La plupart des directions financières expérimentent aujourd’hui avec l’IA, mais peu en retirent une vraie valeur. Le succès ne dépend pas tant du modèle utilisé que de la solidité des processus, de la gouvernance, de la traçabilité et de la structure organisationnelle mise en place. En ciblant des cas d’usage mesurables — traitement des factures, rapprochements, gestion des notes de frais — et en intégrant la conformité dès le départ, les pilotes peuvent enfin se transformer en résultats concrets.
Un écart persistant entre ambition et impact
Tout le monde fait de l’IA. Mais si l’on regarde les P&L, presque personne n’en tire encore profit. Ce constat a servi de point de départ à un webinar organisé par le Financial Times en partenariat avec Payhawk. Alors que 82 % des dirigeants financiers se disent favorables à l’IA, seuls 20 % des projets ont dépassé le stade de la preuve de concept pour générer une valeur tangible.
Le débat, lui, a évité les discussions superficielles sur le “meilleur modèle du moment”. Les intervenants se sont concentrés sur la réalité opérationnelle : les garde-fous, les architectures, les incitations et le difficile travail d’intégration de l’IA dans le fonctionnement concret de la finance.
L’infrastructure fait la différence entre lancement et blocage
Pour Hristo Borisov, CEO et cofondateur de Payhawk, les pilotes échouent souvent parce que les outils séduisants ne cochent pas les cases de l’entreprise. À l’ère de l’IA “agentique”, où le logiciel peut agir et non plus seulement rédiger, les permissions précises, les limites explicites des workflows et les journaux d’audit immuables ne sont plus optionnels : ce sont les conditions d’accès à la production.
Barclays, représenté par Gaurav Sawhney, a introduit une “échelle d’autonomie” : humain aux commandes → humain dans la boucle → humain au-dessus de la boucle, en soulignant un risque majeur : sans journaux de décision détaillés, les erreurs se propagent vite. Pour la finance, l’auditabilité, la fiabilité et la répétabilité doivent être intégrées dès la conception. En d’autres termes, la gouvernance fait partie du produit.
Le frein n’est pas technique, il est organisationnel
Selon Lilia Christofi de PwC, le secteur se satisfait trop souvent d’expérimenter pour expérimenter. Seule une infime minorité, à peine 1 %” des institutions a la maturité nécessaire pour déployer l’IA à grande échelle. Le véritable obstacle n’est pas technologique : il tient à la culture, à la conception des organisations et aux modèles opérationnels.
Pour la plupart des entreprises, la solution passe d’abord par une infrastructure IA centralisée, garantissant la cohérence et le contrôle, avant de pouvoir la décentraliser. Christofi décrit une approche modulaire, où un “agent” n’est pas un modèle isolé, mais un système composé de plusieurs agents : logique de tâche, garde-fous, validation croisée. L’enjeu : trouver le bon niveau de mutualisation entre fonctions (achats, juridique, finance), tout en finançant un R&D continu au lieu de s’arrêter aux démonstrations.
Les plateformes surpassent les modèles
Ermir Qeli, de Swiss Re, a illustré le propos avec des cas concrets issus de l’assurance, un des rares domaines de la finance à avoir dépassé la phase de test. Ses équipes exploitent déjà l’IA sur des cas complexes comme le triage de sinistres, la détection de fraude ou la lecture de contrats.
Leur apprentissage : ne pas miser sur un modèle unique, mais construire une plateforme IA capable d’évoluer sans remettre en cause la gouvernance ni les processus. Autrement dit : l’agilité vient de l’orchestration, pas du modèle.
Qeli rappelle aussi que les modèles de fondation ne comprennent pas votre métier. Aucun modèle ne sait gérer une souscription ou un paiement de bout en bout. L’avantage compétitif appartient donc à ceux qui investissent dans des profils hybrides, à la fois experts métier et traducteurs IA, capables d’ancrer les initiatives dans la réalité business.
La réglementation n’est pas le problème ; l’ambiguïté l’est
Entre le EU AI Act, les approches “sandbox” du Royaume-Uni ou les régulations sectorielles américaines, les cadres réglementaires divergent. Mais le consensus du panel est clair : prendre l’AI Act européen comme pilier d’une gouvernance globale, puis l’adapter aux spécificités locales. Les régulateurs exigeront de la clarté, de la remédiation et des contrôles explicites sur les données accessibles par les agents. Attendre “l’harmonisation parfaite” serait une erreur : mieux vaut être prêt avec ce que l’on maîtrise déjà.
Aller vers la création de valeur
Les cas d’usage les plus prometteurs restent ceux où la valeur est mesurable :
- Collecte des reçus et justificatifs manquants,
- Extraction et traitement automatisé des factures,
- Rapprochements comptables continus,
- Mise à jour des écritures dans l’ERP.
Lorsque les gains sont quantifiés (heures économisées, taux d’automatisation, réduction des cycles de clôture) les CFO écoutent. Sinon, non. C’est dans cet esprit que Payhawk structure désormais son AI Office pour les DAF, entièrement orienté vers des résultats mesurables sur la ligne P&L.
L’après “proof of concept”
“Expérimentation coûteuse” : c’est ainsi que Lilia Christofi résume les 18 derniers mois. Son appréciation du positionnement de Payhawk, à savoir passer directement en production avec une approche structurée, illustre un point clé pour tout l’écosystème : la mise en production est un choix de produit. Les équipes qui l’assument ne parleront plus de stratégie IA, mais de revenus IA.
Le mémo du CFO : six leviers pour sortir du piège du PoC
- Construire les garde-fous d’abord : mesurer le % d’actions IA disposant d’un audit complet et réalisé dans le périmètre autorisé.
- Choisir des cas d’usage fermés et mesurables : heures gagnées, taux de rapprochement, cycles réduits
- Bâtir une plateforme modulaire : capable de changer de modèle sans perte de contrôle ni de performance.
- Mesurer au-delà des coûts : satisfaction client, taux de résolution au premier contact, précision du risque, conversion générée.
- Structurer le degré d’autonomie : suivre la part des flux selon le niveau de supervision humaine et les temps moyens d’intervention.
- Intégrer la conformité dès la conception : cadres globaux, playbooks régionaux, délais de remédiation suivis.
De l’expérimentation à l’impact
La finance passe progressivement du “pilot show” à l’action mesurable. L’avantage concurrentiel ne viendra pas du modèle choisi, mais de la discipline opérationnelle : la capacité à transformer les sorties de modèles en résultats financiers.
Après un an d’expérimentations, la question n’est plus “quelle stratégie IA adopter ?”, mais “où la valeur se matérialise-t-elle ?”
Georgi Ivanov est un ancien directeur financier devenu stratège en marketing et communication. Il dirige aujourd'hui la stratégie de marque et la vision IA chez Payhawk, alliant une expertise financière approfondie à un storytelling tourné vers l'avenir.
