L'IA pour la finance d'entreprise : comment réussir sa mise en œuvre

Tous les CFO avec qui je parle, dans des entreprises d'un milliard ou plus, sont aux prises avec le paysage de l'IA sur deux fronts :

L'assistant horizontal : donner à tout le monde dans votre organisation Microsoft Copilot ou Claude Cowork. Le problème, c'est que chaque employé lance 3 agents, aucun ne fonctionne avec les autres, et en 3 mois vous avez dépensé 3 millions de dollars en tokens, avec 80% des agents soit défunts, soit en panne constante en production. Il vous reste une facture de 3 millions de dollars en tokens, et un cimetière de dette technique dont personne ne s'occupe.

La solution ponctuelle : intégrer un nouveau logiciel pour la comptabilité fournisseurs, un autre pour la clôture, et un autre pour les notes de frais. Ça ne marche pas, car un logiciel fait pour tout le monde n'est pas fait pour vous. Il ne comprend pas que votre processus de comptabilité fournisseurs comporte 7 étapes, pas 4, et ne comprend pas votre logique de gestion des exceptions. Résultat, vos employés ne l'utilisent pas, ou s'ils l'utilisent, le ROI est inférieur à 15%. Et pire encore, vos employés se plaignent que ce nouveau logiciel est différent de leur ancienne méthode de travail, et la moitié d'entre eux pensent que c'est une régression. Un cauchemar.

Mon travail est d'aider les CFO à comprendre le bon mélange des deux solutions pour eux. Il y a absolument un besoin pour l'assistant horizontal, mais il sert un objectif différent. Les employés auront encore du travail à faire, et cet assistant sert à aider un employé à faire le travail de 10. Mais vous passez à côté du tableau d'ensemble : des agents en arrière-plan qui font le travail sans avoir besoin d'être sollicités ou utilisés par un employé. Imaginez un agent qui lit chaque facture dès qu'elle arrive, la rapproche du bon bon de commande, et soit la valide, soit transmet la seule facture étrange à la seule personne qui doit décider, le tout avant que votre équipe ait ouvert ses ordinateurs portables. Un agent qui rapproche chaque matin l'activité bancaire de la veille avec le grand livre, pour que la clôture soit pratiquement terminée avant même la fin du mois. Un agent qui relance chaque fournisseur pour le W-9 manquant ou le paiement en retard tout seul, pour que personne dans votre équipe n'ait plus jamais à écrire ce genre d'e-mail. Personne ne sollicite ces agents. Ils s'exécutent simplement en arrière-plan, et le travail est déjà fait quand vous arrivez.

Pour contexte, je dirige Varick Agents (@varickagents). Nous nous intégrons auprès des équipes financières des entreprises et déployons des agents d'IA qui opèrent à l'intérieur des outils qu'elles utilisent déjà. La finance est le domaine où nous avons observé les résultats les plus rapides et les plus mesurables, car le travail est répétitif, les processus sont bien définis, et le coût de la version manuelle est trivialement facile à chiffrer.

L'objectif de cet article est de vous montrer comment nous avons fait cela pour plusieurs entreprises à grande échelle, les pièges que nous avons appris à éviter, et comment nous mesurons le succès après coup. En bonus : comment nous faisons en sorte de ne pas dépenser des millions en tokens chaque année, et comment nous réduisons les hallucinations à presque zéro. Pour référence, nous avons réduit la clôture mensuelle d'un client de 12 jours à 5. Simultanément, nous avons réduit les taux d'erreur de 72%. La capture de valeur s'élevait à plus de 45 millions de dollars par an, combinant augmentation des revenus, économies de coûts et réduction des risques. C'est le même plan à chaque fois, même si les agents que vous obtenez sont radicalement différents (d'où le fait que les solutions logicielles ponctuelles ne fonctionnent pas).

Les taux d'échec des implémentations d'IA en finance sont élevés

Avant le comment, faisons un rapide aperçu des chiffres. L'écart entre là où sont les équipes financières et là où elles pourraient être est large, mais les résultats de l'IA jusqu'à présent ont été assez médiocres.

