CFO AI Readiness : partie 3

La plupart des équipes finance démarrent avec des pilotes IA bien construits. Ils signalent des exceptions sur les factures, proposent des imputations comptables, font gagner du temps lors de la vérification... La confiance monte vite, jusqu’à ce que la question fatidique arrive : cette même IA peut-elle gérer les validations, les contrôles de politique ou les propositions d'écritures comptables à l'échelle, tout en résistant à un audit ? C'est là que beaucoup d'équipes commencent à ralentir, et que deux frustrations majeures remontent.

La première : “Nous avons beaucoup d'activité IA, mais rien ne passe dans les workflows essentiels.” La seconde : “Nous avons eu les discussions nécessaires sur la gouvernance, mais elles ne se traduisent pas par un déploiement.”
Ces frustrations renvoient à des problèmes différents selon les entreprises. Tant qu'on ne sait pas les distinguer, on risque de continuer à investir sur le mauvais levier.

Les deux premiers rapports de cette série ont posé les bases. Le premier a montré que la maturité IA en finance est structurellement inégale, selon le secteur, la taille de l'entreprise et le contexte. Le second a montré que le passage à l'échelle dépend de cinq conditions opérationnelles clés : la capacité d'exécution, des règles de gouvernance minimales, les compétences, le budget et la disponibilité des données. Il a également montré que, même parmi les organisations les plus avancées, ces conditions sont rarement réunies simultanément.

Ce rapport pousse la réflexion encore plus loin. Parmi les équipes finance qui se classent déjà comme leaders en IA, pourquoi certaines passent-elles à l'échelle pendant que d'autres stagnent ?

En effet, les leaders IA ne forment pas un groupe homogène : ils se répartissent en plusieurs postures opérationnelles, avec des points forts différents, des lacunes différentes et des freins différents.Ainsi, certaines équipes ont besoin de règles plus claires alors que d'autres ont besoin de fondations de données plus solides. D'autres encore doivent transformer une maturité existante en déploiement opérationnel.

Les leaders ne forment pas un groupe homogène

Dans ce rapport, nous analysons les réponses des 405 participants ayant obtenu un score de sept à dix en maturité IA et ayant complété le volet gouvernance de l'enquête. Chacune des cinq conditions de passage à l'échelle est mesurée sur une échelle d'accord de 1 à 7. Dans ce rapport, “solidement en place” correspond à un score de six ou sept, les deux points les plus élevés de l'échelle, indiquant un fort accord sur le fait que la condition est remplie. Les affectations de segments sont fixes pour assurer la cohérence du rapport.

Le tableau 4 illustre la répartition des leaders entre six profils d'adoption.

Scaled adopters (26,9 %). Cette posture est la plus proche d'une maturité complète et ces derniers obtiennent des scores élevés sur les cinq conditions simultanément. Ils disposent de la capacité d'exécution, de règles de gouvernance minimales, des compétences, du budget et de fondations de données capables de produire des résultats fiables. Un leader sur quatre possède l'ensemble du socle opérationnel. Ce chiffre est important : il prouve que l'IA finance à grande échelle n'est pas théorique, elle existe aujourd'hui en volume significatif. Il dit aussi quelque chose sur la difficulté à assembler ce socle.

Incremental approvers (17,5 %). Ce segment avance, mais de façon inégale. Certaines conditions sont solides, d'autres accusent du retard. L'IA progresse, mais ne produit pas d'effets sur l'ensemble du modèle opérationnel.
Exécutants qui délivrent (16,0 %). 100 % estiment que la capacité d'exécution est en place, et 96,9 % pensent que les compétences sont en place. Mais 0 % estiment que les règles de gouvernance minimales sont en place. Ces équipes savent construire et déployer, mais le dispositif de contrôle n'a pas suivi le rythme des réalisations.

