Pourquoi l'IA ne transforme pas encore la finance

Intelligence artificielle était censée transformer radicalement la fonction financière des entreprises. Les prévisions deviendraient plus précises et plus fréquentes. Les cycles de clôture se raccourciraient. Les risques seraient identifiés plus tôt. La planification de scénarios passerait d'un exercice occasionnel à une capacité continue. Sur la base de ces prévisions optimistes, de nombreux dirigeants financiers ont investi massivement dans la technologie.

Cependant, lorsque les directeurs financiers parlent en privé, une histoire différente émerge. Il y a des preuves de concept qui ne quittent jamais leur bac à sable. Des modèles prometteurs en phase pilote restent inutilisés lorsque la pression du trimestre se fait sentir. Des tableaux de bord sont produits et actualisés mais façonnent rarement les décisions les plus importantes. La finance est indéniablement plus occupée et plus automatisée, mais pas manifestement plus proactive dans la manière dont elle aide l'organisation à s'adapter.

Il est tentant d'attribuer le manque de résultats à des problèmes technologiques : la qualité des données n'est pas encore au rendez-vous ; les outils ne sont pas suffisamment intégrés ; les modèles ne sont pas fiables ; les fournisseurs ont trop promis. Tous ces facteurs comptent, mais ils n'expliquent pas pourquoi des technologies d'IA similaires, introduites dans des conditions globalement comparables, conduisent à des résultats très différents dans la finance par rapport à d'autres fonctions de l'entreprise.

Après plusieurs années de travail étroit avec des directeurs financiers et leurs équipes alors qu'ils tentaient d'appliquer l'IA dans la pratique, une autre explication est devenue difficile à éviter : dans de nombreuses organisations, la technologie évolue plus vite que la manière dont le leadership fonctionne réellement au sein de la fonction financière.

Lorsque de nouveaux outils arrivent, les gens ont tendance à parler, décider et se comporter comme avant. L'attention se concentre sur la finalisation de la clôture, l'explication des écarts, la défense d'un seul chiffre de prévision et le traitement des écarts comme des erreurs à corriger plutôt que comme des signaux à explorer. L'IA est introduite dans cet environnement et on s'attend à ce qu'elle le transforme.