CFO AI readiness : Partie 1

Maturité de l’IA en finance : scaler ou stagner

Le rôle du DAF entre dans une nouvelle phase charnière. L’IA n’en est plus à la phase d'exploration : elle s’intègre de plus en plus aux décisions financières du quotidien, de la prévision aux validations, en passant par les contrôles, la conformité et le reporting. Jusque-là, rien de surprenant. Sauf qu’en parallèle, la pression économique, les exigences réglementaires et la complexité opérationnelle continuent de s’intensifier à un rythme soutenu.

Ce rapport analyse la maturité de l’IA en finance, les raisons pour lesquelles son adoption reste inégale, et surtout ce qui détermine concrètement la capacité des entreprise à passer à l’échelle, en toute sécurité.

Pour les leaders de la finance, cette situation crée une tension bien connue. L’IA s’ancre dans les workflows financiers, au moment même où les exigences de contrôle, l’exposition au risque et la responsabilité individuelle augmentent.

À l'image de la transformation digitale vécue dans les années 2010, l’IA promet aujourd’hui davantage de rapidité, d’efficacité et de visibilité. Mais les équipes finance ne peuvent pas adopter des technologies sur de simples promesses de productivité. Tout système qui touche aux dépenses, aux validations ou aux données doit être gouvernable, auditable et défendable en cas de contrôle, comme n’importe quel processus financier. C’est précisément à ce niveau que de nombreuses initiatives IA ralentissent ou s’enlisent, y compris dans des entreprises qui se considèrent comme avancées sur le plan technologique.

Méthodologie

Afin de mieux comprendre comment les CFO s’adaptent à ce nouvel environnement, Payhawk s’est associé à IResearch pour interroger 1 520 professionnels seniors à travers le monde et produire une série de quatre rapports dédiés aux DAF. La méthodologie complète est détaillée en fin de rapport.

Pour les besoins de l’analyse, la taille des entreprises est regroupée en deux catégories : 50 à 250 collaborateurs et 251 collaborateurs et plus ("à l’échelle").

L’étude met rapidement en évidence un biais de lecture de plus en plus problématique : présenter l’implémentation de l’IA comme une simple succession de différentes phases « pilote, déploiement, passage à l’échelle » est une approche réductrice et insuffisante. Dans ce rapport, l’orchestration désigne l’ensemble des mécanismes de contrôle qui permettent à l’IA de produire de la valeur sans compromettre les circuits de validation, les pistes d’audit ou la responsabilité.

Les DAF ne se demandent plus si l’IA fonctionne en théorie ou si elle est facile à déployer. Leur question est beaucoup plus concrète : peut-elle être intégrée à des workflows réels sans accroître le risque, fragiliser les contrôles ou créer une exposition lors d’un audit ?

L’objectif de cette étude est donc de quitter une vision générique de la maturité de l’IA opposant "précurseurs" et "retardataires", pour poser une question plus utile aux dirigeants financiers, à savoir "qu’est-ce qui permet réellement à l’IA de passer à l’échelle en toute sécurité ? Et comment l’appliquer dans la pratique ?"

Dans le cadre de cette étude, la maturité est mesurée comme suit : les répondants ont évalué la maturité IA de leur organisation sur une échelle de 1 à 10. Il s’agit d’une mesure déclarative, qui doit être interprétée comme une maturité "perçue" plutôt que comme une évaluation auditée des capacités réelles. Néanmoins, dans un contexte où les décisions budgétaires reposent largement sur la perception des décideurs, cette maturité perçue reste un indicateur pertinent.

Ces nouveaux enseignements offrent une grille de lecture concrète pour identifier l’origine des frictions, avant qu’elles ne se traduisent par des déploiements qui s’enlisent, une multiplication des exceptions ou des résistances lors des audits. Plus précisément, ce rapport vous permet de comprendre :

• Où se situe réellement la maturité de l’IA, au-delà des perceptions ou des idées reçues
• Pourquoi les entreprises qui se définissent comme des leaders de l’IA ne forment pas un ensemble homogène
• Pourquoi scaler l’IA en finance relève de plus en plus d’un enjeu de modèle opérationnel et d’orchestration, bien plus que de technologie

À l’issue de ce rapport, les DAF pourront situer leur entreprise avec précision, comprendre ce qui freine structurellement la capacité de l’IA à générer un véritable ROI, et pourquoi les recommandations consistant à aller plus vite ou à multiplier les pilotes ne sont pas pertinentes dans le domaine.