Agent-first, control-later (14,1 %). Cette catégorie témoigne d'un appétit pour l'IA et d'une vraie capacité d'expérimentation, mais d'une discipline opérationnelle limitée. Là aussi, 0 % estiment que les règles minimales sont en place. Seuls 24,6 % jugent la capacité d'exécution solidement établie, et 35,1 % la disponibilité des données. L'IA est active dans ces organisations. Elle ne repose pas sur une base stable.

Governance-forward scalers (13,8 %). Eux constituent la posture la plus instructive car ils remettent en question l'hypothèse la plus répandue sur ce que signifie être prêt. L'exécution atteint 92,9 %, les règles minimales 100 %, les compétences 92,9 %. La disponibilité des données tombe à 30,4 %. Ces organisations ont fait beaucoup de choses bien. Ce qui les freine n'est pas la gouvernance, c'est la qualité des données qui sous-tendent les workflows.

Control-first planners (11,6 %). Ces derniers disposent de compétences, d'un budget et de données dans un état relativement solide, mais les mesures d'exécution ne sont pas en place. La capacité existe. Elle ne s'est pas encore traduite en déploiement.

Konstantin Dzhengozov, DAF de Payhawk, décrit ainsi la situation :

L'adoption avancée de l'IA peut recouvrir des réalités très différentes. En finance, une équipe peut être prête à passer à l'échelle parce qu'elle dispose des contrôles, des données et de la discipline opérationnelle nécessaires. Une autre peut sembler tout aussi active de l'extérieur, mais manquer d'une condition qui l'empêche d'aller plus loin.

Le modèle de maturité classique suppose une trajectoire unique : plus on est mature, plus on est avancé, et chaque organisation se situe quelque part sur la même échelle. La finance ne fonctionne pas ainsi. Le passage à l'échelle exige plusieurs choses en même temps : la capacité à mettre en œuvre, à gouverner, à financer, et des données qui peuvent réellement soutenir des décisions automatisées. Quand un élément manque, les autres ne peuvent pas compenser.

Chaque posture reflète ce dont l’entreprise dispose et ce qu'elle cherche à optimiser.

Les "execution-led implementers" optimisent pour livrer — leur contrainte est la gouvernance. Les "governance-forward scalers" optimisent pour la robustesse — leur contrainte est la donnée. Les "control-first planners" ont construit leur maturité — leur contrainte est de la transformer en déploiement.

Aucune de ces postures n'est en soi une erreur, mais chacune a un point de blocage prévisible. Les entreprises ne choisissent généralement pas ces contraintes ; elles en héritent, de leurs systèmes, de leur posture face au risque et de leur histoire opérationnelle.

Accumuler les projets d’IA : un vrai frein ?

Le tableau 5 représente la part des leaders dans chaque profil qui estiment que chaque condition de passage à l'échelle est solidement en place.

Deux configurations se dégagent et expliquent l'essentiel des blocages dans le groupe des leaders.

La première est un déficit de gouvernance.

C'est ce qui se produit quand le rythme des projets IA dépasse celui des règles minimales nécessaires pour les encadrer.

Les "execution-led implementers" l'illustrent de façon saisissante : 100 % sur l'exécution, 96,9 % sur les compétences, 0 % sur les règles de gouvernance minimales. Le segment “IA d'abord, contrôle ensuite” révèle le même décalage sous un angle différent : un fort intérêt, une vraie expérimentation, mais toujours un dispositif de contrôle manquant.

En finance, ce point est particulièrement sensible, car le métier repose sur la responsabilité. Dès que l'IA touche aux validations, à la classification des dépenses, à l'imputation des factures, à l'entrée en relation avec les fournisseurs ou aux écritures comptables, l'entreprise doit être en mesure de rendre compte de ce qui s'est passé. Qu'était-il permis à l'IA de faire ? Qu'est-ce qui a déclenché une escalade ? Qui est responsable du résultat ? Qu'y a-t-il dans la piste d'audit ?

