Une prévision financière peut être mathématiquement sophistiquée et pourtant s'avérer erronée pour une raison bien simple : l'activité a évolué plus rapidement que ne le laissaient supposer les hypothèses sur lesquelles elle reposait.

Un client reporte une commande, un fournisseur augmente ses prix, une acquisition modifie la base de coûts ou la direction continue d'utiliser un modèle de relation entre l'offre et la demande qui fonctionnait avant la variation des taux d'intérêt. Les systèmes de prévision traditionnels ne prennent souvent conscience de ces changements qu'une fois qu'ils se sont répercutés sur les comptes mensuels. L'intelligence artificielle promet de les détecter plus tôt en traitant davantage d'informations, en actualisant les prévisions plus fréquemment et en identifiant des relations que les modèles conventionnels pourraient négliger.

Cette promesse est crédible, mais elle doit être nuancée. L'IA ne rend pas prévisible un avenir incertain, pas plus qu'elle ne supprime le jugement inhérent au choix des données, des scénarios et des hypothèses commerciales. Sa principale contribution est généralement d'ordre plus pratique : elle permet aux équipes financières d'établir des prévisions plus rapidement, de tester davantage de variables et d'identifier les écarts entre les performances réelles et les prévisions.

Son adoption dans le secteur des services financiers est déjà très répandue. Dans une enquête menée en 2024 par la Banque d’Angleterre et la Financial Conduct Authority, 75 % des entreprises interrogées ont déclaré utiliser l’IA, contre 58 % en 2022, et 10 % supplémentaires prévoient de l’adopter d’ici trois ans. Pourtant, les avantages les plus fréquemment cités concernaient l'analyse des données, la prévention de la criminalité financière, la cybersécurité et l'efficacité opérationnelle, plutôt que des prévisions de marché ou de résultats systématiquement supérieures.

Cette distinction est importante. L'IA peut améliorer considérablement le processus de prévision sans pour autant rendre chaque prévision plus précise.

Quand les prévisions classiques ne suffisent plus

La plupart des prévisions d'entreprise sont encore établies en combinant les performances historiques, les hypothèses de la direction et les ajustements fournis par les divisions opérationnelles. Le chiffre d'affaires peut être estimé à partir des carnets de commandes, les coûts extrapolés à partir des périodes précédentes et les flux de trésorerie calculés à partir des cycles de paiement prévus.

Cette méthode est compréhensible et vérifiable, mais elle peut s'avérer lente. Le temps que les données soient collectées, rapprochées, validées et consolidées, le contexte économique peut déjà avoir évolué. Les prévisions peuvent également devenir des documents à caractère politique. Les équipes commerciales peuvent vouloir préserver des objectifs ambitieux, les unités opérationnelles peuvent prévoir des marges de sécurité budgétaires et la direction peut s'opposer à des scénarios qui contredisent le discours qu'elle souhaite faire valoir.

L'IA ne supprime pas ces incitations. Elle peut toutefois constituer un point de référence analytique indépendant.

Les modèles d'apprentissage automatique peuvent analyser simultanément l'historique des transactions, la demande de produits, le comportement des clients, les tarifs, les données relatives à la chaîne d'approvisionnement et les indicateurs externes. Ils sont capables de détecter des relations non linéaires, telles qu'une baisse des commandes récurrentes qui ne devient significative que lorsqu'elle est associée à des délais de livraison plus longs et à une baisse de l'engagement sur le site web.

Elles peuvent également actualiser leurs prévisions à mesure que de nouvelles informations sont disponibles. Au lieu de refaire ses prévisions trimestrielles une fois la période de référence clôturée, une entreprise peut recourir à des prévisions glissantes qui s'adaptent aux variations quotidiennes ou hebdomadaires des ventes, des stocks, des encaissements et des données de marché.

L'intérêt commercial ne réside pas simplement dans l'obtention d'un chiffre annuel plus précis. Il s'agit plutôt de prendre conscience plus tôt que le plan actuel n'est plus réaliste.

Des prévisions différentes nécessitent des modèles différents

“La ” prévision financière » recouvre plusieurs tâches qui ne doivent pas être considérées comme un seul et même problème technique.

Une équipe de trésorerie peut établir des prévisions concernant la liquidité quotidienne et le calendrier des paiements des clients. Un détaillant peut prévoir la demande au niveau des produits et des magasins. Une banque peut estimer les pertes sur créances selon différents scénarios économiques, tandis qu’un gestionnaire d’actifs peut modéliser la volatilité, la liquidité ou les tensions sur les marchés.