Quelle maturité IA pour la Finance en 2025–2026

Le marché n’est pas "en retard". Il est hétérogène.

En 2025, de nombreux discours sur l’IA en finance continuaient de qualifier le marché de "précoce", laissant entendre que l’adoption constituait le principal obstacle, selon une trajectoire linéaire bien connue : pilotes d’abord, déploiement ensuite, automatisation at scale en dernier, avec entre-temps des arbitrages constants entre rapidité et visibilité.

Les données racontent une autre histoire.

Près d’un tiers des répondants ne considèrent même pas l’IA comme "précoce" dans leur organisation. Au contraire, ils évaluent leur niveau de maturité comme élevé et se positionnent comme des leaders. Cette notion de leaders est utilisée de manière cohérente tout au long du rapport, mais elle reste ici descriptive et non prescriptive. Lorsqu’on analyse plus finement ce groupe, ces mêmes leaders se répartissent ensuite entre des réalités opérationnelles très différentes, notamment lorsqu’il s’agit de déterminer ce qu’ils peuvent déléguer à l’IA sans faire croître le risque plus vite que les dispositifs de contrôle.

Pour les besoins de l’analyse, la maturité est regroupée en trois niveaux : faible (1–3), intermédiaire (4–6) et élevée (7–10).

Ces catégories ne constituent pas une trajectoire de maturité. Elles décrivent la manière dont les organisations se répartissent aujourd’hui, et non l’ordre dans lequel elles évolueront.

Si votre entreprise se situe au milieu (4–6), la prochaine étape n’est pas de lancer davantage de pilotes : il vous faut plutôt définir un socle minimal de règles et disposer de données exploitables pour les workflows que vous souhaitez déléguer.

Le tableau 1 présente la répartition des scores de maturité de l’IA sur l’ensemble de l’échantillon (n = 1 520). Trois constats structurels se dégagent nettement.

Le centre de gravité se situe au niveau de maturité intermédiaire. La majorité des entreprises se concentrent dans la tranche 4–6. Ces équipes ne sont plus dans une phase d’expérimentation initiale, mais elles n’opèrent pas encore l’IA comme une capacité centrale et fiable.

Pour les DAF, ce segment intermédiaire concentre le risque d’exécution le plus élevé : suffisamment d’initiatives pour créer des attentes, mais pas assez de structure pour permettre un passage à l’échelle maîtrisé.

Les "leaders" auto-déclarés sont nombreux, pas exceptionnels. Près d’un tiers des répondants évaluent la maturité IA de leur organisation entre 7 et 10. Le terme de "leader" devient ainsi suffisamment répandu pour nécessiter une analyse plus fine, et trop large pour correspondre à une seule réalité opérationnelle.

Le marché évolue de manière hétérogène, et non séquentielle. La distribution ne traduit pas une progression uniforme vers le haut. Elle révèle des états simultanés : un groupe restreint qui parvient à passer à l’échelle, un large segment intermédiaire qui peine à transformer l’activité en opérations pérennes, et une fraction qui reste à un stade précoce. C’est cette dispersion, plus que toute moyenne globale, qui caractérise le marché actuel.

Ce que le tableau 1 ne montre pas, en revanche, c’est si cette maturité est gouvernable. Or, en finance, le passage à l’échelle dépend moins de l’ambition que de la capacité d’orchestration entre règles, données et responsabilité. Autrement dit, l’adoption de l’IA ne tient que si elle résiste aux politiques internes, aux dispositifs de contrôle, aux exigences d’audit et aux responsabilités associées.

La distribution inégale de la maturité observée dans le tableau 1 n’est donc pas anodine. Elle permet d’anticiper les zones où les initiatives IA se traduiront par des changements durables de workflows, et celles où elles s’enliseront, indépendamment de l’enthousiasme initial ou de l’ampleur des projets.

Le risque pour les équipes finance est alors de mal poser le diagnostic. Lorsque des initiatives IA ne scalent pas, le point de blocage est rarement le cas d’usage lui-même. Il apparaît au moment où des décisions automatisées se heurtent à des politiques, à des exigences d’audit ou à des processus de gestion des exceptions qui n’ont pas été conçus pour la délégation.