Le schéma est récurrent : une équipe finance conduit un pilote réussi en utilisant l'IA pour signaler des exceptions sur factures ou proposer des imputations. Les résultats sont bons, la confiance s'installe, et l'organisation cherche à étendre l'usage : validation automatique des factures à faible risque, propositions d'écritures comptables à grande échelle. C'est là que l'absence de gouvernance devient concrète. Non pas parce que l'IA ne saurait pas traiter la tâche, mais parce que la logique de validation, les chemins d'escalade et les enregistrements d'audit ne sont pas suffisamment définis pour soutenir un usage élargi. Le pilote a fonctionné. Le déploiement piétine. Et le réflexe est souvent d'ajouter des cas d'usage ou d'affiner le modèle, sans que cela adresse le vrai problème.

La seconde est un déficit de données.

Les "governance-forward scalers" l'illustrent précisément. 100 % estiment solidement que les règles minimales sont en place, 92,9 % sur l'exécution, 92,9 % sur les compétences — mais seulement 30,4 % estiment que leurs données sont prêtes pour l'IA. Ces entreprises font beaucoup de choses bien. Elles ont la volonté de gouverner et la discipline pour exécuter. Ce qui les freine, c'est de savoir si les données dont dépendent leurs workflows sont suffisamment fiables pour servir de socle à un passage à l'échelle.

L'IA s'ancre plus profondément dans les opérations financières si elle travaille avec des référentiels cohérents, des historiques de transactions propres, des centres de coûts clairs, des métadonnées de politique et une logique de rapprochement cohérente entre les entités et les systèmes. Quand ces fondations sont fragmentées, l'équipe peut encore utiliser l'IA pour des synthèses ou une première passe de révision, mais elle hésite à lui confier quoi que ce soit dont le résultat doit être fiable. La gouvernance existe, certes. Mais la confiance dans l’exécution ne suit pas.

Konstantin Dzhengozov l'explique ainsi :

L'erreur classique est de vouloir ajouter toujours plus d'IA. En finance, il faut davantage se concentrer sur la rigueur. Il faut savoir si le frein provient des règles, des données ou de l'exécution. Un mauvais diagnostic peut vous coûter beaucoup d'argent et vous laisser dans la même impasse.

Dans les deux cas, l'erreur est la même et devient coûteuse, c’est celle d’investir sur le mauvais levier. Les équipes avec un déficit de gouvernance continuent d'ajouter des cas d'usage, des copilotes, des pilotes, de l'automatisation avec toujours les mêmes garde-fous manquants. Les équipes avec un déficit de données investissent dans des couches de politique et de gouvernance, alors que les données ne permettent toujours pas de produire des résultats fiables.

Le contexte détermine la dette

Ces deux angles sont indissociables. Le contexte — secteur et taille de l'entreprise — façonne l'environnement structurel autour d'une équipe finance. La posture décrit la réalité opérationnelle à l'intérieur. Combinés, ils expliquent pourquoi les mêmes conseils, le même discours produit et les mêmes bonnes pratiques produisent des effets si différents selon la situation de départ.

Le tableau 6 permet d'identifier le principal point de blocage de chaque segment. Quatre segments présentent une contrainte particulièrement nette et expliquent l'essentiel des tensions concrètes dans le passage à l'échelle des projets IA aujourd'hui. Les deux segments restants affichent une distribution de postures plus mixte, sans contrainte dominante unique. Ils sont inclus dans le tableau 6 à titre d'information, mais ne sont pas traités individuellement ci-dessous.