Les données pertinentes, l'horizon temporel et le coût de l'erreur varient selon les cas.

La prévision de la demande se prête souvent bien à l'apprentissage automatique, car les entreprises disposent souvent de grandes quantités de données transactionnelles récurrentes et de variables observables telles que les promotions, la saisonnalité, les variations de prix et les conditions locales. La prévision des flux de trésorerie peut tirer parti de modèles qui estiment la date de paiement probable de chaque facture, plutôt que d'appliquer une hypothèse de recouvrement moyenne à l'ensemble des clients.

Les prévisions macroéconomiques et de marché sont plus complexes. Les événements financiers majeurs sont rares, les corrélations historiques peuvent évoluer et les acteurs du marché réagissent aux mêmes informations que celles que le modèle tente d'exploiter. Un modèle entraîné sur une période stable peut afficher de mauvaises performances lorsque l'inflation, les taux d'intérêt ou la liquidité sortent de leur fourchette habituelle.

L'IA s'avère donc particulièrement utile lorsque l'organisation dispose d'observations fréquentes, d'un résultat mesurable et d'un processus permettant de tester rapidement les prévisions. Elle est moins fiable lorsque l'événement cible est rare, que les données sont limitées ou que la structure économique elle-même est en pleine évolution.

Une quantité plus importante de données ne garantit pas automatiquement une meilleure compréhension.

L'IA est capable de traiter bien plus d'informations qu'un tableur classique, y compris des données non structurées telles que des actualités, des conférences téléphoniques sur les résultats financiers, des contrats, des messages de clients et des échanges avec les fournisseurs.

Cela procure un avantage apparent, mais augmente également le risque d'erreur.

Les données financières internes peuvent comporter des champs manquants, des codes produit incohérents, des transactions en double ou des changements dans le traitement comptable. Les différentes entités opérationnelles peuvent avoir des définitions différentes des notions de chiffre d'affaires, de clients actifs ou de commandes confirmées. Les données historiques peuvent refléter une organisation qui n'existe plus à la suite d'une restructuration ou d'une acquisition.

Les données externes posent d'autres problèmes. Les actualités et les signaux issus des réseaux sociaux peuvent être répétitifs, manipulés ou n'avoir qu'un lien ténu avec la variable financière à prévoir. Les indicateurs économiques sont souvent révisés après leur publication, ce qui crée le risque qu'un modèle testé rétrospectivement tire parti d'informations qui n'étaient pas disponibles à l'époque.

Le premier investissement dans l'IA devrait donc souvent porter sur l'architecture des données plutôt que sur un modèle de prévision. Les entreprises ont besoin de définitions communes, d'horodatages fiables, d'une attribution claire de la responsabilité et d'un historique des transformations subies par les données.

Un algorithme sophistiqué, entraîné à partir de données opérationnelles peu fiables, peut générer une version très convaincante d'une réponse erronée.

La précision des prévisions doit être évaluée par rapport à un critère quelconque

Il est difficile d'évaluer les affirmations selon lesquelles l'IA améliorerait la précision des prévisions de 30 ou 40 %, sans connaître la valeur de référence, la période considérée et la mesure d'erreur.

Un système sophistiqué doit d'abord être comparé à un modèle simple. Si les ventes du mois dernier ou une moyenne saisonnière permettent de prévoir l'activité avec une précision presque équivalente, la complexité supplémentaire n'est peut-être pas justifiée au regard de son coût.

Les entreprises doivent également déterminer quelles erreurs sont significatives. Une prévision peut donner de bons résultats en moyenne tout en passant à côté des scénarios extrêmes qui présentent le plus grand risque financier. Elle peut prédire avec précision le chiffre d'affaires annuel, mais ne pas anticiper de brèves périodes de tension de trésorerie. Un modèle de demande peut minimiser l'erreur globale tout en sous-estimant systématiquement les produits présentant les marges les plus élevées.

Des indicateurs tels que l'erreur absolue moyenne peuvent donner une idée de l'ampleur typique d'un écart. Les mesures exprimées en pourcentage peuvent aider à comparer des produits ou des entités commerciales de tailles différentes, même si elles perdent de leur fiabilité lorsque les valeurs réelles tendent vers zéro. La précision directionnelle peut s'avérer importante lorsque la décision dépend davantage de l'évolution des conditions (amélioration ou détérioration) que d'un chiffre précis.

En fin de compte, la prévision doit être évaluée à l'aune de la décision qu'elle a permis de prendre. A-t-elle permis d'optimiser la répartition des stocks, de réduire les emprunts d'urgence, d'identifier une détérioration de la qualité du crédit ou de permettre à la direction d'intervenir plus tôt ?