• Gartner a interrogé 183 responsables financiers et 84% ont implémenté l'IA ou prévoient de le faire, mais seulement 7% ont signalé un impact élevé.
• Le groupe NANDA du MIT a examiné 300 déploiements et a constaté que 95% des pilotes Gen-AI en entreprise n'apportent aucun retour mesurable au P&L.
• Gartner s'attend à ce que 40%+ des projets d'IA agentique soient annulés d'ici fin 2027 en raison des coûts, de la valeur floue et des contrôles de risques faibles.

Alors quand je dis que la plupart de ces projets échouent, ce sont ces statistiques que je cite. Et je vais vous expliquer pourquoi ci-dessous, mais pour comparaison, 100% des implémentations de Varick dans les services financiers ont été déployées avec succès en production, avec un ROI positif mesurable (moyenne de 5,5x).

Passons maintenant au travail lui-même :

• 2/3 des factures nécessitent encore l'intervention d'un ou plusieurs humains. Seul un tiers passe en automatique (Ardent Partners, 2025). Chez les clients avec lesquels nous avons travaillé, il y a souvent 3 personnes ou plus qui touchent à chaque facture avant qu'elle ne soit entièrement traitée.
• Une facture manuelle coûte 12,42 $ à traiter de bout en bout.
• La moitié de toutes les équipes financières mettent plus d'une semaine à clôturer leurs livres (Ledge, 2025), et 94% d'entre elles vivent encore dans Excel quelque part pendant cette clôture.
• 14% des factures sont signalées comme des exceptions, et les exceptions sont le problème le plus souvent cité en comptabilité fournisseurs. C'est la statistique sur laquelle je veux attirer le plus l'attention. Vos exceptions sont différentes de celles de l'entreprise suivante, ce qui signifie qu'aucun SaaS ou produit générique ne peut résoudre ce problème massif de la manière dont vous en avez besoin. Le besoin de logiciels sur mesure n'a jamais été aussi élevé pour les fonctions financières, et heureusement, l'IA est le déclencheur parfait ici.

Tout cela n'est plus un problème technologique. C'est un problème de flux de travail, un problème de colle humaine, et cette distinction est celle que je vais souligner plus en détail ci-dessous.

Pourquoi les assistants horizontaux (Claude Cowork, Microsoft Copilot) échouent

Même si nous ignorons la facture de tokens (des millions par trimestre), le problème plus vaste est que même les modèles de pointe se trompent sur le travail financier la majorité du temps. Lorsque les modèles de pointe (Fable, Opus, GPT 5.5, etc.) ont été soumis à plus de 900 tâches réelles d'analystes financiers cette année, le meilleur n'a atteint que 52% de précision (Vals AI). Une autre étude a testé 19 modèles sur un véritable plan comptable et la précision la plus élevée était de 66% (DualEntry). Dans une fonction financière, ces niveaux de précision sont catastrophiques. Même la documentation de Microsoft dit de ne pas utiliser Excel Copilot pour les calculs numériques ou quoi que ce soit ayant des implications de conformité, ce qui est hilarant puisqu'ils ont mis l'IA dans votre tableur en premier lieu.

Les hallucinations ne signifient pas une faute de frappe dans un e-mail. Si votre IA hallucine un fournisseur ou rate une élimination inter-sociétés, c'est de l'argent réel qui sort et qu'il faudra retrouver et défaire. L'absence d'auditabilité est également un problème massif. « L'IA l'a dit » ne passe pas avec un auditeur SOX.

Vos agents d'IA doivent être protégés et autorisés, afin qu'ils ne fassent que les actions exactes que vous leur permettez, déterminées à la suite d'un audit d'IA complet. Chaque tâche est ensuite réduite à son état le plus déterministe, de sorte que le modèle ne décide que des quelques étapes qui nécessitent du jugement, au lieu de tout gérer de bout en bout. C'est ainsi que la précision se maintient au-dessus de 97%, avec des traces d'agents qui peuvent être présentées à un auditeur et à la direction.