Entreprises tech et de services, 50–250 employés

Ce segment se concentre majoritairement sur la posture d'exécution. Ces équipes avancent vite, adoptent les outils facilement et ont moins de couches organisationnelles qui freinent la prise de décision. Cette agilité s'accompagne généralement d'une infrastructure de conformité plus légère, de fonctions d'audit plus réduites et d'une gouvernance moins formalisée qu'au sein des grandes entreprises. Le résultat est prévisible : l'adoption devance les dispositifs de contrôle nécessaires pour la soutenir. Le passage à l'échelle ralentit quand les auditeurs exigent de la traçabilité, quand l'organisation a besoin d'une logique de validation cohérente à grande échelle, ou quand les clients demandent une preuve du processus. La contrainte ici est mécanique — elle porte sur la gouvernance, non sur la capacité du modèle.

Entreprises régulées, de l'économie traditionnelle, 50–250 employés

C'est là que se trouve l'un des résultats les plus contre-intuitifs des données. La posture dominante est “Agent-first, control-later”. On pourrait supposer que l'enthousiasme pour l'IA sans garde-fous appartient principalement aux organisations tech et bien dotées en ressources. La cartographie des postures révèle autre chose : les petits opérateurs des secteurs traditionnels et réglementés ont souvent une vraie ambition IA, mais ils manquent de l'infrastructure opérationnelle pour la déployer en toute sécurité. Des équipes finance réduites, des charges de travail quotidiennes lourdes, une capacité limitée à concevoir des politiques et une forte sensibilité aux erreurs rendent le passage à l'échelle maîtrisé plus difficile. L'IA se déploie dans ce segment quand elle arrive avec des limites prédéfinies, des pistes d'audit intégrées et une gestion des exceptions déjà en place. La charge de gouvernance doit être suffisamment faible pour qu'une petite équipe puisse la porter sans alourdir sa charge.

Secteurs réglementés, 251 employés et plus

On observe ici une concentration significative de "scaled adopters" et de "governance-forward scalers". Cela remet en question l'idée selon laquelle la réglementation serait le principal obstacle au progrès en matière d’IA. Les environnements réglementés n'empêchent pas le passage à l'échelle : ils l'obligent à être gouverné. Ces entreprises disposent généralement de fonctions risque plus robustes, de structures de responsabilité plus claires et de politiques plus formalisées, ce qui soutient un déploiement maîtrisé. Mais elles portent aussi des systèmes plus anciens, des données fragmentées entre entités et des exigences de reporting complexes. La gouvernance supprime un frein et en révèle un autre. La contrainte qui émerge le plus clairement dans ce segment est la qualité des données, même quand la rigueur opérationnelle est forte.

Entreprises tech, 251 employés et plus

Ce groupe présente la plus forte concentration de "scaled adopters". Les grandes organisations tech ont plus de chances de disposer des compétences, du budget et de la capacité d'intégration pour assembler le socle complet.

Mais la figure 6 montre aussi que, même dans ce segment, la maturité complète n'est pas universelle. Certaines équipes dépassent leur gouvernance. D'autres ont les ingrédients en place mais n'ont pas encore transformé leur maturité en déploiement. Le contexte rend l'assemblage du socle complet plus accessible. Il ne le rend pas automatique.

Les deux segments restants, à savoir les entreprises de services à grande échelle (Services, 251+) et les entreprises de l'économie traditionnelle à grande échelle (Autres secteurs, 251+), ne présentent pas la même concentration sur une contrainte unique. Leur distribution de postures est plus mixte, avec un mélange de dette sur les règles, de dette sur les données et de progression graduelle dans des proportions comparables. Cela ne signifie pas qu'ils ne font face à aucun blocage. Cela signifie que le blocage est moins uniforme d'une organisation à l'autre dans ces segments, et que le bon levier variera davantage selon les cas. Pour ces segments, le diagnostic présenté dans la section suivante est particulièrement déterminant.

Lecture transversale entre segments : dans les contextes à évolution rapide, la contrainte dominante est la gouvernance. Dans les contextes traditionnels à taille réduite, la contrainte porte sur la capacité à absorber et maintenir des dispositifs de contrôle sans y dédier une fonction spécifique. Dans les contextes réglementés à grande échelle, la contrainte se déplace vers les données, même quand la discipline opérationnelle est solide. Dans les grandes organisations tech, la maturité complète est plus courante, mais elle dépend toujours de la discipline opérationnelle pour devenir un passage à l'échelle réel.

