45 % des responsables financiers ne disposent pas de règles minimales nécessaires pour encadrer l’utilisation de l’IA

Cet article est initialement un communiqué de presse.

Une nouvelle étude de Payhawk révèle que près de la moitié (45 %) des entreprises qui se considèrent comme des « leaders en IA » ne disposent pas du cadre de gouvernance élémentaire requis pour intégrer la technologie à grande échelle au sein de leurs workflows financiers en toute sécurité.

Cette enquête remet également en cause un présupposé très répandu, selon lequel le degré de maturité en matière d’IA suit une évolution linéaire et bien définie. Les différents degrés de préparation de ces leaders auto-proclamés permettent leur répartition en plusieurs profils d’adoption distincts. Chacun de ces profils présente des lacunes spécifiques. L’étude révèle que le véritable frein à la mise à l’échelle ne réside pas dans le manque de capacités d’IA, mais dans l’absence d’un cadre de gouvernance qui régit l’utilisation de la technologie. En effet, une entreprise doit être capable de défendre, de retracer et d’auditer toutes les actions entreprises par l’IA au sein des workflows financiers.

Ces conclusions s’appuient sur les résultats d’une étude internationale menée auprès de 1 520 chefs d’entreprises et responsables financiers. Les « leaders en IA » (un sous-ensemble composé de 405 participants) représentent les entreprises ayant estimé que leur score de maturité d’IA était compris entre 7 et 10 sur 10.

La « dette réglementaire » et la « dette de données », un frein pour les programmes d’IA

Pour passer de la simple adoption de l’IA à son intégration opérationnelle au sein de leurs workflows financiers, les entreprises doivent répondre à cinq exigences fondamentales. Il leur faut des mesures d’exécution en place, un ensemble de règles minimal qui encadre l’utilisation de l’IA, des compétences et des outils, un budget engagé, ainsi que des données exploitables pour analyse à l’aide de la technologie. Or seuls 26 % des leaders d’IA remplissent ces cinq conditions.

Cette étude permet de répartir les leaders en six profils opérationnels, en se fondant sur les scores obtenus pour ces cinq critères :

• Les « scaled adopters » (26,9 %) obtiennent de bons scores sur l’ensemble des cinq critères. Ils disposent d’une pile opérationnelle complète.
• Les « incremental improvers » (17,5 %) démontrent un niveau de préparation avancé sur certaines facettes isolées de la pile, mais aucun critère n’est pleinement rempli.
• Les « execution-led implementers » (16 %) disposent de mesures d’exécution et de compétences suffisantes, mais pas d’un cadre réglementaire minimal. Ce profil affiche clairement une « dette réglementaire ».
• Chez les « agent-first, control-later » (14,1 %), l’enthousiasme pour la technologie et l’expérimentation se développent plus rapidement que la gouvernance. Ces entreprises ne disposent pas d’un cadre réglementaire minimal et leur degré de préparation reste limité en matière d’exécution.
• Les « governance-forward scalers » (13,8 %) disposent des règles et des mesures d’exécution nécessaires, mais le degré de préparation de leurs données demeure inadéquat (seuls 30 % se disent très confiants concernant cet aspect). Ce profil se distingue par une « dette de données ».
• Les « control-first planners » (11,6 %) disposent de compétences, d’un budget et de données relativement bien définis, mais les mesures d’exécution ne sont pas mises en place. Pour ces entreprises, la capacité existe, mais pas le déploiement.

La « dette réglementaire » et la « dette de données » sont deux lacunes systémiques qui permettent d’expliquer l’échec de la mise à l’échelle de l’IA.

La dette réglementaire s’accumule lorsque le déploiement de l’IA s’opère plus rapidement que l’établissement d’un cadre de gouvernance. Les systèmes ne sont ni auditables ni explicables et il est impossible de les intégrer à des workflows liés à l’approbation, à la conformité ou aux contrôles financiers. Deux des profils susmentionnés (« execution-led implementers » et « agent-first, control-later ») sont particulièrement concernés par cette dette réglementaire et représentent environ 30 % des leaders.

La dette de données concerne les entreprises qui ont mis en place un cadre de gouvernance et des mesures d’exécution, mais dont les données sous-jacentes sont incohérentes, incomplètes ou fragmentées. Celles-ci sont en mesure de contrôler l’utilisation de l’IA, mais elles ne peuvent pas avoir confiance dans les outputs à grande échelle. Les « governance-forward scalers » en sont indiscutablement les plus représentatifs.

L’étude met en lumière un déséquilibre incontestable. Alors que 78 % des « leaders en IA » auto-proclamés affirment disposer de compétences et d’outils suffisants, seuls 55 % d’entre eux disposent d’un cadre de gouvernance réglementaire minimal, en faisant le critère le plus rarement rempli par les entreprises.

La dette réglementaire permet d’expliquer pourquoi de nombreuses entreprises, tout en donnant l’impression d’une activité « avancée » en matière d’IA, peinent à dépasser les cas d’usage limités à l’assistance. Cette dette se retrouve souvent dans des contextes plus restreints qui évoluent rapidement. A contrario, la dette de données permet d’expliquer pourquoi certaines entreprises qui semblent disciplinées et bien gouvernées éprouvent néanmoins des difficultés à mettre l’IA à l’échelle au sein de leurs opérations financières fondamentales. La dette de données se concentre dans des contextes complexes et fortement gouvernés.

L’enquête de Payhawk met également en évidence deux erreurs communes et coûteuses : certaines entreprises investissent dans davantage de capacités d’IA, alors que le véritable frein réside dans l’insuffisance de leur infrastructure de gouvernance, tandis que d’autres concentrent leur attention sur le cadre réglementaire et les politiques d’utilisation, alors que leur véritable lacune réside dans la qualité de leurs données. Dans les deux cas, les projets d’IA sont ralentis, car la contrainte opérationnelle sur laquelle l’entreprise se focalise n’est pas celle qui empêche la mise à l’échelle de la technologie.

Hristo Borisov, PDG et co-fondateur de Payhawk, commente :

Le manque de cohérence concernant le déploiement à grande échelle de l’IA au sein des processus financiers s’explique par le fait que les progrès réalisés par les entreprises concernant les capacités qui sous-tendent cette mise à l’échelle sont inégaux. De nombreux acteurs investissent dans toujours plus d’IA, alors que le véritable goulot d’étranglement réside dans l’absence de cadre réglementaire ou une préparation des données insuffisante. La mise à l’échelle de l’IA dans la finance est essentiellement un défi d’orchestration : il s’agit de coordonner les règles, les données et la responsabilité sur l’ensemble des workflows. Les entreprises qui remplissent seulement certaines conditions de préparation se retrouvent forcées de faire des compromis et restent bloquées au stade des cas d’usage d’assistance.

Pour consulter la troisième partie du rapport « CFO AI Readiness », cliquez ici.