Leaders d’opinion

L’IA n’est aussi intelligente que les données financières qui la sous-tendent

Ilan Atias
Ajouter Unite.AI à vos sources préférées sur Google
Points clésL'IA échoue lorsque les systèmes ne s'accordent pas sur la signification d'un seul…
Voir plus
  • L'IA échoue lorsque les systèmes ne s'accordent pas sur la signification d'un seul champ comme la date de paiement.
  • Des données financières connectées permettent à l'IA de distinguer les changements significatifs des fluctuations habituelles.
  • Les contrats de données et les flux événementiels importent plus que l'application d'IA elle-même.

L’IA s’est invitée dans presque toutes les conversations sur l’avenir de la finance. Les organisations investissent dans l’IA pour automatiser les tâches courantes, améliorer les prévisions et aider leurs employés à prendre des décisions plus rapidement. La plupart de ces conversations commencent par les modèles et les applications. D’après mon expérience, elles devraient plutôt commencer par la qualité, la connectivité et la gouvernance des données dont dépendent ces systèmes.

J’ai consacré ma carrière à la création et au déploiement à grande échelle d’infrastructures de paiement, et les problèmes les plus difficiles n’ont que rarement concerné les algorithmes. Ils tenaient plutôt aux infrastructures sous-jacentes nécessaires pour que les plateformes comptables, les banques, les fournisseurs de services de paie et les réseaux de paiement décrivent de la même façon un même événement commercial.

Le défi est particulièrement manifeste dans la finance. La comptabilité, les services bancaires, la paie, la facturation et les paiements produisent tous des informations qui influencent les décisions commerciales. Lorsque ces systèmes fonctionnent indépendamment les uns des autres, ils créent des environnements de données fragmentés qui compliquent considérablement la tâche de l’IA lorsqu’il s’agit d’établir le contexte à l’échelle de l’organisation. L’IA peut repérer des tendances au sein de systèmes individuels, mais elle ne peut pas expliquer de manière fiable ce qui se passe dans l’ensemble de l’entreprise sans avoir une vue connectée de ses finances. Au début de Melio, nous nous sommes heurtés à un problème qui semble anodin, mais ne l’est pas : que signifie « payé » ? Un client approuve un paiement le lundi. Les fonds quittent son compte le mardi. La banque du fournisseur les met à sa disposition le jeudi. La transaction est rapprochée d’une facture la semaine suivante. Quatre horodatages, quatre réponses défendables à la question « quand ce paiement a-t-il été effectué ? », et aucune n’est erronée. Un comptable humain contourne cette ambiguïté sans même y penser. Un modèle de prévision qui traite la « date de paiement » comme un champ unique produit des prédictions avec une assurance implacable, mais systématiquement erronées quant au calendrier — alors que c’est précisément ce que les prévisions de trésorerie doivent déterminer correctement. La connexion de ces systèmes constituait la première étape nécessaire. C’est en les amenant à s’accorder sur la signification des champs que cette connexion a pris toute sa valeur. Dans la finance, être « prêt pour l’IA » commence par la connexion des systèmes, et cette connexion n’a de valeur que si ceux-ci décrivent un même événement de la même façon.

Une meilleure visibilité mène à de meilleures décisions

Le besoin de données financières connectées devient de plus en plus pressant. Le rapport Small Business Insights de Xero révèle que les petites entreprises américaines doivent désormais attendre en moyenne 29,3 jours avant d’être payées, tandis que la croissance annuelle des ventes, à 4,0 %, reste inférieure à sa moyenne à long terme. Lorsque les délais de paiement, les dépenses et la demande évoluent tous indépendamment, les organisations ont besoin de systèmes capables de relier ces signaux plutôt que de les analyser séparément — qu’il s’agisse de la gestion de trésorerie d’une grande entreprise ou d’une entreprise de 10 personnes.

Prenons le cas d’une entreprise qui se demande si elle peut embaucher une personne supplémentaire avant la fin du trimestre. Cette décision dépend de bien plus que du solde bancaire du jour : les paiements attendus des clients, les engagements liés à la paie, les dépenses récurrentes, les obligations fiscales à venir et les revenus prévisionnels entrent tous en ligne de compte. Aucun indicateur ne fournit à lui seul une réponse fiable. Réunir ces données permet aux dirigeants de mieux comprendre la situation financière de l’entreprise et donne à l’IA des éléments pertinents sur lesquels raisonner. L’automatisation nécessite l’accès aux transactions. Le raisonnement, lui, nécessite du contexte.

