L'IA va révolutionner la trésorerie, mais pas comme vous le pensez !

L'IA en trésorerie promet beaucoup. Mais 65% des trésoriers n'ont pas de prévisions fiables (EY 2025). La révolution sera méthodologique, pas technologique : la donnée avant l'algorithme.

Chaque jour ou presque, un nouvel éditeur annonce que l'Intelligence Artificielle va transformer la fonction trésorerie. Les promesses sont séduisantes : des prévisions parfaites, des décisions automatisées, des économies chiffrées en millions. Dans un environnement où la volatilité des marchés, les tensions géopolitiques et la complexification réglementaire mettent la trésorerie au cœur des enjeux stratégiques, la tentation d'un outil miracle est compréhensible.

Mais après plusieurs années d'immersion dans cette transformation, il faut être être honnête : la révolution qui attend la trésorerie n'est pas celle qu'on vous a vendue. Elle est, à mon sens, bien plus intéressante.

L'angle mort des promesses IA

Le discours dominant autour de l'IA en trésorerie est focalisé sur les résultats : "Améliorez vos prévisions de X%", "Réduisez vos coûts de Y millions", "Automatisez 80% de vos tâches". Ces promesses ne sont pas fausses — elles sont simplement incomplètes.

Ce qui est systématiquement escamoté, c'est la discussion sur les prérequis. Combien d'entreprises ont réellement la maturité de données nécessaire pour faire fonctionner ces algorithmes ? Combien ont structuré leurs processus en amont ? Très peu.

La dernière étude EY "Global DNA of the Treasurer", publiée en septembre 2025 dresse un tableau qui contredit cette promesse. Certes, 78 % des trésoriers interrogés croient que la gestion de l'IA constituera une part croissante de leur rôle dans les cinq prochaines années. Mais ce même sondage révèle que 65 % des trésoriers n'ont pas de prévisions fiables à douze mois. Et que seulement 38 % considèrent que leurs données transactionnelles sont très précises.

Autrement dit : avant même de parler d'IA, la grande majorité des trésoreries d'entreprise n'ont pas les fondations sur lesquelles elle pourrait s'appuyer.

Le vrai obstacle n'est pas technologique

C'est le point que les discours marketing autour de l'IA en trésorerie tendent à esquiver systématiquement. Un algorithme de machine learning, aussi sophistiqué soit-il, ne peut pas compenser des données fragmentées, incohérentes ou incomplètes. L'étude EY le confirme : un quart des trésoriers identifient l'inconsistance des données entre les systèmes de leur entreprise comme l'un de leurs trois principaux obstacles à la visibilité sur leur position en cash.

Or, la trésorerie d'entreprise est par nature un environnement multi-sources. Les données viennent des ERP, des systèmes bancaires, des plateformes de trading, des outils de comptabilité — parfois même de tableurs hérités depuis des années. Sans une centralisation préalable et structurée de ces flux, l'IA ne travaillera jamais avec la matière qu'elle a besoin pour produire de la valeur.

Le vrai débat en trésorerie n'est donc pas "faire ou ne pas faire de l'IA". C'est : "Suis-je réellement prêt pour l'IA ?" Et dans la grande majorité des cas, la réponse honnête est : pas encore. Pas technologiquement — mais structurellement.

Le bon modèle : le trésorier augmenté

Ce qui change véritablement avec l'IA, ce n'est pas le périmètre du trésorier, c'est sa capacité à décider vite et bien dans un environnement incertain. L'IA n'est pas un remplaçant. C'est un amplificateur.

Concrètement, cela ressemble à ceci : un algorithme de prévision détecte une corrélation entre les flux saisonniers, les indicateurs macroéconomiques et les comportements de paiement des clients, une corrélation qu'aucun trésorier ne pourrait identifier manuellement. Il génère un signal. Le trésorier évalue, contextualise, décide. L'IA a fait le travail de détection. Le jugement reste humain.

Et les résultats sont déjà visibles. L'étude EY montre que les trésoriers utilisant régulièrement le machine learning rapportent des prévisions à douze mois "très précises" dans 42 % des cas, contre 35 % pour l'ensemble de la population interrogée. Ce n'est pas une révolution en un jour. C'est une amélioration structurelle, constante, qui s'alimente à mesure que les données s'améliorent et que les équipes montent en compétence.

C'est exactement le profil du "Trésorier augmenté" : un professionnel dont l'IA amplifie l'expertise métier, plutôt qu'elle ne la remplace. Pour que cela fonctionne, deux conditions sont impératives. D'abord, l'explicabilité : le trésorier doit comprendre pourquoi l'algorithme a produit ce résultat, pas seulement quelle est la sortie. Un modèle opaque ne sera jamais accepté dans une fonction où la gouvernance et la traçabilité sont fondamentales. Ensuite, la contextualisation : l'IA doit être ancrée dans la réalité métier de l'entreprise — ses contraintes, ses cycles, ses spécificités — pas dans un modèle générique censé fonctionner pour tous.

Trois piliers, dans cet ordre

Pour réussir un projet IA en trésorerie, il faut donc raisonner dans un ordre qui va à l'inverse de ce que font la plupart des organisations, séduites par la technologie avant tout.

Le premier pilier est le métier : un cas d'usage clair, un objectif mesurable, un besoin validé par les utilisateurs terrains. Sans ça, on construit sur du sable.

Le deuxième est la donnée : un historique suffisant — au minimum trois à quatre ans de données de trésorerie — des flux structurés et fiables, une gouvernance des données en place. C'est le carburant de l'IA. Pas de carburant, pas de décollage.

Le troisième, et seulement le troisième, est la technologie : des algorithmes calibrés à votre contexte, des modèles qui s'améliorent en continu, une intégration fluide dans les outils existants.

Beaucoup d'organisations commencent par ce troisième pilier, attirées par les demos impressionnants et les cas d'usage spectaculaires. Et beaucoup échouent — pas parce que la technologie n'est pas à la hauteur, mais parce que les deux premiers piliers n'étaient pas en place.

La vraie révolution, c'est de changer la question

L'IA va bien révolutionner la trésorerie. Mais pas en remplaçant le trésorier par une machine. Elle le révolutionnera en lui donnant enfin les outils pour ce qu'il fait déjà et qu'il n'a jamais pu faire assez vite, assez précisément : anticiper, simuler, décider avec confiance dans l'incertitude.

Pour cela, les entreprises doivent d'abord investir dans ce qui précède l'IA : la structuration des données, l'intégration des systèmes, la gouvernance des processus. Ce sont ces fondations, pas l'algorithme, qui déterminent si l'IA en trésorerie sera une transformation réelle ou un autre projet qui s'échoue sur les rivages de la complexité organisationnelle.

La question n'est plus "Adopter l'IA ?". Elle est : "Êtes-vous prêts pour ce qu'elle nécessite vraiment ?"