Ce que les CFO doivent prendre en compte avant un déploiement majeur de l’IA

En avril, le directeur technique d’Uber, Praveen Neppalli Naga, révélait que l’entreprise avait épuisé l’intégralité de son budget IA 2026 en seulement quatre mois, en grande partie en raison de l’adoption par les équipes d’ingénierie d’outils de codage par IA. Dès le mois de juin, Uber a plafonné les dépenses à 1 500 $ (1 100 £) par employé et par mois pour chaque outil d’IA agentique, avec un suivi sur un tableau de bord interne.

La réaction d’Uber face à ce dépassement budgétaire est plus instructive que le dépassement lui-même. L’entreprise n’a pas freiné l’adoption de ces outils : elle a rendu la consommation visible et lui a fixé une limite. En substance, plus l’IA gagne en intelligence, plus les employés consomment de tokens, et plus son déploiement à grande échelle peut devenir coûteux.

Pour les CFO, cela remet en cause une hypothèse fondamentale, à savoir l’idée selon laquelle les technologies d’IA réduiraient les coûts de façon linéaire et prévisible. En réalité, plusieurs facteurs, notamment les coûts d’inférence, les pics d’utilisation et les travaux de correction liés à des données de mauvaise qualité, peuvent rapidement compromettre les gains attendus.

La limite ne tient pas aux capacités de l’IA, mais à la possibilité de vérifier ses résultats

Les logiciels traditionnels automatisent ce que vous pouvez spécifier. Vous définissez le workflow, la politique, le seuil de validation et le circuit d’exception, puis le système applique ces instructions. L’IA fonctionne différemment : elle automatise ce que vous pouvez vérifier. C’est souvent cette distinction qui sépare un déploiement réussi dans la finance d’une expérience coûteuse.

En théorie, la finance est idéalement placée pour tirer parti de l’IA. Les paiements sont rapprochés, les comptes s’équilibrent, et chaque écriture comptable doit être traçable. Peu de fonctions métier produisent des résultats aussi simples à tester. Cependant, cet avantage n’existe que là où les règles sous-jacentes sont explicites et les données exploitables. Dans de nombreuses organisations, ce n’est le cas ni pour l’une ni pour l’autre.

Une récente étude de Payhawk menée auprès de 1 520 décideurs issus de la finance et d’autres fonctions de l’entreprise met en évidence ce décalage. Parmi les 405 répondants qui qualifient leur entreprise de mature en matière d’IA, 78 % déclarent disposer de solides compétences et d’outils adaptés, et 69 % bénéficient de budgets dédiés. Pourtant, seuls 61 % disposent de données prêtes pour l’IA, et à peine 55 % ont défini des règles minimales pour son utilisation. Seuls 26 % affichent un niveau solide sur l’ensemble des cinq dimensions.

Les entreprises qui s’estiment en avance en matière d’IA investissent dans les moyens de la déployer bien plus vite qu’elles ne créent les conditions nécessaires pour en maîtriser l’utilisation. Leurs budgets et leur préparation technique ont ainsi plus de 20 % d’avance sur la définition de leurs règles.

Comment les dirigeants financiers peuvent adopter l’IA sans perdre la maîtrise

Le véritable critère n’est pas de savoir si la tâche est répétitive, mais si une réponse correcte existe indépendamment du modèle et si l’on peut la vérifier rapidement et à moindre coût.

Prenons l’exemple de deux processus financiers courants. Le rapprochement à trois facteurs dispose d’un point de référence externe : le bon de commande et le bon de réception existent, que le modèle s’exécute ou non. Son résultat se vérifie en quelques secondes, et tout écart s’avère utile car il permet d’identifier une exception précise.

La charge à payer de fin de période répond à une tout autre logique. Au moment de la saisie, aucune réponse définitive n’est disponible. L’estimation ne pourra être vérifiée que plus tard, à la réception de la facture, alors qu’elle aura déjà influencé les comptes et le reporting de gestion. Appliquée à la première tâche, l’IA offre une automatisation maîtrisée. Appliquée à la seconde, elle fait intervenir un jugement dont la justesse risque de n’être établie qu’après coup.