Konstantin Dzhengozov l’explique ainsi :

En finance, le passage à l’échelle de l’IA est moins un problème d’intégration qu’un problème d’orchestration. L’intégration relie les systèmes et les données. L’orchestration, elle, encadre la circulation des tâches à travers les validations, les exceptions, les journaux de traçabilité et les responsabilités. Les DAF ont besoin de contrôles pilotés par des règles, de traçabilité et de mécanismes de gestion des exceptions sur l’ensemble des workflows.

Cela conduit à la question suivante. Si la maturité de l’IA est inégale, où se concentre-t-elle structurellement, et quelles conditions façonnent ces trajectoires ?

Comment le secteur, la taille et la complexité de l'entreprise façonnent l’adoption de l’IA en finance

Les données montrent également que les écarts de maturité ne sont pas le fruit du hasard. Ils suivent des lignes structurelles bien identifiées.

Un deuxième enseignement clé de l’étude est que la capacité de préparation à l’IA en finance se regroupe fortement selon le contexte. Deux entreprises peuvent afficher le même niveau d’ambition et pourtant présenter des niveaux de maturité très différents, simplement parce qu’elles évoluent sous des contraintes distinctes : environnements de données, degré de standardisation des processus, exposition réglementaire, effets d’échelle, ou encore coût de la gouvernance.

Avant d’analyser le comportement des entreprises les plus avancées, commençons par cartographier les zones où la maturité se concentre à l’échelle du marché.

Dimensions de contexte utilisées pour la cartographie :

1. Secteur d’activité :

• Tech : logiciels et internet ; IT et électronique
• Services : services aux entreprises ; médias et divertissement
• Réglementés : services financiers ; santé et pharmacie ; énergie et services aux collectivités
• Économie réelle : l’ensemble des autres secteurs, notamment le commerce de détail, l’industrie manufacturière, le commerce de gros, la logistique, le voyage, l’éducation et les services aux particuliers

2. Taille de l’entreprise :

• 50 à 250 salariés
• 251 salariés et plus

Tout au long du rapport, l’expression « à l’échelle » désigne les entreprises de 251 salariés et plus. Elle marque le seuil à partir duquel la coordination, les contrôles, les systèmes et la conduite du changement deviennent des contraintes majeures.

À partir de ces critères, nous définissons six segments, utilisés de manière cohérente dans l’ensemble du rapport, à la fois par leur nom et leur définition :

• Tech at scale (Tech, 251+)
• Services at scale (Services, 251+)
• Adopteurs rapides, contrôles limités (Tech/Services, 50–250)
• Réglementés à l’échelle (Réglementés, 251+)
• Économie réelle à l’échelle (Autres secteurs, 251+)
• Opérateurs PME (Réglementés/Économie réelle, 50–250)

Les opérateurs désignent des entreprises dans lesquelles la fonction finance est avant tout évaluée sur la continuité opérationnelle et la robustesse en cas d’audit, avec une faible tolérance à l’expérimentation au sein des workflows critiques.

L’économie réelle regroupe les secteurs où la création de valeur repose principalement sur l’exploitation et la coordination de systèmes physiques à grande échelle (par exemple l’industrie, le commerce, la logistique, l’énergie ou les activités de soins), plutôt que sur des produits logiciels ou des services professionnels.

L’expression "at scale" vise à souligner un point simple : une même intention en matière d’IA ne produit pas les mêmes effets dès lors que l’entreprise atteint une taille où la coordination, les contrôles et les systèmes deviennent les principaux facteurs limitants.

Tableau 2. Les segments de contexte montrent où la maturité se concentre (n = 1 520).
Le tableau 2 positionne chaque segment selon sa part dans l’échantillon et la proportion d’organisations déclarant une maturité IA élevée (7–10).

La concentration de maturité élevée varie fortement selon les segments, allant de 73,3 % pour le segment Tech à l’échelle (6,6 % de l’échantillon) à 13,5 % pour les opérateurs PME (29,8 % de l’échantillon). Cet écart illustre à quel point le niveau de préparation à l’IA dépend du contexte.

