Les équipes Finance testent les outils et plateformes d’IA depuis un moment, avec pour objectif d’obtenir une vision complète des dépenses de l’entreprise. Mais, quand on demande aux dirigeants si cet investissement en vaut la peine, la réponse reste floue. D’après une nouvelle étude de Pleo*, 61 % des décideurs financiers reconnaissent avoir investi dans l’IA dans des domaines où sa rentabilité concrète est inconnue.
Cet écart entre l’investissement et la valeur acquise ne pointe pas forcément un échec de l’IA. En y regardant de plus près, on se rend compte que le problème réside en général dans les données de dépenses que l’IA doit analyser, et non dans l’IA en elle-même.
La plupart des équipes Finance stockent les informations sur les dépenses à plusieurs endroits à la fois. Les notes de frais sont consignées dans un logiciel, les factures dans un autre, et les approbations se passent souvent par e-mail ou sur Slack. De plus, chaque outil structure les données de manière légèrement différente. Par l’exemple, l’une utilise des catégories tandis que l’autre applique des tags, la conversion des devises s’effectue à divers moments et les noms des fournisseurs peuvent varier selon la méthode de saisie.
Ce manque de cohésion force les équipes Finance à rassembler de multiples rapports, dossiers et feuilles de calcul pour obtenir une vue précise de leurs dépenses. C’est ce type de tâche manuelle que l’IA était censée gérer, pour que les équipes et leurs dirigeants puissent se concentrer sur l’exploitation des chiffres, plutôt que sur leurs simples compilation et vérification.
« Nous avons plusieurs entités dans notre système. Si l’on préparait des transactions destinées à l’exportation pour une entité et qu’on les déposait par erreur dans le mauvais dossier, la situation pourrait mal tourner. Il faudrait tout annuler. » - Shafier Saboerali, contrôleur financier chez SILICON
L’IA a besoin de données cohérentes, structurées et fiables pour fournir une réponse digne de confiance et agir en conséquence. Lorsque les modèles de données ne concordent pas d’un outil à l’autre, l’IA est incapable de constituer une vue d’ensemble. Dans de telles situations, soit elle signale une lacune, soit elle la comble avec une estimation qui peut sembler crédible, mais n’est pas exacte. Si vous lui demandez de vous fournir le total des dépenses pour tel prestataire, elle risque de ne pas prendre en compte les factures stockées dans un système entièrement distinct, sans que vous ayez la moindre idée qu’il manque des informations.
Ce décalage se retrouve aussi bien dans les questions de base que dans les cas particuliers. Lorsque vous demandez à l’IA si un certain achat respecte votre politique, il faut que la politique, la catégorie et l’historique d’approbation se recoupent. Si la catégorie renseignée dans l’outil de dépenses ne correspond pas à la nomenclature utilisée dans la politique, ou que la conversion des devises suit un taux différent dans chaque système, l’IA ne saura pas faire la différence entre un véritable manquement aux directives et un simple souci de catégorisation. Dans ce cas-là, soit elle aura tendance à trop corriger et à signaler des dépenses qui sont en vérité conformes, soit elle passera à côté d’un réel problème, car les chiffres paraissent suffisament proches pour être validés.
Lorsque les équipes Finance repèrent une erreur de l’IA, elles arrêtent (à juste titre) de lui faire confiance sur tout le reste, y compris sur les questions liées aux dépenses auxquelles elle aurait pu fournir des réponses exactes. Rétablir cette confiance prend bien plus de temps que la tâche d’origine n’en aurait nécessité, et entraîne souvent un retour aux processus manuels que l’IA était censée remplacer.
Selon une étude de Pleo*, 68 % des directeurs financiers s’accordent à dire que les compétences, la formation et la confiance en matière d’IA font cruellement défaut au sein de leurs équipes. Le manque de cohérence et de fiabilité des résultats explique en grande partie cette situation. Et en effet, il est difficile de faire confiance à l’IA sur les dépenses si elle fournit une réponse différente en fonction du système qu’elle consulte.
Les plateformes et outils basés sur l’IA ne trouvent leur raison d’être que lorsqu’ils peuvent s’appuyer sur un aperçu unifié des dépenses, où les frais, les budgets et les approbations sont regroupés en un seul endroit et où chaque chiffre s’accompagne d’une piste d'audit.
Lorsqu’ils sont configurés de manière stratégique, les assistants d’IA tels que Claude, ChatGPT et Microsoft Copilot peuvent puiser dans cette source unique et connectée de données sur les dépenses. Cela permet de transformer une question formulée en langage naturel en une réponse concrète, plutôt que d’obtenir un résultat qui nécessite encore une comparaison manuelle avec une feuille de calcul. Et, si l’on veut aller plus loin, ce système consolidé peut même transformer les tâches répétitives (comme la chasse aux reçus ou la correction des catégories) en un workflow unique, géré sur l’ensemble des outils que vous utilisez déjà.
C’est là toute la différence entre une solution d’analyse des dépenses qui mérite l’investissement et des outils d’IA disparates qui ne tiennent pas leurs promesses.
* Ces données sont tirées d’un rapport de Pleo qui paraîtra en septembre 2026. L’enquête a été menée par Sapio Research en avril et juillet 2026, auprès de décideurs et de professionnels financiers au sein d’entreprises comptant entre 51 et 1 000 salariés en Allemagne, au Danemark, en Espagne, aux Pays-Bas et au Royaume-Uni.