<\/p>\n
Une pr\u00e9vision financi\u00e8re peut \u00eatre math\u00e9matiquement sophistiqu\u00e9e et pourtant s'av\u00e9rer erron\u00e9e pour une raison bien simple : l'activit\u00e9 a \u00e9volu\u00e9 plus rapidement que ne le laissaient supposer les hypoth\u00e8ses sur lesquelles elle reposait.<\/span><\/p>\n Un client reporte une commande, un fournisseur augmente ses prix, une acquisition modifie la base de co\u00fbts ou la direction continue d'utiliser un mod\u00e8le de relation entre l'offre et la demande qui fonctionnait avant la variation des taux d'int\u00e9r\u00eat. Les syst\u00e8mes de pr\u00e9vision traditionnels ne prennent souvent conscience de ces changements qu'une fois qu'ils se sont r\u00e9percut\u00e9s sur les comptes mensuels. L'intelligence artificielle promet de les d\u00e9tecter plus t\u00f4t en traitant davantage d'informations, en actualisant les pr\u00e9visions plus fr\u00e9quemment et en identifiant des relations que les mod\u00e8les conventionnels pourraient n\u00e9gliger.<\/span><\/p>\n Cette promesse est cr\u00e9dible, mais elle doit \u00eatre nuanc\u00e9e. L'IA ne rend pas pr\u00e9visible un avenir incertain, pas plus qu'elle ne supprime le jugement inh\u00e9rent au choix des donn\u00e9es, des sc\u00e9narios et des hypoth\u00e8ses commerciales. Sa principale contribution est g\u00e9n\u00e9ralement d'ordre plus pratique : elle permet aux \u00e9quipes financi\u00e8res d'\u00e9tablir des pr\u00e9visions plus rapidement, de tester davantage de variables et d'identifier les \u00e9carts entre les performances r\u00e9elles et les pr\u00e9visions.<\/span><\/p>\n Son adoption dans le secteur des services financiers est d\u00e9j\u00e0 tr\u00e8s r\u00e9pandue. Dans une enqu\u00eate men\u00e9e en 2024 par la Banque d\u2019Angleterre et la Financial Conduct Authority, 75 % des entreprises interrog\u00e9es ont d\u00e9clar\u00e9 utiliser l\u2019IA, contre 58 % en 2022, et 10 % suppl\u00e9mentaires pr\u00e9voient de l\u2019adopter d\u2019ici trois ans. Pourtant, les avantages les plus fr\u00e9quemment cit\u00e9s concernaient l'analyse des donn\u00e9es, la pr\u00e9vention de la criminalit\u00e9 financi\u00e8re, la cybers\u00e9curit\u00e9 et l'efficacit\u00e9 op\u00e9rationnelle, plut\u00f4t que des pr\u00e9visions de march\u00e9 ou de r\u00e9sultats syst\u00e9matiquement sup\u00e9rieures.<\/span><\/p>\n Cette distinction est importante. L'IA peut am\u00e9liorer consid\u00e9rablement le processus de pr\u00e9vision sans pour autant rendre chaque pr\u00e9vision plus pr\u00e9cise.<\/span><\/p>\n La plupart des pr\u00e9visions d'entreprise sont encore \u00e9tablies en combinant les performances historiques, les hypoth\u00e8ses de la direction et les ajustements fournis par les divisions op\u00e9rationnelles. Le chiffre d'affaires peut \u00eatre estim\u00e9 \u00e0 partir des carnets de commandes, les co\u00fbts extrapol\u00e9s \u00e0 partir des p\u00e9riodes pr\u00e9c\u00e9dentes et les flux de tr\u00e9sorerie calcul\u00e9s \u00e0 partir des cycles de paiement pr\u00e9vus.<\/span><\/p>\n Cette m\u00e9thode est compr\u00e9hensible et v\u00e9rifiable, mais elle peut s'av\u00e9rer lente. Le temps que les donn\u00e9es soient collect\u00e9es, rapproch\u00e9es, valid\u00e9es et consolid\u00e9es, le contexte \u00e9conomique peut d\u00e9j\u00e0 avoir \u00e9volu\u00e9. Les pr\u00e9visions peuvent \u00e9galement devenir des documents \u00e0 caract\u00e8re politique. Les \u00e9quipes commerciales peuvent vouloir pr\u00e9server des objectifs ambitieux, les unit\u00e9s op\u00e9rationnelles peuvent pr\u00e9voir des marges de s\u00e9curit\u00e9 budg\u00e9taires et la direction peut s'opposer \u00e0 des sc\u00e9narios qui contredisent le discours qu'elle souhaite faire valoir.<\/span><\/p>\n L'IA ne supprime pas ces incitations. Elle peut toutefois constituer un point de r\u00e9f\u00e9rence analytique ind\u00e9pendant.<\/span><\/p>\n Les mod\u00e8les d'apprentissage automatique peuvent analyser simultan\u00e9ment l'historique des transactions, la demande de produits, le comportement des clients, les tarifs, les donn\u00e9es relatives \u00e0 la cha\u00eene d'approvisionnement et les indicateurs externes. Ils sont capables de d\u00e9tecter des relations non lin\u00e9aires, telles qu'une baisse des commandes r\u00e9currentes qui ne devient significative que lorsqu'elle est associ\u00e9e \u00e0 des d\u00e9lais de livraison plus longs et \u00e0 une baisse de l'engagement sur le site web.