Un modèle qui améliore un score statistique sans modifier une décision commerciale n'a qu'une valeur limitée.

Le système le plus efficace pourrait bien être celui qui associe des modèles et des personnes

Ce choix est souvent présenté comme opposant le jugement humain à l'intelligence artificielle. Dans la pratique, la conception la plus efficace attribue à chacun un rôle différent.

Un modèle est capable d'appliquer la même logique à de grands ensembles de données, de détecter des tendances et de produire des mises à jour fréquentes. Un professionnel de la finance peut ainsi se rendre compte que l'entreprise est en train de fermer une usine, de pénétrer un marché ou de renégocier un contrat d'une manière qui n'a pratiquement pas de précédent historique.

L'intervention humaine pose problème lorsqu'elle n'est pas documentée ou qu'elle est automatiquement privilégiée. Les responsables peuvent passer outre un modèle parce qu'ils disposent d'informations pertinentes, mais aussi parce que sa conclusion ne leur convient pas.

Un processus rigoureux permet de consigner chaque ajustement apporté aux données, les éléments justificatifs qui le sous-tendent et le résultat qui en découle. Au fil du temps, l'entreprise peut ainsi déterminer si ces interventions humaines ont permis d'améliorer les prévisions ou si elles ont introduit un optimisme systématique.

Cela crée une boucle de rétroaction importante. L'organisation apprend non seulement si le modèle est précis, mais aussi dans quels cas le jugement managérial apporte une valeur ajoutée et dans quels cas il fausse systématiquement le résultat.

La prévision devient alors un processus décisionnel encadré, plutôt qu'un chiffre généré par une machine ou par un cadre supérieur.

L'analyse de scénarios peut s'avérer plus importante qu'une simple prévision

La demande d'une prévision unique et précise reflète souvent les habitudes de la direction en matière de reporting plutôt que la nature même de l'incertitude.

L'IA peut améliorer l'analyse de scénarios en modélisant de nombreuses combinaisons de demande, de tarification, de coûts de financement, de taux de change et de perturbations opérationnelles. Elle peut aider la direction à identifier les variables les plus importantes et à déterminer dans quels cas une légère variation a un impact disproportionné sur la trésorerie ou la rentabilité.

Cela s'avère particulièrement utile lorsque les conditions sortent du cadre de l'expérience récente de l'entreprise. Plutôt que de demander au modèle de prédire le taux de change ou le taux de défaut exact dans six mois, la direction peut examiner ce qui se passerait selon plusieurs scénarios cohérents.

Tout réside dans la préparation. Une prévision doit indiquer à quel moment un financement supplémentaire serait nécessaire, quels coûts pourraient être réduits, quel serait le niveau résiduel d'exposition lié aux stocks et quels indicateurs précoces signaleraient que le scénario défavorable est en train de se concrétiser.

L'IA générative peut apporter son aide en transformant les résultats des modèles en explications compréhensibles ou en recherchant dans les données internes les facteurs pertinents. Elle ne devrait pas être autorisée à inventer des récits causaux simplement parce que le modèle numérique sous-jacent a détecté une corrélation.

L'explication doit pouvoir être rattachée à des données réelles et à des mécanismes commerciaux connus.

La dérive des modèles est un problème de gouvernance

Une prévision basée sur l'IA n'est pas définitive dès sa mise en production. Ses performances peuvent diminuer à mesure que le comportement des clients, la structure du marché ou les processus internes évoluent.

C'est ce qu'on appelle la « dérive du modèle ». Un modèle de crédit peut perdre en fiabilité à la suite d'une variation des taux d'intérêt. Un modèle de demande peut se détériorer lorsque l'entreprise modifie sa stratégie de tarification ou ses canaux de distribution. Un modèle de recouvrement peut mal interpréter les comportements après la mise en place de nouvelles conditions de paiement.

Le suivi doit donc porter sur les données d'entrée, l'erreur de prédiction et la stabilité des relations sur lesquelles repose le modèle. Des seuils doivent être définis pour déterminer à quel moment le système doit faire l'objet d'une révision, d'un réentraînement ou d'un retrait.

L'auto-apprentissage ne supprime pas cette exigence. Un modèle qui se met à jour automatiquement peut s'adapter à un changement réel, mais il peut également amplifier un bruit temporaire ou apprendre à partir de données corrompues par une erreur opérationnelle.