Que faire concrètement de ces segments ? Les utiliser pour identifier le bon premier levier d’action. Chaque contexte échoue à un endroit différent, ce qui rend illusoire l’idée d’un guide unique de "maturité IA" applicable à tous.

(Voir le tableau de segmentation ci-dessous.)

Ce cadrage prend volontairement de la hauteur. L’objectif n’est pas d’atteindre une gouvernance parfaite, mais de choisir un workflow précis et de lever la contrainte qui empêchera son passage à l’échelle dans votre contexte. Si la scalabilité vous paraît lente, commencez par le point de blocage correspondant à votre situation. Votre rôle consiste à mettre en place l’orchestration nécessaire pour que la délégation reste défendable. C’est pourquoi la progression de l’IA en finance dépend avant tout de l’orchestration entre contrôles, données et responsabilité, et non de la simple intégration de nouveaux outils. Le travail doit pouvoir circuler à travers les validations, les exceptions, la traçabilité et les responsabilités, sans créer d’exposition en cas d’audit.

Pour la majorité des DAF, les progrès tiennent moins à la vitesse d’expérimentation des équipes qu’à la capacité des contrôles, des données et des processus à soutenir un travail délégué à grande échelle.

Votre contexte détermine souvent votre premier goulot d’étranglement. La réussite du passage at scale suppose de résoudre l’orchestration en amont, avant d’élargir l’expérimentation. Comme précédemment, l’enthousiasme a ses limites, et trois implications majeures se dégagent.

Premièrement, le segment Tech at scale fixe le plafond de préparation, mais il ne constitue pas la norme. Il présente la plus forte concentration d’entreprises à maturité élevée, tout en ne représentant qu’une faible part du marché. Ce qui fonctionne dans ce segment reflète des conditions favorables, et non un modèle reproductible pour la majorité des équipes finance.

Deuxièmement, l’économie réelle constitue le centre de gravité du marché. Les entreprises de l’économie réelle représentent la majorité des équipes finance, tout en affichant des niveaux de maturité nettement plus faibles. Cet écart est structurel, non lié à l’intention. Ces entreprises composent généralement avec des workflows plus hétérogènes, des systèmes fragmentés et une faible tolérance au changement non maîtrisé, ce qui rend l’IA plus difficile à déployer à grande échelle, même avec une volonté forte.

Troisièmement, la réglementation redéfinit l’adoption plutôt qu’elle ne la bloque. De manière contre-intuitive, les grandes entreprises fortement réglementées peuvent atteindre des niveaux de maturité IA comparables à ceux des adopteurs rapides, mais en opérant sous des contraintes plus strictes.

Un signal structurel distinct émerge autour de la complexité organisationnelle.

Dans l’ensemble des segments, ceux à maturité élevée présentent également une proportion plus importante de structures complexes multi-entités (11 entités ou plus) :

• Tech at scale : 48,5 % de structures complexes
• Services at scale : 45,6 %
• Réglementés at scale : 44,7 %
• Économie réelle at scale : 43,9 %

À première vue, ce constat peut sembler contre-intuitif : pourquoi davantage de complexité serait-elle associée à une maturité plus élevée ?

Parce que la complexité impose des investissements. Elle pousse vers des modèles de centres de services partagés, des processus standardisés, des contrôles centralisés et des incitations plus fortes à l’automatisation.

Pour autant, la complexité ne garantit pas la préparation. Les deux segments de l’économie réelle sont eux aussi complexes, mais affichent une maturité plus faible, ce qui montre que la standardisation et la capacité de gouvernance comptent autant que la complexité elle-même.

Comme le résume Konstantin Dzhengozov :

La complexité impose l’investissement, mais elle ne garantit pas la préparation.

Les grandes entreprises multi-entités investissent plus tôt dans la standardisation et les contrôles, mais beaucoup restent en retrait faute de cohérence des données et d’alignement des processus. La taille crée une pression à la modernisation, mais c’est la capacité de gouvernance qui détermine si l’IA peut réellement tenir dans la durée.

Ce que cela implique pour les DAF

À ce stade, les implications deviennent concrètes pour les dirigeants financiers. La maturité de l’IA en finance ne progresse pas lentement par manque d’intention ou de timing. Elle est inégale parce que les équipes finance opèrent sous des contraintes structurelles différentes.

