Il y a une certaine fatalité dans les discussions financières d'aujourd'hui : mentionnez l'IA, et la pièce s'illumine. Parlez de nettoyage des données, et les regards se détournent. Pourtant, la réalité est que la seconde conversation est souvent la plus importante des deux, surtout si vous vous souciez de la première.

Les entreprises sont de plus en plus ambitieuses dans leur utilisation de l'IA pour la planification et l'analyse financières (FP&A). Des prévisions glissantes à la détection d'anomalies, les directeurs financiers investissent dans des technologies promettant des informations plus rapides et des prises de décision plus pointues. Mais une vérité fondamentale continue d'être ignorée : votre IA ne vaut que ce que valent les données dont vous la nourrissez. Et pour de nombreuses organisations, ces données résident encore dans des feuilles de calcul chaotiques, des systèmes incohérents et des bases de données cloisonnées.

C'est le paradoxe de la qualité des données. Si l'IA représente un bond en avant, son succès dépend de quelque chose de bien plus fondamental : l'intégrité des informations sous-jacentes. Ignorez cet aspect, et non seulement vous ralentirez vos progrès, mais vous introduirez des risques, minerez la confiance et compromettrez des décisions stratégiques.

À l'approche de l'Executive Finance Summit de Zurich, il s'agit d'une réalité à laquelle de plus en plus de leaders de la finance commencent à s'attaquer de front.

L'illusion de l'intelligence

La promesse de l'IA dans la finance est séduisante. Des modèles intelligents qui anticipent les mouvements du marché, signalent les risques, automatisent le reporting et améliorent la précision de la planification présentent un attrait évident. Cependant, sous cette promesse se cache un problème qui ne peut pas être résolu par la simple automatisation : des données désordonnées, fragmentées ou obsolètes.

On part souvent du principe que les technologies avancées compenseront, d'une manière ou d'une autre, les lacunes en matière de qualité des données. Mais en pratique, les systèmes d'IA amplifient ces problèmes. Les modèles d'apprentissage automatique, par exemple, sont conçus pour identifier des schémas. Si ces schémas sont tirés de registres incomplets ou inexacts, les résultats seront tout aussi défectueux, sous une simple apparence de sophistication.

Cela crée une dangereuse illusion. Le tableau de bord de l'IA est impressionnant. Le commentaire des écarts semble plausible. Mais en réalité, des décisions stratégiques essentielles sont prises sur la base de données corrompues.

Vouloir aller plus vite que les fondations 

La tentation de déployer l'IA rapidement est compréhensible. La pression concurrentielle, l'enthousiasme interne et l'influence des fournisseurs poussent tous à la mise en œuvre. Mais trop souvent, les entreprises négligent les étapes fondamentales dans leur course au déploiement. 

L'intégration des données en est la principale victime. De nombreuses équipes financières évoluent encore dans des environnements fragmentés : les données de planification dans un système, les réalisations dans un autre, les hypothèses stockées dans des fichiers Excel sur des disques partagés. Il peut y avoir de multiples versions de la vérité, des hiérarchies disjointes ou des conventions de nommage héritées qui rendent l'analyse transversale quasi impossible.

Dans de tels cas, introduire l'IA revient à installer une nouvelle antenne parabolique sur un toit qui s'effondre. L'outil est peut-être puissant, mais la structure ne tiendra pas le choc.

Le résultat est prévisible. Les modèles d'IA ne parviennent pas à produire des résultats fiables. Les parties prenantes perdent confiance. L'adoption stagne. Ce qui avait commencé comme une initiative de pointe finit par miner la confiance envers la fonction finance dans son ensemble. 

Les coûts cachés d'une mauvaise gouvernance des données 

Lorsque les implémentations de l'IA trébuchent, la cause première est rarement l'algorithme. Il s'agit le plus souvent d'un manque de gouvernance autour des données qui l'alimentent.

Ces problèmes ne sont pas toujours visibles au premier abord. Dans certains cas, les lacunes de données sont minimes : un taux de change obsolète, un centre de coûts en double, une dépense mal classée. Mais les modèles d'IA entraînés sur des mois ou des années de ces informations intègrent de mauvais schémas. Avec le temps, ces erreurs s'accumulent.

Il existe également d'autres coûts :

• Du temps perdu dans la réconciliation manuelle des données, ce qui détourne les analystes des tâches à forte valeur ajoutée

• Une érosion de la confiance des parties prenantes envers les résultats financiers, en particulier lorsque les résultats générés par l'IA diffèrent des réalités opérationnelles connues

• Une complexité accrue pour retracer la logique des modèles en cas d'audit requis

• Des investissements gaspillés dans des outils incapables de fonctionner sans une infrastructure de données stable

Une mauvaise gouvernance n'est pas seulement un inconvénient technique. Elle sape la crédibilité de l'ensemble de la fonction de planification.