Les prévisions importantes doivent avoir un responsable clairement identifié, des limites documentées et un processus approuvé pour toute modification. L'enquête menée par la Banque d'Angleterre et la FCA a révélé que 84 % des entreprises ayant répondu avaient désigné une personne responsable de leur cadre d'IA, même si cette responsabilité était souvent répartie entre plusieurs personnes ou instances.

Cette responsabilité prend d'autant plus d'importance que les prévisions se rapprochent d'une prise de décision autonome. Dans cette même enquête, 55 % des cas d'utilisation de l'IA comportaient un certain degré de prise de décision automatisée, mais seuls 2 % étaient entièrement autonomes.

La tendance actuelle au niveau institutionnel est donc à le renforcement, et non à la suppression, de la responsabilité humaine.

La dépendance vis-à-vis des prestataires externes doit faire l'objet d'un examen minutieux

De nombreuses organisations ne développent pas leurs modèles de prévision entièrement en interne. Elles ont recours à des plateformes cloud, à des modèles de base, à des logiciels de planification financière et à des fournisseurs de données spécialisés.

Cela peut accélérer l'adoption de ces solutions et permettre d'accéder à une expertise dont le maintien en interne serait coûteux. Cela engendre toutefois des risques liés à la concentration et au contrôle.

Un modèle tiers peut s'avérer difficile à expliquer ou à valider. Son fournisseur peut modifier la méthodologie, les sources de données ou les conditions commerciales. Des informations sensibles peuvent transiter par une infrastructure utilisée par de nombreuses autres sociétés financières.

L'enquête menée au Royaume-Uni en 2024 a révélé qu'un tiers des cas d'utilisation de l'IA signalés reposaient sur des implémentations tierces. Elle a également mis en évidence une forte concentration parmi les fournisseurs de services cloud, de modèles et de données, tandis que près de la moitié des personnes interrogées ont déclaré n'avoir qu'une compréhension partielle des technologies d'IA qu'elles utilisaient.

Les entreprises doivent donc déterminer quels éléments proviennent de sources externes, quelles informations y sont intégrées et si les prévisions peuvent se poursuivre en cas d'indisponibilité d'un fournisseur. Les contrats doivent aborder les questions relatives à la propriété des données, aux modifications des modèles, aux incidents de sécurité, aux droits d'audit et à la possibilité de récupérer les résultats historiques.

Les marchés publics ne peuvent être dissociés d'un modèle de gouvernance.

Comment les responsables financiers devraient mettre en œuvre les prévisions basées sur l'IA

Le meilleur point de départ est une prévision ciblée, liée à un problème opérationnel coûteux. Il peut s'agir de problèmes de liquidités à court terme, de retards de paiement, de la demande de produits ou de la perte de clientèle.

L'entreprise doit définir ses erreurs de prévision actuelles et son processus décisionnel avant de mettre en place l'IA. Sans référence, il sera impossible de déterminer si le nouveau système a amélioré les performances ou s'il s'agit simplement d'un changement d'interface.

Le projet pilote doit se dérouler parallèlement au processus existant pendant une durée suffisante pour permettre de rencontrer des situations variées. Les résultats doivent être évalués hors échantillon, en tenant compte des coûts correspondants et sans exclure de manière sélective les périodes difficiles.

Les équipes chargées des finances, de la technologie, de la gestion des risques et des activités doivent s'accorder sur la question de savoir à qui appartient le modèle, qui peut le modifier et selon quelles modalités les modifications sont approuvées. Les utilisateurs ont également besoin d'explications sur les principaux facteurs qui sous-tendent les prévisions, même lorsque le modèle sous-jacent est techniquement complexe.

Le critère ultime est d'ordre comportemental. Une entreprise ne tire guère d'avantage à détecter une détérioration trois semaines plus tôt si ses dirigeants ne savent pas quelles mesures prendre ou refusent de modifier le plan.

L'IA peut réduire le délai entre l'apparition d'une nouvelle information et la mise à jour d'une prévision. Elle ne peut toutefois pas garantir qu'une organisation réagira de manière judicieuse.

Cette technologie améliore déjà le traitement des données, la reconnaissance des modèles et la rapidité avec laquelle les équipes financières peuvent tester leurs hypothèses. Sa contribution la plus durable est peut-être moins spectaculaire que l'affirmation selon laquelle elle permettrait de prédire l'avenir avec une précision sans précédent. Elle peut rendre l'incertitude plus visible, mettre en évidence plus tôt les hypothèses fragiles et donner à la direction davantage de temps pour agir.

C'est une nette amélioration. Mais cela ne revient pas à une certitude.