IA générative en finance d'entreprise : le remède qui pourrait aggraver le mal ?

Les DAF adoptent l'IA générique pour lutter contre la pénurie de talents. Cette solution court-termiste présente pourtant son lot de risques.

En France, près d'un DAF sur deux perçoit le manque de compétences internes comme l'un des principaux freins à la modernisation technologique de sa fonction. Ce constat s'inscrit dans un marché de l'emploi sous haute tension, où trois quarts des entreprises éprouvaient déjà d'immenses difficultés à recruter au cours de l'année 2023. Prises en étau entre la nécessité absolue de se digitaliser et une pénurie de talents structurelle, de nombreuses directions financières cèdent à la tentation et adoptent en urgence des IA génératives grand public pour combler le déficit de compétences. Mais cette réponse à la hâte ne risque-t-elle pas de se transformer en un remède pire que le mal ?

Au-delà du problème d'outillage ou de maîtrise technique, le véritable défi réside dans la perte progressive et massive de mémoire métier. Sous l'effet cumulé des départs en retraite, du turnover et des difficultés d'attractivité des métiers du chiffre, les organisations voient s'évaporer un savoir historique inestimable. Or, c'est précisément cette connaissance informelle, c’est-à-dire la compréhension de l'historique des ajustements, la gestion des exceptions comptables, la maîtrise des spécificités réglementaires propres à l'entreprise, qui garantissent la fiabilité de la donnée financière. L'IA générative apparaît alors comme un raccourci séduisant pour remplacer les bras et les cerveaux manquants. On peut dès lors légitimement se demander : comment la finance d'entreprise peut-elle survivre à cette déperdition de mémoire historique sans sombrer dans une dépendance aveugle envers des modèles automatisés ?

Le principal risque provient de l'absence totale de contexte métier. Ces outils s'appuient sur des modèles statistiques entraînés sur des données non qualifiées, dépourvus de toute compréhension fine des règles comptables, de la fiscalité locale ou de la gouvernance spécifique d'un groupe. Lorsqu'elles sont sollicitées pour élaborer une analyse ou structurer un rapport, ces IA ne commettent pas d'erreurs isolées comme peuvent le faire les humains, mais injectent des défaillances systémiques et invisibles au cœur des flux financiers. Une hallucination ou un biais d'interprétation reproduit à grande échelle et maquillé sous une présentation impeccable devient un poison à diffusion lente. Le constat est d'autant plus alarmant que plus de la moitié des dirigeants français subissent déjà les conséquences stratégiques de données financières erronées, et ce avant même la généralisation de l'IA dans leurs processus. 

Face à cette menace d'un genre nouveau, le contrôle interne traditionnel se retrouve totalement démuni. En effet, les mécanismes de vérification classiques (séparation des tâches, audits ponctuels, contrôles par échantillonnage a posteriori) ont été conçus pour détecter des comportements anormaux, des erreurs d'inattention ou des fraudes commises par des individus. Ils reposent tous sur la détection de "signaux faibles" ou de ruptures de logique. À l'inverse, l'erreur générée par une IA est uniforme, constante, parfaitement intégrée au flux de travail et offre toutes les apparences de la rigueur. Parce qu'elle ne présente aucune des anomalies habituellement traquées par la révision comptable, elle traverse les filtres sans éveiller le moindre soupçon. C'est tout le système de contrôle de l'entreprise qui doit ainsi être repensé jusque dans ses fondements mêmes.

Faut-il pour autant ralentir, voire stopper l'adoption de l'IA au sein de la fonction finance ? Une telle décision serait intenable face au besoin impérieux des entreprises. Par ailleurs, le problème ne réside pas dans la technologie elle-même, mais dans l'usage naïf d'outils grand public au sein d'un environnement métier qui exige une rigueur absolue. La solution consiste ainsi à opérer une rupture méthodologique : délaisser l'IA générique pour basculer vers une IA métier, nativement contextualisée, sécurisée et gouvernée.

Pour faire de l'intelligence artificielle un moteur de confiance plutôt qu'un facteur de risque, les entreprises doivent réorienter leur stratégie autour de piliers clairs. Il s'agit tout d'abord de privilégier des solutions d'IA spécialisées pour la finance, conçues pour intégrer nativement les référentiels comptables et les règles de gestion propres à l'organisation. L'humain doit impérativement conserver le dernier mot via une gouvernance stricte sur les décisions à fort enjeu, exigeant une traçabilité complète des raisonnements produits par les machines. Parallèlement, un effort majeur doit être consacré à la capitalisation du savoir métier existant avant sa disparition, en documentant les processus et en alimentant des bases de connaissances internes sécurisées. Enfin, la fonction de contrôle interne doit faire sa propre révolution en intégrant des outils de surveillance automatisés capables d'auditer en continu la cohérence des modèles d'IA.

En somme, si le manque de compétences représente une urgence bien réelle pour les DAF, l'adoption précipitée d'une IA générique offre l'illusion du gain de temps sans en apporter la sécurité. La finance d'entreprise se trouve à un tournant crucial : elle doit cesser de considérer l'intelligence artificielle comme un pansement temporaire pour en faire un projet d'ingénierie et de gouvernance structurant. Ce défi dépasse largement le cadre des directions financières pour préfigurer la transformation de l'ensemble des fonctions stratégiques de l'entreprise moderne.