C’est pourquoi les injonctions consistant à "aller plus vite" ou à "multiplier les pilotes" échouent si souvent. La contrainte réelle réside dans la capacité à déployer l’IA d’une manière qui reste défendable au regard des audits, des politiques internes et des responsabilités, dans le cadre opérationnel propre à chaque organisation.

Avant de se demander comment scaler, les DAF gagneraient à s’arrêter sur une série de questions plus simples, afin d’identifier leurs contraintes réelles.

Posez-vous les questions suivantes :

1. Où l’IA est-elle déjà active aujourd’hui dans nos workflows finance, y compris de manière informelle ?
2. Lesquels de ces usages résisteraient à un audit s’ils étaient étendus au-delà d’un cercle restreint ?
3. Où les validations, la gestion des exceptions ou les lacunes de données imposent-elles encore des contournements manuels ?
4. Quelles décisions pourrions-nous déléguer davantage dès demain, sans accroître le risque ?
5. Où le passage à l’échelle de l’IA nous exposerait-il en premier : règles, données ou responsabilité ?

Comment avancer avec confiance

Cette étude met en évidence une trajectoire plus claire pour les dirigeants financiers. Il s’agit de considérer la maturité de l’IA comme dépendante du contexte, et non comme une échelle unique. De reconnaître que le « leadership IA » peut prendre des formes différentes, avec des forces et des contraintes distinctes. Et de se concentrer sur la gouvernabilité avant d’étendre l’automatisation à des workflows plus larges.

Dans un marché hétérogène, les progrès passent par l’orchestration. Lorsque l’IA est déployée avec des règles claires, une responsabilité définie et une base de données solide, la vitesse devient créatrice de valeur plutôt que de risque.

Concrètement, les DAF y parviennent en faisant évoluer la question de "à quelle vitesse pouvons-nous adopter l’IA ?" vers "où pouvons-nous déléguer des tâches en toute sécurité dès aujourd’hui ?"

1) Diagnostiquer avant de scaler
Mappez vos cas d’usage IA actuels à l’aune des réalités finance. Où l’IA influence-t-elle déjà des décisions, des validations ou des classifications ? Lesquels seriez-vous prêt à défendre lors d’un audit dès demain ?

2) Identifier la première contrainte
Soyez explicite sur ce qui limite réellement le passage à l’échelle aujourd’hui. S’agit-il de règles manquantes, d’une responsabilité mal définie, de données fragmentées ou de processus incohérents ? En général, un seul de ces éléments constitue le véritable point de blocage.

3) Définir des garde-fous minimaux, pas une gouvernance parfaite
Fixez des limites claires au périmètre d’action de l’IA : tâches autorisées, seuils d’escalade, exigences de traçabilité et responsables des résultats. Il s’agit de rendre la délégation défendable, pas de bâtir une gouvernance lourde.

4) Lier l’extension de l’IA à des données fiables
Priorisez les cas d’usage pour lesquels les référentiels, l’historique transactionnel et les intégrations sont suffisamment robustes pour garantir des résultats cohérents. L’IA passe à l’échelle là où les données sont déjà exploitables.

5) Séquencer l’expansion de manière maîtrisée
Faites évoluer l’IA uniquement au rythme permis par les contrôles et les données. Chaque nouveau workflow doit accroître le volume de travail délégué plus vite qu’il n’augmente le risque.

Cette approche transforme l’adoption de l’IA d’une course à la vitesse en une décision opérationnelle. Elle prépare également la question suivante, au cœur du prochain rapport de cette série : même parmi les entreprises qui se revendiquent leaders, quels éléments de la chaîne opérationnelle manquent lorsque l’IA ne parvient pas à passer à l’échelle ?

Dans le prochain rapport, nous entrerons au cœur du groupe des "leaders de l'IA" pour analyser ce qui détermine réellement la capacité de l’IA à se déployer dans les workflows finance.

Si vous souhaitez voir à quoi ressemble une IA gouvernable au sein de workflows finance concrets, découvrez comment Payhawk applique l’IA avec des contrôles intégrés, des pistes d’audit et une responsabilité définie dès la conception. Vous y trouverez des exemples concrets de délégation rendue possible sans affaiblir les validations, l’application des politiques internes ou la préparation aux audits.

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