Faites confiance, mais vérifiez : ce que Carl Seidman nous a appris sur l'IA générative appliquée à la planification et à l'analyse financières (FP&A)
Par Natasha Sabelli, expert-comptable: une experte-comptable hors du commun | Expérience en audit et en contrôle de gestion au sein d'un cabinet du Big 4 | Passionnée de finance, de fiscalité, de technologie et de tout ce qui se trouve entre les deux | Évangéliste de la finance chez Velixo et fondatricede NatSab
Il y a un jour, à la fin de chaque mois, que les professionnels de la finance redoutent plus que tout autre.
Ce n'est pas un jour de fermeture.
C'est le lendemain, quand vous devez vous retrouver face à votre directeur financier, à votre directeur des finances ou au conseil d'administration pour expliquer chaque variation des chiffres.
J'ai vécu cette journée pendant des années. Cinq jours à clôturer les comptes. Un jour à analyser en détail chaque écart par rapport au mois précédent et au budget. Et un jour supplémentaire à transformer tout cela en un dossier destiné au conseil d'administration, compréhensible par tous.
Ainsi, lorsque Carl Seidman a ouvert notre récent webinaire en demandant combien de personnes utilisaient l'IA générative au travail, je savais déjà que le chat allait s'animer.
Et c'est ce qui s'est passé.
« Claude. Copilote. Tous les jours. »
Puis vint la question la plus difficile :
Combien d'entre vous feraient confiance à ce qu'il vous donne à 100 % ?
« Non. Jamais. Absolument pas. Pas dans la finance. »
David, l'un des participants, l'a résumé en trois mots : « faire confiance, mais vérifier ». Et c'est précisément cette tension, entre ce dont l'IA est capable et ce que les professionnels de la finance sont réellement prêts à lui confier, que Carl s'est attaché à mettre à l'épreuve pendant l'heure qui a suivi.
Carl fait partie des 35 MVP Excel basés aux États-Unis et a formé plus de 250 000 personnes à la création de modèles financiers plus performants. Il était accompagné de Teague Sanders, analyste de données ERP chez Velixo, qui travaille quotidiennement avec nos clients dans les domaines de la comptabilité des organismes à but non lucratif et des entreprises à but lucratif.
Ensemble, ils ont passé en revue ce que l'IA peut réellement apporter à la FP&A à l'heure actuelle, ses limites actuelles, et comment l'utiliser sans perdre la confiance de votre directeur financier.
Un ensemble de données, 30 000 lignes
Carl a articulé toute la session autour d’une entreprise fictive, Ace Construction, dotée d’un plan comptable et d’un ensemble de données transactionnelles comptant un peu plus de 30 000 lignes, exportées depuis le système comptable. Il a ensuite fait ce qu’une équipe comptable pourrait faire sans en parler à personne : il a supprimé trois comptes des données actuelles et a demandé si l’IA était capable de repérer ce qui avait changé.
Il aurait pu filtrer ces 30 000 lignes à la main. Au lieu de cela, il a ouvert le nouveau complément « Finance Agents » de Microsoft pour Excel, que la plupart des participants n’avaient jamais vu. Avant même qu’il ne lui demande quoi que ce soit, le complément avait déjà analysé la feuille : 30 010 lignes dans le tableau actuel, 30 149 dans le précédent, classées par valeur totale. À partir de là, il a lancé la réconciliation financière, qui a mis en correspondance les deux tableaux à l’aide de clés suggérées, a fait correspondre ce qui pouvait l’être et a trié chaque ligne en trois catégories : correspondance, correspondance potentielle et non-correspondance. Les trois comptes supprimés se trouvaient dans la catégorie « non-correspondance ». Pas de filtrage, pas de rapprochement manuel. Le module complémentaire s’est figé en cours d’exécution, en direct devant quelques centaines de personnes, et Carl a transformé cet incident en une occasion pédagogique plutôt qu’en un faux pas : lorsqu’il a demandé combien de participants avaient déjà vu une IA se figer en plein milieu d’une tâche, la réponse a été « pratiquement tout le monde ».