C'est pourquoi le passage à l'échelle de l'IA finance est avant tout une question de séquençage. La mauvaise décision consiste à appliquer le même plan de transformation à tous les contextes. La bonne décision est d'identifier la contrainte qui domine votre environnement et de l'adresser en premier, avant d'ajouter de nouvelles capacités par-dessus.

Ce que les DAF doivent prioriser dès maintenant

Les équipes finance piétinent souvent parce qu'elles continuent d'investir autour du vrai frein au lieu de le résoudre directement.

Pour un DAF, la question utile est : quelle condition empêche aujourd'hui un workflow finance réel de passer à l'échelle ? Pour certaines équipes, la gouvernance comprendra des corridors de validation, des règles d'escalade et des pistes d'audit qui permettent à l'IA d'opérer dans des processus encadrés. Pour d'autres, ce sera la donnée — référentiels, historiques de transactions, structures d'entités dont l'IA a besoin pour produire des résultats sur lesquels s'appuyer.

Le coût d'un mauvais diagnostic est réel. Les équipes peuvent dépenser leur budget en outils supplémentaires, en nouveaux pilotes ou en couches de politique, pendant que le workflow lui-même ne passe toujours pas à l'échelle. Cela ralentit le retour sur investissement, allonge les délais de déploiement et laisse la finance absorber davantage d'activité sans davantage de contrôle.

L'IA dans la fonction finance crée le plus de valeur quand elle opère au cœur des validations, de l'application des politiques, de la gestion des exceptions et des workflows prêts pour l'audit. C'est là que l'orchestration prend tout son sens : elle permet à l'IA de faire avancer les traitements tout en maintenant les dispositifs de contrôle autour d'eux.

Konstantin Dzhengozov ajoute :

Pour un DAF, c'est une question de séquençage. La valeur vient de l'identification de la condition qui bloque un workflow finance réel, de sa résolution en priorité, et de l'extension à partir de là.

L'étiquette « leader IA » recouvre désormais plus de diversité qu'auparavant. Des leaders différents sont freinés par des conditions différentes, et la voie à suivre n'est pas la même pour tous. Les équipes finance qui iront le plus loin seront celles qui diagnostiquent honnêtement leur contrainte spécifique et agissent dessus tôt.

La prochaine phase de l'IA finance favorisera les équipes capables d'identifier ce qui freine le passage à l'échelle, de corriger cette condition en premier, et d'avancer avec maîtrise.

Pour voir comment cela fonctionne en pratique, découvrez comment Payhawk intègre l'IA dans des workflows finance réels, avec des dispositifs de contrôle intégrés, des pistes d'audit et une responsabilité à chaque étape. Vous verrez comment les équipes finance peuvent passer d'une activité IA isolée à une exécution gouvernée, tout en maintenant la solidité des validations, de l'application des politiques et de la conformité aux exigences d'audit.

Méthodologie :

À partir d’affirmations formulées en étroite collaboration avec des dirigeants finance et métiers, IResearch a mené des entretiens dans huit pays afin de refléter des réalités opérationnelles et des enjeux concrets.

Le périmètre de l’étude couvre :

• Régions : DACH, UE, Espagne, France, Benelux, Royaume-Uni et Irlande, États-Unis
• Niveaux de séniorité : direction générale, vice-présidents, directeurs et contributeurs individuels seniors
• Fonctions : finance, comptabilité, ventes, ressources humaines, achats
• Secteurs : services, digital, industrie, santé, éducation et organisations à but non lucratif, B2C
• Taille d’entreprise : 50–100 ETP, 101–250 ETP, 251–500 ETP, 501–1 000 ETP et 1 000+ ETP