IA générative en finance : le remède qui fragilise durablement les DAF
Les DAF misent sur l’IA générative pour compenser le manque de talents. Sans gouvernance, elle expose les données et affaiblit les compétences internes.
Les directions financières utilisent l’IA générative pour absorber davantage de tâches malgré le manque de profils qualifiés. Pour l’entreprise, le gain de productivité s’accompagne de risques d’erreur, de fuite de données et de perte de compétences, imposant validation humaine, formation et règles d’usage.
Un prompt optimisé est pré-rempli pour chaque moteur. Les résultats générés par l'IA peuvent différer du contenu original.
Selon le Journal du Net, les directions administratives et financières se tournent vers l’IA générative pour compenser la pénurie de talents. La contribution publiée par le média présente cette technologie comme une réponse rapide aux difficultés de recrutement et à la hausse des charges de travail. Elle ne fournit toutefois ni taux d’adoption, ni budget moyen, ni calendrier de déploiement. L’ampleur réelle du phénomène reste donc difficile à mesurer (Journal du Net).
Une automatisation qui change de nature
Les directions financières automatisent depuis plusieurs années le rapprochement comptable, la facturation, le reporting et la prévision. Les outils historiques reposent principalement sur des règles déterministes, la robotisation des processus et les logiciels de gestion intégrés.
L’IA générative va plus loin. Elle peut résumer des documents, produire un commentaire de gestion, interroger des données en langage naturel ou préparer une première version d’un rapport. Son principal avantage est la vitesse. Elle peut aussi rendre certains outils analytiques accessibles à des collaborateurs non spécialistes.
Mais cette facilité d’usage crée une ambiguïté. Un texte convaincant n’est pas nécessairement exact. Dans une fonction soumise à des obligations de traçabilité et de contrôle, une erreur plausible peut coûter plus cher qu’une tâche manuelle lente.
Des gains immédiats, des risques structurels
Les bénéfices opérationnels
- Réduction du temps consacré aux synthèses et aux tâches documentaires.
- Assistance à la rédaction de procédures, présentations et analyses d’écarts.
- Accès plus rapide à l’information interne, sous réserve de données correctement structurées.
- Soutien ponctuel aux équipes confrontées à des postes vacants.
Ces gains doivent néanmoins être comparés aux solutions concurrentes. La robotisation classique reste plus prévisible pour les processus répétitifs. Les outils décisionnels conservent un avantage pour les calculs auditables. Les assistants génératifs généralistes sont plus souples, mais leur résultat varie selon les consignes, les données et le modèle utilisé.
Le risque d’une dépendance mal maîtrisée
Les faiblesses sont nombreuses : hallucinations, erreurs de calcul, perte de confidentialité, biais, dépendance à un fournisseur et difficulté à reconstituer le raisonnement. L’utilisation d’un service grand public peut aussi conduire un salarié à transmettre des données financières, personnelles ou stratégiques hors du périmètre autorisé.
Les offres professionnelles de Microsoft, Google ou OpenAI proposent des contrôles supplémentaires, mais le niveau de protection dépend du contrat, du paramétrage et de l’architecture retenue. Une licence d’entreprise ne remplace ni la classification des données ni le contrôle humain.
Conformité : le DAF reste responsable
Le RGPD continue de s’appliquer lorsque des données personnelles sont traitées. L’AI Act européen ajoute des obligations variables selon le système et son usage. Un assistant utilisé pour rédiger un commentaire financier n’est pas automatiquement classé à haut risque. En revanche, la gouvernance, la documentation et la formation des utilisateurs deviennent incontournables (CNIL, Commission européenne).
Le principal danger est organisationnel. Si l’IA remplace l’apprentissage des équipes juniors, elle peut aggraver à moyen terme la pénurie qu’elle prétend résoudre. Les DAF devront donc mesurer les erreurs, maintenir une validation humaine, limiter les données accessibles et conserver des compétences internes. La question décisive n’est pas de savoir si l’outil produit plus vite, mais si l’entreprise peut vérifier, expliquer et assumer ce qu’il produit.