Pourquoi plus de solutions ponctuelles aggravent les choses

Alors vous sautez le généraliste et achetez une douzaine de spécialistes : un agent AP de Ramp et Brex et Bill, le recouvrement de HighRadius, des agents de clôture de BlackLine et FloQast, le tout fourré dans l'ERP par SAP et Workday, plus un nouvel ERP natif IA. Voyez-vous où je veux en venir ? L'IA était censée être la raison pour laquelle vous vous éloignez enfin de 20 fournisseurs de logiciels différents qui font tous quelque chose de différent. Vous avez besoin d'un guichet unique qui vit à travers vos systèmes existants. Ces systèmes ont déjà tout ce dont un agent a besoin pour fonctionner par-dessus, aucune nouvelle plateforme requise. Au lieu de cela, je vois des CFO introduire à regret plus de licences logicielles, plus de surfaces auxquelles leur équipe doit se connecter et suivre, et au final, presque aucun gain d'efficacité à montrer.

Ce qui fonctionne

Tous les déploiements dans les services financiers qui fonctionnent suivent la même philosophie : une couche qui se place au-dessus et entre les logiciels que vous utilisez déjà, au lieu d'un autre outil dans lequel votre équipe doit se connecter. Elle lit depuis vos logiciels comme NetSuite, Bill et Workday, déplace les données entre eux et fait le travail exactement comme votre équipe le ferait. Là où elle a besoin d'aide, elle signale des modifications à votre équipe pour qu'elle les ajuste.

Ce faisant, vous augmentez l'opérateur, et non la tâche. Actuellement, vos outils automatisent chacun une partie du travail, mais personne n'automatise la personne au milieu, qui copie un nombre d'un écran à un autre, vérifie si deux chiffres correspondent, envoie l'e-mail de relance quand ils ne correspondent pas, escalade quand personne ne répond. Cette personne est la colle, et la colle est là où réside toute la valeur : la réduction du temps de cycle signifie que du temps est gagné et que plus de revenus sont générés, plus rapidement.

Si nous reprenons cet exemple avec les exceptions : imaginez une facture qui arrive sans bon de commande. Actuellement, un analyste AP doit trouver qui l'a commandée, puis trouver le bon PO en filtrant la boîte de réception, puis le rapprocher, avant enfin de le faire passer. Les exceptions sont plus courantes que vous ne le pensez ; cela arrive des centaines de fois par mois.

Cependant, avec une couche d'agents unifiée, l'IA détecte cette exception dès son arrivée, puis recherche dans le système de PO par fournisseur, montant, date, avant enfin de valider elle-même les correspondances propres, exactement comme le ferait votre analyste. Quand l'agent n'est pas sûr, il envoie les deux PO les plus probables à un analyste sur Slack et lui demande de déterminer lequel est le bon. 15 minutes de recherche deviennent trente secondes pour un oui ou un non, avec toutes les informations présentées à l'avance. Le même façonnage se produit dans le rapprochement bancaire, les éliminations inter-sociétés, les relances W-9, les e-mails de statut de paiement et la liste PBC de l'auditeur.

Comment implémenter ce système en pratique

Nous faisons 5 choses à chaque fois :

