La plupart des équipes FP&A sont prêtes pour l'IA, contrairement à leur infrastructure de données.
Ben Pierce
General Manager, Workday Adaptive Planning
Workday
Pendant l'essentiel de ma carrière, une réalité discrète a marqué la planification financière : les données opérationnelles arrivaient toujours avec du retard et de façon incomplète. Les équipes FP&A commençaient par le rapprochement avant de passer à l'analyse, travaillant tard le jeudi soir pour affiner leurs résultats avant la réunion du conseil d'administration du vendredi.
L'IA change cette dynamique. Un modèle d'IA ne perd pas de temps à se demander si un chiffre semble raisonnable, et il ne contourne pas les lacunes dans les données comme le ferait instinctivement un analyste expérimenté.
Rapport
L'IA ne réparera pas un socle de données défaillant, elle mettra ses faiblesses en évidence.
Pour la plupart des équipes Finance qui envisagent d'investir dans l'IA, la principale contrainte n'est pas le modèle d'IA, mais l'infrastructure de données sous-jacente. L'IA ne réparera pas un socle de données défaillant, elle mettra ses faiblesses en évidence.
Tout responsable FP&A connaît ces réflexes bien ancrés permettant de contourner les problèmes. L'ERP clôture tardivement, livrant des chiffres réels agrégés de haut niveau au lieu des véritables leviers opérationnels sous-jacents – volume, carnet de commandes ou variations unitaires – qui ont réellement influencé le résultat.
Les analystes s'efforcent alors de combler les lacunes en jonglant entre les systèmes, en demandant des extractions manuelles aux opérations ou en récupérant des indicateurs de vente sur des plateformes qui n'ont jamais été conçues pour la rigueur financière. Ils doivent composer avec des écarts de période et des incohérences de catégorisation pour rapprocher les données réelles des grands livres. Les feuilles de calcul deviennent alors la solution par défaut, simplement parce qu'elles sont suffisamment flexibles pour forcer des systèmes contradictoires à cohabiter dans un même tableau.
Mais cette solution ne tient pas. Lorsque la Finance, les Ventes et les Opérations abordent une revue de performance avec trois versions différentes d'un même indicateur, les réunions se transforment en séances de rapprochement des données. Les équipes se replient alors sur la modélisation hors ligne ou prennent des décisions basées sur des hypothèses obsolètes.
Cela n'a jamais été une stratégie intentionnelle : la solution de contournement est simplement devenue le workflow opérationnel. Historiquement, les logiciels de planification supposaient que les analystes effectuent ce lourd travail manuel avant que les données n'atteignent le modèle. Mais à mesure que les logiciels d'entreprise se sont multipliés – ERP, CRM, SIRH et supply chain – ce qui était autrefois tolérable est devenu ingérable.
À mesure que les logiciels d'entreprise se sont multipliés – ERP, CRM, SIRH et supply chain – ce qui était autrefois tolérable est devenu ingérable.
Lorsque les données alimentent une feuille de calcul hors ligne, une erreur reste contenue. Lorsqu'elles alimentent un moteur d'IA, cette erreur se propage instantanément.
La qualité des résultats de l'IA reflète directement les données auxquelles elle a accès. Alimentée par un jeu de données limité ou fragmenté, l'IA produit une analyse confiante, restreinte et potentiellement erronée plus rapidement que ce qu'un contrôle humain ne peut détecter. L'IA ne peut pas transformer de mauvaises données en bonnes décisions, pas plus qu'elle ne possède l'instinct humain qui pousse à vérifier deux fois une valeur aberrante.
La validation doit s'effectuer au niveau de l'infrastructure, avant même que les données n'atteignent le modèle.
Lorsque les modèles d'IA produisent des résultats génériques ou inexacts, le réflexe consiste généralement à construire un pipeline de données plus vaste vers un data warehouse Cloud. Cette approche assimile à tort un problème contextuel à un problème de volume de stockage.
Ce qui manque réellement à l'IA, c'est le contexte financier, soit une carte sémantique de ce que représentent les chiffres. Les plateformes de données Cloud standard obligent les équipes IT à aplatir les tables relationnelles en synthèses statiques, supprimant ainsi les détails des sous-grands livres au cours des processus ETL traditionnels.
Résultat : un modèle d'IA peut extraire une ligne comptable sans comprendre qu'un pic de coût résulte d'une reclassification ponctuelle du grand livre plutôt que d'une tendance opérationnelle. Sans logique métier, hiérarchies comptables et définitions d'indicateurs intégrées directement dans la couche de données, l'IA raisonne avec facilité sur des relations qu'elle comprend pourtant fondamentalement mal.
Construire cette couche sémantique directement dans l'infrastructure centrale, plutôt que d'essayer de l'ajouter après coup, est le critère indispensable pour une architecture de planification moderne.
Certaines structures financières créent déjà ce type de socle de données, et les résultats offrent un aperçu utile des possibilités.
YES Communities gère plus de 300 communautés et 83 000 emplacements résidentiels, une envergure telle que la planification reposant sur des feuilles de calcul avait depuis longtemps atteint ses limites. Après avoir reconstruit son environnement de planification et de données, l'entreprise a obtenu une visibilité en temps réel sur les opérations au niveau de chaque communauté, permettant aux managers d'économiser plus de 10 heures par mois qu'ils consacraient auparavant à la recherche de rapports.
Primient a été confrontée à une autre version du même problème. À la suite d'une scission, l'entreprise disposait d'un environnement SAP complexe et d'un cycle de prévisions de quatre semaines. Après avoir reconstruit son socle de données, l'entreprise a réduit son cycle de prévisions de 28 jours à environ quatre heures, porté la précision des coûts à 99,7 % et éliminé environ un million de dollars de coûts liés aux logiciels traditionnels.
L'IA ne remplace pas le jugement financier humain, elle ne fait que le diriger vers le moment où ce jugement doit intervenir. Lorsque le contexte se fait rare, les modèles formulent des hypothèses, obligeant les directeurs financiers à valider les écarts et à intervenir pour corriger le cap.
Les outils de planification les plus récents, et les plus performants, ne nécessitent pas cet accompagnement. Ils débloquent des capacités avancées grâce à l'interrogation en langage naturel et à la modélisation de scénarios pilotée par l'IA, car la qualité, l'accessibilité et la signification des données sous-jacentes sont solides. Ce n'est pas le modèle le plus intelligent qui façonnera la prochaine ère de la planification. Elle se gagnera avec l'équipe dont les données sont suffisamment fiables pour que le modèle puisse s'y fier.
Les équipes Finance qui construisent d'abord un socle de données unifié et riche en contexte pourront exploiter l'IA pour orienter la stratégie d'entreprise. Toutes les autres resteront condamnées à rapprocher des données saisies.
Ce n'est pas le modèle le plus intelligent qui façonnera la prochaine ère de la planification. Elle se gagnera avec l'équipe dont les données sont suffisamment fiables pour que le modèle puisse s'y fier.
Prêt à construire le socle prêt pour l'IA dont votre entreprise a besoin ? Découvrez l'IA Workday pour la FP&A.
Rapport
Le véritable enjeu du ROI est l'écart entre les efforts engagés et l'impact généré. Découvrez la solution.