Les équipes financières peuvent consacrer le début de chaque mois au rapprochement des données entre les différents systèmes, avant même de pouvoir commencer une véritable analyse. Lorsqu’elles disposent enfin d’une vue d’ensemble complète, le changement de trésorerie qu’elles cherchent à comprendre peut déjà dater de plusieurs semaines. C’est précisément ce décalage que les données connectées peuvent réduire.

L’IA crée de la valeur lorsqu’elle comprend l’entreprise

La première génération d’IA dans la finance visait à améliorer l’efficacité : catégoriser les transactions, traiter les factures et aider les équipes à accomplir plus rapidement les tâches courantes. Ces capacités restent utiles, mais les attentes évoluent : il ne s’agit plus seulement d’automatiser des tâches, mais d’éclairer les décisions en tenant compte du contexte — en détectant plus tôt les risques de trésorerie, en améliorant la précision des prévisions et en comprenant comment l’évolution des comportements de paiement, des dépenses ou des tendances de chiffre d’affaires pourrait influer sur les résultats à venir.

Pour y parvenir, l’IA doit analyser les données financières en tenant compte de leur contexte. La signification d’une transaction dépend des circonstances qui l’entourent : une hausse des dépenses peut signaler des dépenses excessives ou correspondre à des achats de stocks anticipant une demande saisonnière ; une baisse des réserves de trésorerie peut indiquer des tensions de liquidité ou simplement s’expliquer par le calendrier des paiements trimestriels d’impôts. L’IA devient précieuse lorsqu’elle peut faire de même : relier les tendances observées dans les transactions passées, les positions de trésorerie, les créances et les signaux opérationnels afin de distinguer un changement important d’une fluctuation habituelle.

Mettre en place les bonnes bases

Pour les responsables technologiques qui évaluent les usages de l’IA dans la finance, la question déterminante n’est pas de savoir quelle application déployer en premier, mais si l’environnement de données sous-jacent peut fournir le contexte complet et à jour dont ces applications ont besoin. Pour construire ces systèmes, quelques investissements sont particulièrement importants :

Considérez les intégrations comme des contrats, et non comme de simples connexions. Une synchronisation ponctuelle entre une plateforme comptable et un système de paiement finira par dériver. Définissez des contrats de données explicites — schémas, définitions des champs et garanties de fraîcheur — afin que les changements dans un système en amont ne dégradent pas silencieusement l’IA en aval.

Passer du rapprochement par lots à des flux de données déclenchés par les événements. Si les données financières sont rapprochées chaque semaine ou chaque mois, l’IA établit ses prévisions à partir d’informations obsolètes. Les pipelines déclenchés par les événements, qui propagent les transactions au fur et à mesure qu’elles se produisent, apportent aux modèles la fraîcheur nécessaire pour détecter rapidement les changements.

Mettre en place une couche sémantique pour les indicateurs financiers. « Position de trésorerie », « créances clients en cours » et « chiffre d’affaires » doivent avoir le même sens dans tous les systèmes. Sans définitions cohérentes, l’IA produira avec assurance des réponses que les équipes n’interpréteront pas toutes de la même façon.

Évaluer les résultats de l’IA par rapport à la réalité. Le grand livre comptable confère à la finance un avantage sur la plupart des domaines de l’IA : il fournit un historique vérifiable. Les analyses financières générées par l’IA doivent être soumises aux mêmes exigences que le travail d’un analyste débutant, vérifiées à l’aune des résultats réels, et leur exactitude doit être mesurée au fil du temps. La confiance dans les recommandations de l’IA se gagne par la mesure ; elle ne se décrète pas.

Ces investissements attirent moins l’attention que les applications d’IA qui reposent sur eux, mais ils déterminent si ces applications sont efficaces.

Le véritable facteur de différenciation

À mesure que l’IA s’intègre à la gestion financière, le défi technique ne porte plus sur les capacités des modèles pris individuellement, mais sur leur efficacité au sein de l’architecture globale des données financières.

Les organisations qui investissent dans des données interconnectées repéreront plus tôt les variations de trésorerie et auront davantage confiance dans les prévisions générées par l’IA. La différence ne tient pas au modèle, mais aux données qui le sous-tendent.

Ilan Atias dirige les équipes de R&D, de produit et de BI chez Melio. Avant de rejoindre Melio, Ilan était vice-président de la R&D chez Windward, leader mondial de l’analyse prédictive maritime. Auparavant, Ilan était chercheur chez Outbrain, une entreprise de publicité native, où il était chargé d’un système de recommandation personnalisé utilisant des algorithmes d’apprentissage automatique.