1. Des ingénieurs déployés sur site s'intègrent à votre département et cartographient chaque processus de bout en bout. Les processus documentés et les SOP capturent très rarement la réalité, c'est-à-dire ce que les gens font réellement. Par exemple : « Quand quelque chose ne va pas, je vérifie d'abord ce tableur » et « J'envoie un e-mail à Sarah directement parce que les alertes sont cassées depuis 3 ans. » Un exemple concret : « La SOP dit que les factures sont rapprochées des PO dans le système. » Mais en réalité, elles sont rapprochées dans le système, sauf quand le PO n'a jamais été créé, auquel cas Brittany envoie un e-mail au chef de département pour un PO rétroactif, à moins que ce soit moins de 500 $, auquel cas elle l'impute à la ligne de dépenses générales du département et le signale pour plus tard. Si vous construisiez des agents basés uniquement sur la SOP, ils casserraient la première fois qu'ils rencontreraient Brittany, ce qui est par coïncidence le Jour 1 de la production. C'est pourquoi il est incroyablement important de s'asseoir avec les gens et de les regarder travailler. C'est le pont entre les services (conseil) et le logiciel (développement), et pourtant c'est aussi la différence entre un déploiement d'agents réussi et un coup dans le noir qui meurt immédiatement.
2. Construire à l'intérieur des outils qu'ils utilisent déjà. L'agent utilise NetSuite ou SAP ou BlackLine comme le ferait une nouvelle recrue, en se connectant et en cliquant sur les mêmes écrans et en utilisant les mêmes API. Personne dans votre équipe n'a besoin d'apprendre une nouvelle interface, et la seule chose que les gens remarquent, c'est qu'il y a moins de travail qui s'accumule, que les exceptions se traitent plus rapidement et que la clôture mensuelle raccourcit.
3. Construire des agents qui font le travail au lieu de tableaux de bord. La plupart des « IA pour la finance » est un outil d'analyse déguisé en agent. Ne tombez pas dans ce piège. Le suivi et le rapport découlent des actions des agents qui les génèrent. Oui, il est utile de mesurer les KPI avant la construction pour voir si vous générez vraiment du changement. Mais si votre livrable est un tableau de bord ou un chatbot au lieu d'un agent en arrière-plan, vous laissez de l'efficacité sur la table. Ne consacrez pas des mois à l'équivalent d'un logiciel de reporting sophistiqué.
4. Escalader uniquement lorsqu'un véritable jugement est requis, avec une barrière de confiance devant qui s'améliore avec le temps. L'objectif est de retirer de l'assiette de votre équipe les 70 à 85% qui sont du pur pattern-matching, afin que leur temps soit réservé aux décisions à fort effet de levier et à fort jugement. Simultanément, chaque fois qu'ils répondent aux actions des agents (avec une approbation, une modification ou un rejet), cela entraîne l'agent, permettant à la précision de grimper chaque semaine au lieu de stagner ou, pire, de régresser. C'est là que l'ingénierie de l'IA est critique ; votre harnais peut être le facteur de réussite ou d'échec entre un système qui s'améliore et un qui s'essouffle.
5. Concevoir pour l'ensemble du département dès le premier jour. C'est de loin l'aspect le plus négligé des implémentations d'agents au niveau de l'entreprise. Imaginez chaque opérateur prenant un outil de vibe-coding, construisant un agent pour son seul coin, mais incapable de passer à l'échelle au-delà de son propre travail. Cela rate le tableau d'ensemble. Souvent, leurs goulots d'étranglement sont situés en amont. Mais alors l'équipe en amont construit son propre agent, qui ne communique pas avec celui en aval. Très rapidement, vous avez des dizaines d'agents, tous cloisonnés dans leurs propres activités, et aucune communication, juste de la dette technique dans toute l'organisation. Au lieu de cela, cartographiez l'ensemble de l'organisation, comprenez qui est le goulot d'étranglement de qui, et construisez en gardant cela à l'esprit.

Éviter les dépenses de tokens incontrôlées et les hallucinations des agents

Comment ne pas dépenser des millions en tokens : un bon agent d'IA n'est principalement pas de l'IA. Ce que nous livrons est ~85% de code pur et ~15% d'appels de modèles. Les modèles ne sont utilisés que là où il y a un réel besoin de jugement, comme lire une valeur sur une facture brouillonne, ou trier une exception dans l'un de vos buckets connus, ou rédiger une note pour qu'un humain l'approuve. En revanche, la majorité du travail est constituée de comparaisons (mathématiques), de recherches (filtrage), de routage (instructions if/then/else) et de publication (appels API). Comparez cela à Claude Cowork, où presque chaque action est déterminée de manière stochastique par un LLM. Au lieu de cela, nous avons des agents plus rapides, moins chers et plus précis. Les LLM n'étaient que le déclencheur.

Comment amener les erreurs à presque zéro : trois couches.

