Il y a une discrète ironie dans le débat actuel autour de l'IA. Alors que la technologie continue de progresser à un rythme effréné, avec des outils génératifs et des modèles de machine learning de plus en plus accessibles et puissants, de nombreuses équipes financières ressentent une pression implicite : faire quelque chose (lire n'importe quoi) avec l'IA.

Il ne s'agit plus seulement d'une question de curiosité ou d'innovation. Dans certaines organisations, l'idée s'est imposée que si un projet n'implique pas d'intelligence artificielle, il manque d'ambition. Cet état d'esprit, bien que compréhensible dans le climat actuel, est également problématique.

Car dans la finance, comme dans bien des disciplines, la décision la plus stratégique n'est souvent pas de savoir si vous pouvez utiliser l'IA, mais si vous devriez le faire.

Cet article examine la manière dont les leaders de la finance peuvent aborder la sélection de l'IA avec intention, rigueur et réalisme. Il examine les domaines où la technologie a démontré une valeur mesurable, ceux où les méthodes traditionnelles continuent d'exceller, et comment les organisations peuvent établir un cadre réfléchi pour son adoption. Alors que l'Executive Finance Summit de Zurich approche à grands pas, c'est le moment idéal pour réfléchir – non seulement à ce qui est possible, mais à ce qui a une réelle valeur.

Le mythe de l'IA comme solution universelle

L'IA, en particulier dans le contexte du FP&A, doit être comprise comme une capacité, non comme une panacée. Elle peut améliorer la précision, réduire les temps de cycle et détecter des schémas au sein de vastes ensembles de données. Mais elle n'est pas automatiquement supérieure aux modèles et méthodes que les équipes financières ont perfectionnés au fil des décennies. Elle n'est pas non plus adaptée de manière égale à toutes les tâches.

Pourtant, le discours autour de l'IA laisse souvent entendre le contraire. Les éditeurs de logiciels tout comme les médias ont tendance à présenter l'IA comme une mise à niveau universelle, capable d'améliorer tout processus qu'elle touche. 

Cela engendre deux risques :

• Premièrement, cela peut conduire à des investissements mal ciblés, sous forme de temps, de talents et de fonds consacrés à des cas d'usage de l'IA qui ne justifient pas une telle complexité.

• Deuxièmement, cela risque de sous-évaluer la profonde expertise métier et la maturité des processus dont disposent déjà les équipes financières. Dans de nombreux scénarios, ce qui est nécessaire n'est pas une transformation, mais un perfectionnement.

L'utilisation stratégique de l'IA commence par prendre du recul par rapport à l'engouement médiatique et se poser une question plus fondamentale :

Quel problème essayons-nous de résoudre ?

Un cadre pour sélectionner les bons cas d'usage

Tous les problèmes ne relèvent pas de l'IA. Mais certains le justifient clairement. Alors, comment les leaders de la finance peuvent-ils faire la distinction entre les deux ? 

Un point de départ utile consiste à examiner quatre dimensions fondamentales :

1. Qualité et disponibilité des données. Les modèles d'IA nécessitent de grands volumes de données propres et structurées. Si un processus s'appuie sur des données d'entrée incohérentes, fragmentées ou hautement qualitatives, l'IA risque d'avoir des difficultés à fournir des résultats significatifs. Dans ce cas, la refonte des processus ou la standardisation des données peuvent être plus utiles qu'une modélisation avancée.

2. Complexité des schémas. L'IA excelle dans les domaines où les schémas sont trop subtils ou dynamiques pour être appréhendés par des modèles basés sur des règles. Cela inclut la prévision de la demande sur des marchés volatils, la détection des fraudes ou l'identification des relations entre inducteurs dans les structures de coûts. Si les relations au sein de vos données sont bien comprises et relativement stables, les méthodes traditionnelles peuvent s'avérer plus transparentes et efficaces.

3. Criticité opérationnelle et tolérance à l'erreur. Les décisions à enjeux élevés, telles que le reporting destiné au conseil d'administration ou la planification statutaire, exigent souvent explicabilité et vérifiabilité. Les modèles d'IA, en particulier ceux de type « boîte noire », peuvent peiner à satisfaire à ces exigences. Lorsque le contrôle réglementaire ou le risque de réputation est élevé, la clarté peut l'emporter sur la complexité.

4. Rapport valeur/effort. Les modèles d'IA peuvent être gourmands en ressources à développer et à maintenir. Si l'amélioration attendue des performances par rapport aux méthodes actuelles est marginale, l'investissement peut alors ne pas être justifié. Les gains rapides présentant un retour sur effort élevé sont de meilleurs candidats pour une adoption précoce.