Bâtir des fondations de données prêtes pour l'IA

Avant que toute initiative sérieuse d'IA dans la finance ne puisse porter ses fruits, les organisations doivent investir dans leurs fondations de données. Cela ne signifie pas rendre chaque jeu de données parfait, mais plutôt créer les conditions permettant à l'automatisation de prospérer.

Les priorités clés devraient inclure :

1. Des référentiels de données centralisés et structurés. Dépassez les feuilles de calcul isolées et les bases de données fragmentées. Une plateforme de planification unifiée – comme celle que nous proposons ici chez Apliqo – permet d'obtenir des structures de données intégrées, un nommage cohérent et des mises à jour en temps réel à travers toutes les fonctions de l'entreprise.

2. La responsabilité et la gouvernance des données (data stewardship). Attribuez une responsabilité claire quant à l'exactitude, l'exhaustivité et la ponctualité des données. Ce n'est pas uniquement une fonction informatique. La finance doit montrer la voie pour définir ce que signifie la « qualité » pour les données de planification et de performance.

3. Des normes de métadonnées et de cartographie. Créez des hiérarchies, des conventions de nommage et des mappages dimensionnels cohérents. Les modèles d'IA reposent sur la structure. La clarté de votre modèle de données permet d'obtenir des informations plus précises et une intégration plus fluide.

4. Des protocoles d'assurance qualité. Introduisez des processus de validation réguliers pour détecter les anomalies au plus tôt. Les outils d'IA peuvent y contribuer, mais ils nécessitent une base d'informations fiables pour fonctionner.

5. Un changement culturel. Encouragez un état d'esprit où la précision des données relève de la responsabilité de chacun. Cela peut impliquer des formations, des KPI ou de nouveaux flux de travail. Mais tout commence par une direction qui montre l'exemple sur la valeur des données de qualité.

Tirer les leçons des premiers faux pas

Certaines des leçons les plus utiles proviennent des cas où l'IA n'a pas été à la hauteur de ses promesses. Dans plusieurs cas retentissants, des entreprises ont déployé des outils de prévision automatisés qui ont systématiquement sous-performé par rapport aux modèles manuels – non pas parce que les algorithmes étaient défaillants, mais parce que les données historiques sur lesquelles ils s'étaient entraînés regorgeaient d'ajustements ponctuels, d'hypothèses non documentées ou de périodes mal alignées.

Dans un cas, une entreprise a utilisé l'apprentissage automatique pour générer des prévisions de revenus par produit à travers différentes régions. Les résultats initiaux semblaient prometteurs, mais après deux cycles de planification, le modèle a commencé à produire des données aberrantes. La cause ? Une seule feuille de calcul obsolète contenant des conversions de devises qui n'avaient pas été actualisées depuis plus d'un an, faussant ainsi les données d'entraînement du modèle.

Dans un autre cas, une entreprise a tenté d'utiliser l'IA pour automatiser la budgétisation basée sur les inducteurs d'activité (driver-based budgeting), mais a omis de prendre en compte des ventilations de coûts incohérentes entre les unités commerciales. Le résultat a été un budget mathématiquement juste, mais totalement déconnecté des réalités opérationnelles.

Dans les deux cas, le problème ne résidait pas dans l'ambition du projet, mais dans l'hypothèse que l'environnement de données était prêt à l'accueillir.

Équilibrer l'ambition et la préparation

La leçon à retenir n'est pas d'abandonner l'IA, mais de l'implémenter en toute connaissance de cause. Les équipes de FP&A performantes ne fuient pas l'automatisation. Cependant, elles fondent leurs efforts sur une évaluation lucide de leur état de préparation.

Elles reconnaissent que le chemin vers l'IA passe par la qualité des données, sans aucun raccourci possible. Elles investissent dans des plateformes qui apportent de la structure aux processus de planification. Et elles savent que la crédibilité des résultats générés par l'IA repose sur le travail ingrat mais essentiel de fiabilisation des données.

Chez Apliqo, nous constatons cette évolution au sein d'équipes financières de toutes tailles et de tous horizons. Celles qui réussissent le mieux traitent la gouvernance des données non pas comme un obstacle à l'IA, mais comme son catalyseur. Elles s'attachent à créer des systèmes et des cultures où l'intégrité des données est protégée et où la technologie peut être déployée en toute confiance.

L'IA va très certainement redéfinir le fonctionnement de la finance dans les années à venir. Mais aucun modèle, aussi avancé soit-il, ne peut remplacer des données propres et fiables. Alors que les directeurs financiers se préparent pour la prochaine vague de transformation, la question n'est pas seulement de savoir quelle technologie adopter, mais si l'entreprise est véritablement prête à la soutenir.

Il s'agit de l'un des thèmes centraux que nous aborderons lors de l'Executive Finance Summit à Zurich le 25 juin, où des professionnels du secteur partageront tant leurs réussites que leurs échecs. C'est l'occasion d'aller au-delà de l'engouement médiatique et d'engager une conversation plus approfondie : que faut-il réellement pour construire une fonction finance prête pour l'IA ?

Pour nous rejoindre, postulez ici.