L’approche AI-first casse l’UX finance : l’AI-native va plus loin

La vague actuelle de l’IA dans les logiciels d’entreprise retombe dans le même travers : les équipes intègrent de l’IA parce que c’est attendu, non parce que cela améliore réellement le travail. En finance, cette erreur apparaît très vite. La fonction finance adopte des outils rapides, prévisibles et auditables. Tout ce qui introduit de l’ambiguïté devient un coût, même si la démonstration est convaincante.

Une couche d’IA qui ajoute de la latence et de l’incertitude n’est qu’une surcharge. En finance, on la paiera une fois, puis on la désactivera.

Le rejet de l’IA vient d’un échec de design, pas d’un manque de capacités

Les grands modèles linguistiques (LLM) sont suffisamment puissants pour être utiles en finance. Ce qui ne l’est pas, c’est la manière dont les éditeurs les intègrent dans les workflows. La plupart prennent le chemin le plus simple : ajouter une interface de type conversation, l’étiqueter « copilote », et supposer que cela augmente la productivité.

Cette approche confond une nouvelle interface avec un nouveau modèle opérationnel. Elle traite le travail en finance comme s’il s’agissait surtout de répondre à des questions, alors qu’il s’agit essentiellement d’exécuter des décisions sous contraintes. L’enjeu en finance n’est pas tant de trouver des réponses que de rendre ces décisions sûres à déléguer.

Lorsque l’IA est ajoutée comme une couche superficielle, l’utilisateur doit formuler des requêtes, interpréter les réponses, vérifier et ensuite retranscrire manuellement ces informations dans le vrai workflow. C’est ainsi que beaucoup d’utilisateurs se sentent submergés par des fonctionnalités IA qu’ils n’ont jamais demandées.

AI-first UX vs AI-native UX

Un design AI-first part de la question : « Où peut-on intégrer l’IA ? » Le résultat est souvent un assistant qui parle, résume, rédige et suggère, tandis que le workflow central reste inchangé.

À l’inverse, un design AI-native part de la question : « Quel résultat doit être livré, sous quelles contraintes, avec quelle traçabilité, et quelles exceptions sont possibles ? » L’IA est alors utilisée pour rendre ce résultat atteignable avec moins de charge opérationnelle. Dans un système AI-native, le workflow est le produit, et l’IA est intégrée à la manière dont ce workflow s’exécute.

Dans le domaine de la finance, la fiabilité prime toujours sur l’ingéniosité.

Pourquoi l'approche AI-first s’effondre plus vite en finance

La finance expose les limites du AI-first car elle repose sur des contraintes que beaucoup d’autres logiciels peuvent ignorer.

La finance comprend de nombreux moments déterministes : routage des validations, contrôles budgétaires, application des politiques, exécution des paiements, règles de comptabilisation et preuves d’audit. Une erreur de paiement, un contournement de politique ou une absence de piste d’audit a donc un coût réel.

Et le travail financier s’étend sur plusieurs systèmes : cartes, voyages d’affaires, factures, procurement, ERP et rails bancaires. Si l’IA ne fait pas progresser la chaîne entière dans un cadre maîtrisé, elle devient juste un outil en plus. C’est pour ces raisons que les outils AI-first déçoivent : ils n'aident pas concrètement à déléguer le travail.

Le modèle AI-native : pour mieux déléguer et contrôler

L’objectif de l'IA appliquée à la finance est de rendre le travail délégable à l’intérieur des limites dans lesquelles les équipes finance opèrent déjà.

Pour y parvenir :

• Commencez avec un workflow borné ayant des entrées et sorties claires, par exemple d’une demande à une validation puis à un paiement, en nommant les points de contrôle et exceptions.
• Faites exécuter les politiques par le système. Les politiques stockées dans des documents ne passent pas à l’échelle ; elles doivent exister comme règles exécutable : seuils, catégories, champs requis, logique de routage des validations et gestion des exceptions.
• Laissez l’IA rassembler le contexte et préparer les actions : extraction des données, classification, propositions de codage, détection des données manquantes et préparation de l’étape suivante du workflow. Cette préparation se fait à l’intérieur d’un système contrôlé, pas dans une zone de chat libre.
• Demandez une confirmation humaine uniquement là où le risque est réel : les cas de routine doivent s’exécuter automatiquement, et les exceptions doivent être remontées.
• Enfin, rendez le système observable. Si l’IA a influencé une décision, il faut une piste : qui a fait quoi, quelle règle a été appliquée, quelles données ont été utilisées, quelle exception est survenue, et quel a été le résultat final. Sans cela, on ne peut pas faire confiance au système à grande échelle.

Les agents ne sont pas des chatbots

Le terme « agent » est utilisé à tort et à travers. Dans des systèmes financiers sérieux, un agent n’est pas défini par sa capacité à bien communiquer. Il est défini par ce qu’il est autorisé à faire, comment il est contrôlé et comment il escalade lorsqu’il ne peut pas agir.

Un agent réel a un périmètre, des permissions, des points de contrôle et des frontières de responsabilité. Il peut exécuter des actions dans ce cadre-là et s’arrêter lorsqu’une exception doit être gérée. Un simple chatbot qui rédige des messages est un outil rédactionnel, pas un agent financier.

À quoi ressemble une UX AI-native

Les produits AI-native n’ont pas besoin de prouver qu’ils ont de l’IA. Ils doivent prouver qu’ils allègent la charge de travail. L’IA s’exécute en arrière-plan, prépare les actions, applique les règles et orchestre les étapes. Les utilisateurs voient moins d’étapes, moins de relances et moins de surprises. Ils interviennent uniquement lorsqu’une décision est nécessaire.

L’avenir de l’IA en finance est opérationnel

Le prochain pas pour l’IA dans la finance est la délégation opérationnelle : des politiques exécutables, des workflows qui routent et escaladent, des pistes d’audit intégrées et des agents qui agissent comme des opérateurs bornés plutôt que comme des assistants bavards.

Les équipes finance choisiront toujours une IA qui rend l’entreprise plus efficace, même si elle est moins spectaculaire. Si l’on veut que l’IA décharge l'équipe Finance, il faut commencer par des agents conçus pour les workflows financiers.