Les règles qui font de l'IA non plus un simple outil, mais un véritable collègue
La partie la plus pratique de la session concernait ce que Copilot dans Excel appelle les « règles » et les « compétences » du classeur ; voici ce que cela signifie avant d’aller plus loin. Considérez les règles comme les consignes générales que vous donneriez à un nouveau collaborateur dès son premier jour : comment nous nommons nos onglets, ce que signifie notre code couleur, quels raccourcis nous n’utilisons jamais. Les compétences s’apparentent davantage à un guide pratique enregistré, un ensemble d’instructions que l’outil mémorise et réutilise à chaque fois, vous évitant ainsi de retaper les mêmes consignes dans chaque nouveau fichier. Par défaut, Copilot dans Excel propose cinq exemples de règles génériques. Carl les a remplacées par ses propres normes : les noms d’onglets utilisent des traits de soulignement, jamais d’espaces. Le fichier « readme » vient en premier, suivi des hypothèses de macro, puis des vérifications, et enfin des tableaux types. Une police bleue signifie une valeur codée en dur, une police noire une formule, et une police verte un lien vers un autre onglet. N’intégrez jamais un nombre codé en dur dans une formule. N’utilisez jamais d’instructions IF imbriquées. Évitez les fonctions volatiles comme OFFSET et INDIRECT lorsqu’il existe une alternative stable. Utilisez XLOOKUP plutôt que VLOOKUP (sérieusement, suivez son conseil sur ce point).
Il a ensuite montré un fichier qu'il n'avait pas créé lui-même. C'est l'IA qui l'avait généré, en respectant chacune de ces règles, jusque dans l'ordre de tabulation et les couleurs des polices. Son conseil pour rédiger les règles elles-mêmes : demandez à l'IA de les rédiger dans le langage qu'elle comprend le mieux, puis interrogez-la pour savoir où les règles restent ambiguës. Parlez-lui comme si c'était un stagiaire qui découvrait votre modèle pour la première fois.
Mais Carl ne repart pas de zéro à chaque fois qu’il ouvre un nouveau classeur. C’est là que les compétences entrent en jeu. Il en a déjà créé quelques-unes pour lui-même : l’une qui établit un modèle de trésorerie sur 13 semaines, une autre qui vérifie qu’un modèle financier ne contient pas d’erreurs. Il ne s’agit pas de modèles génériques qu’il a téléchargés, mais de normes qu’il a rédigées une fois, pour son propre travail. Désormais, chaque classeur qu’il ouvre les intègre d’emblée, ce qui lui évite d’avoir à réexpliquer ses règles à chaque nouveau fichier. C’est là que réside le véritable gain de temps. Ce n’est pas tant que l’IA puisse créer un modèle, mais qu’elle soit capable de reproduire à chaque fois la même version fiable de votre modèle.
Établir le compte de résultat a été facile. Le justifier, en revanche, l’a été moins.
C’est alors que Carl a montré à quel point les règles avaient leurs limites. Il a demandé à l’IA d’établir un compte de résultat mensuel à partir des données transactionnelles, ce qu’elle a fait, en suivant ses règles, en environ 17 minutes. Le résultat semblait correct. Mais lorsqu’il s’est imaginé son directeur financier pointant du doigt d’autres charges d’exploitation et lui demandant ce qui s’était passé à ce niveau-là, il n’avait aucune réponse à donner. Les chiffres provenaient d’une formule liée à un ensemble de données collé, et il n’y avait aucun moyen d’approfondir l’analyse.
C'est exactement le mur contre lequel je me cognais quand j'étais contrôleur.
Les calculs mathématiques n'étaient généralement pas la partie la plus difficile. Le plus dur, c'était d'expliquer pourquoi ce chiffre changeait.