Ce cadre ne vise pas à décourager l'innovation, mais à l'orienter là où elle a le plus d'impact. En évaluant les cas d'usage potentiels à travers le prisme de la préparation des données, de la complexité, de la tolérance au risque et de la valeur, les dirigeants financiers peuvent s'assurer que l'adoption de l'IA soutient les priorités stratégiques de l'entreprise.

Là où l'IA a déjà fait ses preuves

Malgré la nécessité d'être sélectif, il existe plusieurs domaines dans lesquels l'IA a démontré une valeur constante au sein des flux de travail de FP&A. La prévision prédictive se distingue comme un exemple évident. Les modèles d'apprentissage automatique entraînés sur des données financières et opérationnelles historiques peuvent générer des prévisions glissantes avec une rapidité et une précision impressionnantes. En particulier dans les secteurs caractérisés par de grands volumes de transactions granulaires, comme la grande distribution ou la logistique, l'IA peut déceler des variations de la demande, des effets de saisonnalité ou des tendances de coûts bien avant les modélisateurs humains.

Un autre cas d'usage prometteur concerne la planification basée sur les inducteurs d'activité (driver-based planning). L'IA peut aider à identifier les variables ayant le plus d'impact sur les résultats, même dans le cas de relations complexes et non linéaires. Cela permet d'améliorer le calibrage des hypothèses et de favoriser une modélisation de scénarios plus dynamique.

De plus, la détection des anomalies est de plus en plus utilisée pour optimiser l'analyse des écarts. Plutôt que de passer en revue des milliers de lignes manuellement, les modèles d'IA peuvent mettre en évidence des activités inhabituelles à travers différentes entités ou comptes, aidant ainsi les équipes financières à focaliser leur attention plus efficacement.

Il ne s'agit pas de possibilités théoriques. Ce sont des cas d'usage opérationnels déjà intégrés au sein d'équipes financières disposant des données et de la gouvernance appropriées.

Quand les méthodes traditionnelles restent plus performantes

Il est tout aussi important de reconnaître l'efficacité durable des méthodes plus simples. Dans les domaines où les données d'entrée sont limitées, les relations bien comprises et les résultats nécessitent de la transparence, la modélisation financière conventionnelle demeure plus pratique.

Prenons l'exemple d'une projection standard de flux de trésorerie sur 12 mois pour une unité opérationnelle stable. Une feuille de calcul structurée, élaborée selon des règles métier et validée par l'expérience, peut offrir des délais d'exécution plus rapides, une plus grande confiance de la part des parties prenantes et un ajustement plus aisé des scénarios qu'un modèle d'apprentissage automatique entraîné sur des années de données historiques.

De même, lors de l'élaboration de plans dans des domaines faisant largement appel au jugement humain, tels que les investissements en R&D ou l'évaluation de fusions et acquisitions, l'IA peut ne pas apporter d'avantage déterminant. Ces décisions reposent moins sur les tendances historiques que sur l'intention stratégique, l'intelligence concurrentielle et le raisonnement qualitatif.

Surdimensionner une solution avec l'IA dans ces contextes peut ralentir la livraison, accroître la dette technique et frustrer les utilisateurs. L'objectif n'est donc pas d'éliminer les approches traditionnelles, mais de les enrichir – en sachant quand faire appel à des analyses avancées et quand faire confiance aux processus établis.

La voie à suivre : faire preuve de discernement, pas d'automatisme

Alors que les équipes financières continuent d'explorer le potentiel de l'IA, la démarche la plus stratégique n'est pas toujours l'adoption, mais le discernement. Savoir quand investir (et quand s'abstenir) devient rapidement une compétence déterminante pour les leaders FP&A tournés vers l'avenir. Refuser l'IA là où elle n'est pas pertinente n'est pas un manque d'ambition, mais un signe de maturité et de clarté d'esprit.

Chez Apliqo, nous sommes convaincus que l'avenir de la finance sera façonné non seulement par de nouveaux outils, mais par des choix plus judicieux. Ce sont précisément ces conversations que nous animerons lors de l'Executive Finance Summit à Zurich le 25 juin, où des dirigeants visionnaires se réuniront pour tracer la voie de l'avenir, alliant intelligence et intention.

Si vous souhaitez vous joindre à nous, n'hésitez pas à postuler ici pour prendre part à cet échange essentiel sur la manière dont l'IA va bouleverser et transformer le FP&A ainsi que la direction financière de manière générale.