Pour les cabinets d’expertise comptable et de services professionnels, la distinction est d’autant plus cruciale que la piste d’audit fait partie intégrante du livrable. Lorsqu’une conclusion est dépourvue de ses sources, elle ne peut pas être considérée comme un travail abouti. Quelqu’un doit nécessairement reconstituer le raisonnement avant de pouvoir la valider ou la signer. L’automatisation sans traçabilité ne supprime pas le travail : elle le déplace de la production de la réponse vers la reconstitution de ses fondements, souvent à un coût bien supérieur.

Dans les deux cas, tout repose sur la qualité des données de référence sous-jacentes. L’automatisation ne peut jamais être plus fiable que les données sur lesquelles elle s’appuie. Quand un même fournisseur apparaît sous quatre dénominations distinctes, le modèle ne lève pas l’ambiguïté : il la signale comme une exception à traiter. Et dès lors qu’une exception nécessite une intervention humaine, sa résolution peut coûter plus cher que la tâche courante que le système était censé remplacer.

Cinq décisions clés pour les CFO

Au cours des 12 prochains mois, les CFO doivent prendre des décisions clés aux impacts facilement mesurables.

1. Définir la notion de « vérifié », processus par processus : pour chaque processus, précisez à quoi ressemble un résultat correct et qui le valide. Si une personne continue de vérifier chaque résultat, vous avez simplement déplacé le travail sans le supprimer. Ce temps de contrôle constitue un coût à intégrer au déploiement.
2. Identifier des projets pilotes susceptibles de produire rapidement des résultats : sélectionnez deux à trois cas d’utilisation de l’IA à fort impact et à faible risque pour des projets pilotes. Cela permettra de mettre en évidence le ROI et de créer une dynamique interne.
3. Établir des règles minimales plutôt qu’un cadre de gouvernance complet : déterminez quels outils sont approuvés, pour quelles tâches, à quels seuils, comment les résultats sont enregistrés et quelle est la procédure en cas d’exception. Un cadre complet peut attendre, mais pas les règles minimales : vos collaborateurs utilisent déjà des outils d’IA grand public sur des documents d’entreprise.
4. Nouer un partenariat technologique stratégique : choisissez entre des solutions proposées par des éditeurs, un développement interne ou une approche hybride afin de déterminer le délai avant les premiers résultats concrets et vos capacités à long terme.
5. Élaborer un plan de transformation des équipes : concevez des programmes de montée en compétences et redéfinissez les rôles au sein des équipes qui travaillent avec l’IA pour garantir la préparation de votre capital humain à des activités centrées sur l’IA.

Quantifier la valeur et le ROI de l’IA

Prendre le contrôle implique de s’appuyer sur des cadres précis pour guider les processus financiers. La formule suivante explique comment mesurer le ROI de l’IA :

ROI de l’IA = (Valeur annuelle créée - Investissement annuel dans l’IA) / Investissement annuel dans l’IA × 100

Deux ajustements rendent ce calcul réellement exploitable. Tout d’abord, séparez les coûts de création des coûts de fonctionnement. La mise en œuvre est une dépense ponctuelle, tandis que l’utilisation de l’IA génère des coûts récurrents qui augmentent à mesure que le projet prend de l’ampleur. Modélisez donc le retour sur investissement en vous basant sur le coût total de possession plutôt que sur les seuls frais de licence.

Ensuite, intégrez les travaux de correction dans votre comptabilité. Si un résultat doit être vérifié, corrigé ou rapproché par un être humain, ce temps de vérification doit figurer dans votre ligne de coûts. En finance, il s’agit généralement du poste le plus important. C’est ce chiffre qui indique si vous avez automatisé un processus qui est vérifiable ou un qui ne l’est pas.

Pour les dirigeants financiers, la vraie question n’est plus de savoir où l’IA peut être efficace, mais quels workflows peuvent être automatisés dès aujourd’hui sans compromettre les validations, la piste d’audit ou la responsabilité. C’est ainsi que l’IA devient un actif prévisible et mesurable pour l’entreprise, plutôt qu’une expérimentation coûteuse.