sécurité se pose également. Les modèles d'IA soulèvent de nouvelles interrogations concernant la confidentialité des données, la conformité réglementaire et l'auditabilité. Pour les fonctions FP&A opérant dans des secteurs strictement réglementés ou à l'échelle internationale avec des lois diverses sur les données, la tolérance au risque pour le déploiement de modèles d'IA sur des données financières sensibles est faible. Cela relègue souvent l'innovation dans des environnements de test (« sandboxes »), isolant davantage les pilotes des flux de travail quotidiens.

Ces problèmes structurels s'aggravent avec le temps. Les pilotes restent techniquement viables, mais politiquement sensibles ou opérationnellement complexes à mettre à l'échelle. La confiance s'érode. La dynamique s'essouffle.

L'ambiguïté du succès

Un autre facteur moins évident, mais tout aussi préjudiciable, est l'absence de critères de réussite clairs. De nombreux pilotes d'IA sont lancés sous la bannière de l'innovation, mais sans indicateurs concrets de ce qui constitue une victoire.

Dans les projets traditionnels de transformation financière, le succès peut être défini par la réduction du temps de cycle ou l'amélioration de la précision des prévisions. Cependant, les pilotes d'IA visent souvent des résultats plus qualitatifs, tels qu'une meilleure visibilité, davantage d'automatisation ou une aide à la décision optimisée. Ce sont des objectifs louables, mais difficiles à quantifier, surtout dans les premières phases.

Sans définitions concertées du succès, idéalement alignées sur la valeur métier, les projets pilotes ne parviennent pas à instaurer la confiance. Les sponsors exécutifs s'en désintéressent. Les équipes informatiques relèguent le support au second plan. Et les équipes financières, déjà en manque de temps, reviennent à des méthodes éprouvées.

Un principe utile ici consiste à concevoir les pilotes d'IA de manière rétroactive : partez de la décision métier finale que vous souhaitez améliorer et remontez jusqu'à l'outil technique ou au modèle requis. Définissez non seulement ce que l'IA doit faire, mais aussi l'action qu'elle doit déclencher et la manière dont cette action sera évaluée.

Investissements mal ciblés et rendements surestimés

Une complication supplémentaire provient du décalage entre le potentiel perçu et l'investissement réel. L'IA est souvent présentée comme un bond stratégique en avant, capable d'apporter des améliorations radicales en matière de performance et de productivité. Pourtant, les ressources allouées à ces projets pilotes reflètent rarement cette ambition.

Trop de projets sont lancés avec un soutien transversal minimal, sans budget de conduite du changement et avec des ressources informatiques limitées. Le résultat est prévisible : des pilotes sous-dimensionnés qui démontrent un potentiel technique, mais manquent de l'infrastructure opérationnelle nécessaire pour passer à l'échelle.

Cela crée une boucle de rétroaction dangereuse. Des pilotes modestes produisent des résultats modestes, qui sont ensuite interprétés comme le signe que l'IA « n'est pas prête » pour la finance. Mais en réalité, le pilote n'a pas été conçu, ni même financé, pour tester cette maturité à grande échelle.

Pour briser ce cycle, il convient de recadrer l'IA non pas comme une initiative isolée, mais comme le développement d'une compétence organisationnelle. L'investissement doit refléter non seulement la technologie en elle-même, mais aussi les capacités organisationnelles requises pour l'exploiter efficacement : refonte des processus, montée en compétences, infrastructure de données et mécanismes de gouvernance.

Une feuille de route pragmatique pour le passage à l'échelle

À quoi ressemble donc le passage de l'IA en finance de la phase d'exploration à celle d'exécution ? Bien qu'il n'existe pas de modèle universel, certains principes peuvent maximiser les chances de succès pour un déploiement à grande échelle :

• Premièrement, intégrez les pilotes au sein des processus métier réels, et non dans des environnements artificiels. Un modèle testé uniquement de manière isolée sera toujours confronté à de nouveaux défis en production. Aligner les pilotes sur les flux de travail réels garantit de meilleurs retours d'expérience et des itérations plus rapides, tout en rendant le succès plus difficile à ignorer.

  
  

• Deuxièmement, impliquez les utilisateurs finaux dès le départ. Trop de projets d'IA sont conçus de manière descendante, par des équipes de données ou des consultants externes. Pourtant, la véritable adoption repose sur la confiance des personnes amenées à utiliser les résultats. Les professionnels de la finance doivent être les co-créateurs des outils d'IA, et pas seulement de simples utilisateurs finaux.

  
  

• Troisièmement, traitez le déploiement de l'IA comme un programme, et non comme un simple projet. Cela implique de nommer des sponsors, de créer des parcours de formation et d'aligner les incitations sur l'adoption. Sans gouvernance formelle, même les meilleurs pilotes finissent par être abandonnés.

  
  

• Enfin, constituez un portefeuille de cas d'usage. L'IA ne transformera pas le FP&A d'un seul coup spectaculaire, mais plutôt à travers une série de gains cumulatifs et progressifs. Quelques projets pilotes modestement réussis, déployés à grande échelle et intégrés, apporteront bien plus de valeur qu'une seule expérience trop ambitieuse qui ne dépassera jamais le stade des tests.

Apprendre de ceux qui ont une longueur d'avance

Certaines organisations commencent à sortir du purgatoire des pilotes. Ces équipes partagent une caractéristique commune : elles ne considèrent pas l'IA comme une solution magique. Elles l'abordent plutôt comme un outil pragmatique, utile lorsqu'il est appliqué aux bons problèmes, avec les systèmes de support appropriés.

Elles reconnaissent également que le catalyseur le plus important de l'IA dans la finance n'est pas le modèle, mais l'état d'esprit. Une volonté de tester, d'apprendre et d'évoluer. Un engagement envers la transparence et l'auditabilité. Et par-dessus tout, une priorité donnée à la résolution des problèmes métier, plutôt qu'à la simple expérimentation technologique.

À mesure que davantage d'équipes financières s'appuieront sur ces fondations, nous verrons l'IA passer de la marge au grand public. Mais cette transition ne sera pas automatique. Elle nécessitera des choix délibérés, des investissements continus et une vision lucide tant du potentiel que des limites de la technologie.

Conclusion

Le purgatoire des pilotes n'est pas une fatalité. C'est un indicateur, le signal qu'une organisation est disposée à explorer mais pas encore prête à s'engager. Le dépasser implique d'adopter l'IA non pas simplement comme une expérience, mais comme une composante essentielle de la transformation financière. 

Le 25 juin, nous co-organiserons l'Executive Finance Summit, où des dirigeants de tout le secteur partageant les mêmes visions se réuniront pour discuter de la manière d'aborder ces nouvelles évolutions. Si vous souhaitez dépasser la phase de pilote et découvrir à quoi pourrait ressembler un déploiement significatif de l'IA pour votre fonction financière, cet événement est fait pour vous.

Vous pouvez poser votre candidature pour y participer ici.  Au plaisir de vous y retrouver !