AI Impact Scan : notre diagnostic flash
Pour clôturer plus vite, fiabiliser les prévisions, réduire les coûts, la combinaison de l’IA générative et de l’automatisation classique est très prometteuse. Nous avons testé cette combinaison dans le cadre de la réconciliation comptabilité / gestion, avec un focus sur le rapprochement du chiffre d’affaires. Avec à la clé, un retour sur investissement mesurable.
A lire aussi : On a testé… pourquoi il ne faut pas choisir entre IA et automatisation
Le contexte
Chaque mois, la direction financière du groupe X devait s’assurer que le chiffre d’affaires reconnu en comptabilité (Workday) correspondait à celui enregistré dans les outils de gestion (outil interne).
Un exercice essentiel, mais loin d’être mécanique :
- des PCA (produits constatés d’avance) comptabilisés avant leur reconnaissance en gestion,
- des FAE (factures à émettre) présentes dans la gestion mais pas encore passées en comptabilité,
- des écarts de période entre facturation et reconnaissance du revenu,
- et des refacturations intra-groupe enregistrées à des dates ou selon des règles différentes entre entités.
L’objectif
Il s’agissait d’expliquer les écarts entre la comptabilité et l’outil de gestion (par centre de coûts, projets, produits).
Avant transformation, sur un périmètre de plus de 200 000 lignes et plusieurs filiales, les équipes passaient, à chaque clôture, près d’une semaine complète sur ce rapprochement, avec un taux d’automatisation partiel (environ 60 %).
Les étapes
Étape 1 – Le “tout IA” : prometteur, mais incontrôlable
Séduite par la promesse d’agilité, l’équipe a testé une approche reposant uniquement sur l’IA générative pour analyser les écarts. Les débuts furent prometteurs :
- l’IA identifiait en quelques minutes les divergences majeures,
- et produisait automatiquement des commentaires du type :
- « Écart probable lié à une facture non encore émise »
- « Différence de période entre la facturation et la reconnaissance du revenu »
Mais rapidement, les limites sont apparues :
- L’IA ne maîtrisait pas les règles de reconnaissance du chiffre d’affaires, confondant parfois une FAE avec une erreur de saisie.
- Elle ne comprenait pas toutes les logiques intra-groupe : un écart de date entre la facturation d’une entité A et la comptabilisation de la charge chez l’entité B suffisait à générer une “anomalie”.
- Les résultats manquaient de stabilité et de traçabilité d’une exécution à l’autre.
- Enfin, la facturation à l’usage (point très connu des acteurs étant allés au-delà de POC et ayant passé des solutions d’IA en production) rendait les coûts volatils.
En clair, l’IA détectait les écarts, sans toujours comprendre les règles comptables qui les expliquaient.
Étape 2 – Le “tout automatisation” : fiable, mais fragile
La direction est ensuite revenue à sa méthode habituelle : une automatisation complète (sans IA) via des règles des gestion prédéfinies. Là encore, les premiers résultats furent encourageants.
- Les rapprochements 1:1 (même client, même montant, même période) étaient exécutés à 100%.
- Les PCA et FAE identifiés dans les journaux comptables étaient isolés et ventilés.
- Les rapprochements standards représentaient jusqu’à 80 % du volume total.
Mais dès que la réalité s’est éloignée du cadre, le système a atteint ses limites.
- Une nouvelle règle de cut-off est venue modifier la reconnaissance du CA dans la comptabilité.
- Une refacturation intra-groupe décalée d’un mois a été considérée comme une erreur, faute de flexibilité.
- Le maintien des référentiels permettant la correspondance entre les différents systèmes s’avère lourd.
L’automatisation appliquait ainsi les règles à la lettre, mais sans capacité d’interprétation ni d’adaptation.
La combinaison Gen IA et automatisation offre rigueur comptable et intelligence contextuelle
La véritable avancée est venue d’une approche hybride : l’automatisation traite les opérations standardisées, l’IA intervient là où la logique comptable se mêle à l’interprétation métier.
Concrètement, l’automatisation gère :
- les rapprochements standards (même client, même montant, même période),
- les PCA/FAE selon les règles de cut-off définies,
- le suivi des jalons projets et des périodes de reconnaissance,
- la journalisation exhaustive des rapprochements et écarts.
L’IA, en surcouche intelligente, prend en charge :
- les écarts de référentiels : elle apprend les correspondances manquantes et propose des alignements,
- les refacturations intra-groupe différées, qu’elle requalifie selon le contexte,
- les écarts de timing entre comptabilité et gestion (mois M vs M+1),
- la rédaction automatique des synthèses d’analyse pour validation par le contrôle de gestion.
Quels résultats après quelques cycles de clôtures ?
Le ROI est significatif :
- 60 % de temps de traitement gagné par les équipes du back office et de la comptabilité (passage de 6 jours à 2-3 jours),
- Jusqu’à 97% des lignes du compte 7 rapprochées automatiquement,
- Des justifications traçables pour l’audit interne et les commissaires aux comptes,
- Des coûts réduits de moitié (voire plus sur certaines clôtures) par rapport au scénario « Tout IA » : dans ce scénario, l’IA effectuait l’intégralité des rapprochements avec une consommation de Tokens plus importante, tandis qu’avec la méthode combinée, la couche d’IA n’était active que sur les cas complexes non rapprochés par l’automatisation classique.
L’automatisation garantit la rigueur des chiffres. L’IA garantit la compréhension des écarts. Ensemble, elles réconcilient revenu comptable et performance économique.
Un mot de prudence
Cet exemple décrit une expérience réelle menée au sein d’un grand groupe, dont les résultats apparaissent réplicables dans des environnements similaires. La combinaison IA + automatisation s’est révélée être la meilleure option en termes de ratio coût-bénéfice, notamment lorsque les processus sont complexes et les référentiels multiples.
Mais cette approche n’est pas une vérité universelle. Dans certains contextes plus stables, une automatisation classique bien paramétrée peut tout à fait suffire. Et le gain marginal apporté par une couche d’IA peut alors être non significatif au regard de la complexité et du coût induits.
Par conséquent, l’essentiel n’est pas de tout automatiser, ou de « mettre de l’IA partout », mais de trouver le point d’équilibre entre rigueur, maîtrise des coûts et pertinence opérationnelle.
Pour vous aider à mieux comprendre ce que l’IA générative peut – ou ne peut pas – faire pour vous, SeaBird teste et implémente les technologies et leurs applications dans les directions financières des acteurs de la banque, de l’assurance et de la gestion d’actifs.