• Code déterministe : il est cohérent par conception, ce qui le rend vérifiable.
• Évaluations : une suite de tests créée manuellement mais mise à jour automatiquement qui vérifie à la fois la réponse et le chemin emprunté par l'agent, nous permettant d'attraper les agents qui sont allés là où ils n'étaient pas censés aller, ou qui ont produit des résultats incompatibles avec la façon dont nous voulons qu'ils se comportent.
• Retour humain : chaque approbation et correction que votre équipe apporte entraîne le système, et la précision sur un flux de travail grimpe dans les hautes 90% en quelques mois. Nous voyons le codage GL passer d'environ 85% à 97% et plus à mesure que les corrections s'accumulent. Et parce que c'est du code et des évaluations au lieu d'une boîte noire, vous pouvez réellement répondre à la question « pourquoi l'agent a-t-il fait cela », à chaque fois qu'une partie prenante ou un auditeur le demande. Les agents horizontaux ne peuvent pas faire cela.

Comment cela est-il mesuré

Heureusement, quand vous avez des agents qui vivent sur vos systèmes d'enregistrement à travers chaque flux de travail et chaque tranche de logiciel, vous avez désormais la capacité de suivre les données au niveau le plus granulaire et en temps réel. Il devient très évident que 80% des exceptions sont traitées par des agents, et que le temps pour rapprocher les exceptions est passé de 4 jours à 2 heures. Quelques résultats concrets :

• La clôture est passée de 12 jours à 5
• Le traitement des exceptions est passé de 130 heures par mois à 20
• Le traitement des factures est passé de 20 minutes chacune à moins d'une minute, en moyenne

Il n'y a que 3 catégories de capture de valeur qui comptent pour toute implémentation d'IA. Est-ce que j'économise du temps/de l'argent ? Est-ce que j'augmente les revenus ? Est-ce que je réduis les risques ? Il est utile de classer tout ce que vous mesurez dans ces 3 catégories, et de mesurer en conséquence à des fins de capture de valeur et de KPI.

Par où commencer

Trouvez les responsables de processus dans votre organisation, et commencez avec eux. Comprenez à un niveau profond quel est leur processus actuel (soyez prêt à parler à leurs sous-responsables de processus, analystes, contributeurs individuels, etc. pour plus d'informations). Allez au fond des choses :

• Comment les choses fonctionnent-elles aujourd'hui, quel est le génome du flux de travail, pour ainsi dire
• Quel est le volume de données et le débit pour chaque tâche
• Quels sont les taux d'erreur et quel est le coût d'une erreur aujourd'hui ?
• Comment les exceptions sont-elles traitées et sous quels formats ?

À partir de là, prenez vos apprentissages et commencez à cartographier ce qui suit :

• Que ferait l'IA vs ne ferait pas pour chaque flux de travail ? À quoi ressemblerait un monde post-IA pour chaque processus ?
• Dans les 3 catégories de capture de valeur, quel est le montant quantifiable pour chacune ?
• Combien de temps et d'effort chaque construction prendrait-elle ? Quels sont les risques pour chacune ?

Comparez la capture de valeur à l'investissement, et vous avez désormais votre liste de priorités.

Mais en résumé, n'achetez pas de plateforme, et ne montez pas d'équipe de science des données. Ce processus complet n'a même pas besoin de prendre une année entière. Vous avez plutôt besoin de trouver des gens qui s'assiéront avec votre équipe, apprendront le flux de travail réel, et construiront un agent à l'intérieur des systèmes que vous utilisez déjà, en mesurant à chaque étape. Si vous voulez d'abord voir l'état final, nous avons construit une visite guidée de cinq minutes du processus ici.

C'est exactement ce que nous faisons chez Varick Agents. Nous nous sommes intégrés auprès des équipes finance, ventes et opérations dans des entreprises allant de 1 milliard de dollars de chiffre d'affaires jusqu'à des géants du Fortune 500 réalisant plus de 50 milliards, et nous construisons des agents qui utilisent leurs outils à l'intérieur de leurs systèmes existants. Nous ne prenons qu'une poignée de nouveaux engagements par trimestre, et nous planifions la cohorte d'automne maintenant. Si votre clôture est encore de deux semaines et que vos meilleurs éléments font encore de la saisie de données, venez nous trouver sur varickagents.com.