Chaque écart devait s'accompagner d'une explication que je puisse réellement défendre lors de la réunion. D'où venait-il ? Était-ce une question de timing ? Un problème de codage ? Un véritable changement dans l'activité ? Cela va-t-il se reproduire ?
Un chiffre dont on ne peut pas retracer l'origine jusqu'à la transaction correspondante n'est d'aucune utilité pour le directeur financier, le directeur des finances ou le conseil d'administration. Ce n'est qu'un simple chiffre.
La situation s’est aggravée avec les prévisions. Il a demandé à l’IA de faire des projections pour l’année suivante, et celle-ci a craché des chiffres pour novembre et décembre sans aucune hypothèse visible expliquant d’où ils provenaient. Il lui a demandé de rapprocher les comptes de résultats actuels et antérieurs, et elle a signalé les écarts sans en expliquer aucun. Comme l’a dit Carl, cela revient à mettre en lumière les écarts, mais la FP&A a besoin de plus qu’un simple coup de projecteur. Teague s'est montré tout aussi direct : s'il ne pouvait pas expliquer ce qui se cachait derrière chaque chiffre d'un compte de résultat, il ne le soumettrait pas à son patron.
La pièce manquante : les données ERP en temps réel
Teague a ensuite réalisé le même exercice avec Velixo Intelligence, en s’appuyant sur les mêmes données d’Ace Construction. La différence résidait dans la provenance des chiffres : le système ERP lui-même, et non un fichier exporté puis collé. Il a saisi une simple requête, visant à ventiler le compte de résultat par catégorie de compte, mois par mois, pour l’année sur laquelle Carl avait travaillé. Velixo Intelligence a consulté la documentation, rédigé ses propres requêtes et généré le rapport à l’aide de formules dynamiques, formaté selon un modèle Velixo. Il suffit de le créer une seule fois pour qu’il reste à jour, car aucune donnée n’a été copiée hors du système au départ.
J'ai mis en place de A à Z le modèle de reporting financier dans une précédente start-up, et l'analyse des écarts me prenait toujours toute la semaine. J'aurais bien aimé disposer de cet outil à l'époque : un outil capable de remonter automatiquement jusqu'au système source d'un chiffre, au lieu de devoir recréer le même tableau croisé dynamique pour la centième fois.
Le classeur ne nécessitait aucune configuration préalable. Velixo Intelligence connaît d’emblée la structure des données dans l’ERP, ce qui évite à l’utilisateur d’avoir à se charger de cette partie du travail liée à l’IA. La rédaction de prompts est un véritable savoir-faire, et la création de prompts fiables constitue en soi un projet fastidieux. Les modèles évoluent, et un prompt qui fonctionnait le mois dernier peut soudainement générer des erreurs. Velixo Intelligence se charge de cela afin que l’utilisateur puisse simplement saisir ce qu’il souhaite et obtenir le rapport.
La différence est apparue lorsqu’il lui a demandé de signaler les écarts. Le système a mis en évidence une forte volatilité des ventes de matériaux, a relevé l’absence des données de novembre et décembre comme un éventuel oubli, et a suggéré où chercher. Il lui a donc demandé d’analyser plus en détail les autres charges. Le système a extrait les transactions sous-jacentes directement de l’ERP et a mis en évidence la cause : des frais de sous-traitance classés dans les « autres charges », exactement là où une entreprise de construction ne voudrait pas les voir. La question à laquelle Carl n’avait pas pu répondre pour son directeur financier n’a nécessité qu’une seule instruction de la part de Teague, et chaque chiffre a pu être retracé jusqu’au système source.
À retenir
Laissez l'IA trouver le chiffre. Laissez-la construire le modèle. Laissez-la vous faire gagner des heures. Mais lorsque votre directeur financier vous demandera « pourquoi ? », assurez-vous d'être en mesure de répondre.