CFO AI Readiness : Partie 2

Même parmi les entreprises qui se considèrent comme des leaders de l’IA, seules 26 % réunissent l’ensemble des conditions opérationnelles nécessaires pour déployer l’IA à grande échelle en finance.
Cela explique la dynamique actuelle du marché : beaucoup de projets pilotes, peu de projets scalables. En finance, ce passage à l’échelle ne se mesure pas à la vitesse de génération des résultats, mais à la capacité de ces résultats à passer les validations, à gérer les exceptions et à résister à l’audit sans fragiliser la responsabilité.

Ce rapport, le deuxième de notre série “CFO AI Readiness”, analyse les cinq conditions qui déterminent si l’IA peut réellement être scalable pour les équipes finance. Il s’appuie sur une étude menée auprès de plus de 1 500 décideurs finance et business.

Pour cette analyse, nous nous concentrons sur les “leaders IA”, définis comme les répondants ayant évalué la maturité IA de leur organisation entre 7 et 10 sur une échelle de 1 à 10 (n = 405).

L’architecture opérationnelle de l’IA pour la fonction finance

Dans de nombreux secteurs, l’IA peut être testée avec une préparation minimale. Une équipe adopte un outil, lance un PoC (proof of concept) et démontre des gains de temps.

En finance, des blocages peuvent apparaître lorsque l’IA atteint le stade de la prise de décision et de la gouvernance.

Notre étude met en évidence cinq exigences clés qui déterminent si l’IA peut passer à l’échelle en finance et aller plus loin que l’expérimentation.

1. Des mesures d’exécution en place
« Nous sommes préparés et avons déjà mis en œuvre des mesures pour intégrer l’IA. »
En pratique : responsables de cas d’usage identifiés, indicateurs de succès, cadence de déploiement, suivi de l’adoption.

2. Des règles minimales établies
« Notre entreprise a défini des règles d’usage de l’IA. »
En pratique : ce que l’IA est autorisée à faire, quand elle doit escalader, ce qui est journalisé par défaut et qui est responsable du résultat.

3. Des compétences et des outils disponibles
« Les collaborateurs disposent des compétences et des outils nécessaires pour déployer l’IA efficacement. »
En pratique : accès aux outils, formation, capacité à développer, tester et maintenir des solutions IA en production.

4. Un budget engagé
« Des investissements sont alloués aux initiatives IA. »
En pratique : feuille de route financée, ressources, budget dédié à la gestion des données, aux intégrations et à la conduite du changement.

5. Des données exploitables pour l’analytique IA
« Nos données peuvent soutenir efficacement des analyses pilotées par l’IA. »
En pratique : données de référence cohérentes, intégrations fiables, résultats conciliables avec les systèmes comptables de référence.

Chaque critère a été évalué sur une échelle de 1 à 7. Nous considérons les scores 6–7 comme « fortement en place ».

Ensemble, ces cinq éléments constituent ce que nous appelons un architecture opérationnelle de l’IA pour la finance finance : un socle qui permet de passer de l’adoption à l’exécution durable.

Comme l’explique Konstantin Dzhengozov : "L’IA en finance ne scale pas parce que le modèle s’améliore. Elle scale lorsque les contrôles, la responsabilité et les fondations de données sont suffisamment solides pour la supporter."

Même les leaders IA ne sont pas uniformément prêts

Si la maturité IA reposait uniquement sur l’ambition ou l’expérimentation, les entreprises se déclarant « leaders » devraient apparaître largement préparées.

Or, la finance ne passe pas à l’échelle sur l’intention seule. Elle exige un socle opérationnel : des règles claires, une discipline d’exécution, des données fiables et une gouvernance capable de résister à l’entrée de l’IA dans les workflows réels.

Nos résultats montrent que la préparation est inégale, même parmi les organisations les plus matures. Les leaders développent d’abord les capacités, puis formalisent plus tard les garde-fous nécessaires.

Cela explique pourquoi de nombreuses équipes finance parviennent à démontrer la valeur de l’IA en pilote, mais peinent à la transposer dans les workflows critiques.

Taux d'accord les plus élevés parmi cinq exigences d'évolutivité chez les leaders de l'IA (n = 405)

Les résultats montrent un ordre clair dans les priorités des responsables financiers : les capacités et les investissements viennent en premier (outils, etc.), tandis que la gouvernance et les règles arrivent en second.

• Compétences et outils : 78 %
• Budget engagé : 69 %
• Mesures d’exécution : 64 %
• Données exploitables : 61 %
• Règles minimales : 55 %

Ce qu’il faut retenir : La maturité IA n’est pas une accumulation de cas d’usage. C’est une capacité à déléguer sans perdre la responsabilité.

Le principal frein du marché n’est pas la compréhension de l’IA, mais sa gouvernabilité

Ici, la gouvernabilité signifie que l’IA opère dans le cadre de contrôles financiers : limites explicites, gestion des exceptions, journalisation par défaut et responsabilité clairement attribuée.

Les données montrent que :

• Les compétences et les outils constituent la dimension la plus forte chez les leaders (78 %).
• Les règles minimales constituent la plus faible (55 %).

Cet écart est déterminant. Dès que l’IA influence des validations, des classifications, des décisions de dépenses ou des éléments probants d’audit, la gouvernance devient le facteur bloquant.

Ainsi, la problématique évolue : de « Peut-on utiliser l’IA ? », on passe à « Peut-on l’utiliser d’une manière défendable en tant que responsable finance ? »

Konstantin Dzhengozov revient sur cette évolution :

Les équipes finance se retrouvent bloquées parce que personne ne peut dire clairement qui est responsable du résultat. La technologie est puissante, mais cela ne suffit pas dans un environnement soumis à l’audit, aux politiques et aux règles de délégation.

Le risque caché : un manque de cadre apparent

Chez les leaders IA, le problème n’est généralement pas la compétence, mais les règles.

32,1 % d’entre eux déclarent disposer de compétences solides sans avoir de règles minimales établies. 21,7 % disposent de mesures d’exécution solides sans règles minimales.

Cet écart crée un manque de cadre : l’usage de l’IA progresse plus vite que la définition des autorisations, des escalades, de la journalisation et des responsabilités.

Les gains initiaux peuvent masquer le problème. Il devient visible lorsque les résultats de l’IA entrent dans des workflows de validation, déclenchent des exceptions ou font l’objet d’un audit sans que l’entreprise puisse démontrer ce que le système était autorisé à faire.

Si vous ne pouvez pas formuler clairement ce que l’IA est autorisée à faire et qui est responsable du résultat, vous n’êtes pas prêt à scaler.

La donnée comme deuxième frein majeur

Seuls 61 % des leaders estiment que leurs données peuvent soutenir efficacement l’analytique IA.

Lorsque les données de référence sont incohérentes ou que les correspondances entre entités sont fragiles, les résultats de l’IA ne peuvent pas être rapprochés des systèmes comptables de référence.

Sans capacité de rapprochement vers une source de vérité, l’IA ne peut pas être intégrée à l’architecture opérationnelle de la fonction finance.

La préparation full-stack existe, mais reste minoritaire

Combien de leaders réunissent les cinq exigences ? La réponse : 26 %.
La préparation complète existe donc sur le marché. Mais elle ne constitue pas la norme, même parmi les leaders.

Comment scaler l’IA dans la fonction finance ?

L’IA se déploiera d’abord là où :

1. Les exigences en matière de règles sont limitées
2. Les besoins en données sont plus restreints
3. Le coût de l’erreur reste maîtrisable

Les workflows assistés précéderont les workflows décisionnels centraux. Le passage à l’échelle sur les clôtures, contrôles, validations et gouvernance dépendra moins de la performance des modèles que de la maturité du design opérationnel.

Comme le souligne Konstantin Dzhengozov :

La finance n’a pas besoin d’un empire de gouvernance. Elle a besoin de garde-fous minimaux et applicables qui permettent d’avancer sans perdre le contrôle.

Guide pratique pour les DAF : construire une architecture opérationnelle solide

Diagnostic en 30 secondes

Choisissez un workflow où l’IA influence déjà une décision financière. Si vous ne pouvez pas démontrer :

• ce que l’IA est autorisée à faire (par rôle, tâche et seuil),
• comment les exceptions sont gérées,
• ce qui est journalisé par défaut,
• qui est responsable du résultat,
• comment les résultats sont conciliés avec les systèmes de référence,

alors ce workflow n’est pas prêt à passer à l’échelle.

Pourquoi la segmentation est importante

Le tableau 3 révèle que les leaders IA ne sont pas tous identiques. Certains disposent d'une architecture opérationnelle complète. D'autres sont axés sur l'exécution, mais peu réglementés, ou axés sur la gouvernance, mais limités par les données.

Il est clair que les leaders IA ne constituent pas une catégorie unique. C'est pourquoi notre troisième rapport de la série explorera deux aspects : les formes de dette opérationnelle qui bloquent discrètement la croissance, même au plus haut niveau de maturité (à savoir la dette réglementaire et la dette de données), et les postures opérationnelles distinctes dans lesquelles se retrouvent les équipes financières en conséquence.

Car la prochaine phase de l'IA dans la Finance ne sera pas définie par son adoption. Elle sera définie par les architectures opérationnelles qui pourront réellement résister à un audit minutieux.

En attendant, si vous souhaitez voir à quoi ressemble l'IA gouvernable dans la pratique, découvrez comment Payhawk permet une véritable orchestration financière grâce à une IA native intégrée directement dans les workflows de dépenses.

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 :**c50–100 ETP, 101–250 ETP, 251–500 ETP, 501–1 000 ETP et 1 000+ ETP