<\/span><\/p>\n Elles peuvent \u00e9galement actualiser leurs pr\u00e9visions \u00e0 mesure que de nouvelles informations sont disponibles. Au lieu de refaire ses pr\u00e9visions trimestrielles une fois la p\u00e9riode de r\u00e9f\u00e9rence cl\u00f4tur\u00e9e, une entreprise peut recourir \u00e0 des pr\u00e9visions glissantes qui s'adaptent aux variations quotidiennes ou hebdomadaires des ventes, des stocks, des encaissements et des donn\u00e9es de march\u00e9.<\/span><\/p>\n L'int\u00e9r\u00eat commercial ne r\u00e9side pas simplement dans l'obtention d'un chiffre annuel plus pr\u00e9cis. Il s'agit plut\u00f4t de prendre conscience plus t\u00f4t que le plan actuel n'est plus r\u00e9aliste.<\/span><\/p>\n \u201cLa \u201d pr\u00e9vision financi\u00e8re \u00bb recouvre plusieurs t\u00e2ches qui ne doivent pas \u00eatre consid\u00e9r\u00e9es comme un seul et m\u00eame probl\u00e8me technique.<\/span><\/p>\n Une \u00e9quipe de tr\u00e9sorerie peut \u00e9tablir des pr\u00e9visions concernant la liquidit\u00e9 quotidienne et le calendrier des paiements des clients. Un d\u00e9taillant peut pr\u00e9voir la demande au niveau des produits et des magasins. Une banque peut estimer les pertes sur cr\u00e9ances selon diff\u00e9rents sc\u00e9narios \u00e9conomiques, tandis qu\u2019un gestionnaire d\u2019actifs peut mod\u00e9liser la volatilit\u00e9, la liquidit\u00e9 ou les tensions sur les march\u00e9s.<\/span><\/p>\n Les donn\u00e9es pertinentes, l'horizon temporel et le co\u00fbt de l'erreur varient selon les cas.<\/span><\/p>\n La pr\u00e9vision de la demande se pr\u00eate souvent bien \u00e0 l'apprentissage automatique, car les entreprises disposent souvent de grandes quantit\u00e9s de donn\u00e9es transactionnelles r\u00e9currentes et de variables observables telles que les promotions, la saisonnalit\u00e9, les variations de prix et les conditions locales. La pr\u00e9vision des flux de tr\u00e9sorerie peut tirer parti de mod\u00e8les qui estiment la date de paiement probable de chaque facture, plut\u00f4t que d'appliquer une hypoth\u00e8se de recouvrement moyenne \u00e0 l'ensemble des clients.<\/span><\/p>\n Les pr\u00e9visions macro\u00e9conomiques et de march\u00e9 sont plus complexes. Les \u00e9v\u00e9nements financiers majeurs sont rares, les corr\u00e9lations historiques peuvent \u00e9voluer et les acteurs du march\u00e9 r\u00e9agissent aux m\u00eames informations que celles que le mod\u00e8le tente d'exploiter. Un mod\u00e8le entra\u00een\u00e9 sur une p\u00e9riode stable peut afficher de mauvaises performances lorsque l'inflation, les taux d'int\u00e9r\u00eat ou la liquidit\u00e9 sortent de leur fourchette habituelle.<\/span><\/p>\n L'IA s'av\u00e8re donc particuli\u00e8rement utile lorsque l'organisation dispose d'observations fr\u00e9quentes, d'un r\u00e9sultat mesurable et d'un processus permettant de tester rapidement les pr\u00e9visions. Elle est moins fiable lorsque l'\u00e9v\u00e9nement cible est rare, que les donn\u00e9es sont limit\u00e9es ou que la structure \u00e9conomique elle-m\u00eame est en pleine \u00e9volution.<\/span><\/p>\n L'IA est capable de traiter bien plus d'informations qu'un tableur classique, y compris des donn\u00e9es non structur\u00e9es telles que des actualit\u00e9s, des conf\u00e9rences t\u00e9l\u00e9phoniques sur les r\u00e9sultats financiers, des contrats, des messages de clients et des \u00e9changes avec les fournisseurs.<\/span><\/p>\n Cela procure un avantage apparent, mais augmente \u00e9galement le risque d'erreur.<\/span><\/p>\n Les donn\u00e9es financi\u00e8res internes peuvent comporter des champs manquants, des codes produit incoh\u00e9rents, des transactions en double ou des changements dans le traitement comptable. Les diff\u00e9rentes entit\u00e9s op\u00e9rationnelles peuvent avoir des d\u00e9finitions diff\u00e9rentes des notions de chiffre d'affaires, de clients actifs ou de commandes confirm\u00e9es. Les donn\u00e9es historiques peuvent refl\u00e9ter une organisation qui n'existe plus \u00e0 la suite d'une restructuration ou d'une acquisition.<\/span><\/p>\n Les donn\u00e9es externes posent d'autres probl\u00e8mes. Les actualit\u00e9s et les signaux issus des r\u00e9seaux sociaux peuvent \u00eatre r\u00e9p\u00e9titifs, manipul\u00e9s ou n'avoir qu'un lien t\u00e9nu avec la variable financi\u00e8re \u00e0 pr\u00e9voir. Les indicateurs \u00e9conomiques sont souvent r\u00e9vis\u00e9s apr\u00e8s leur publication, ce qui cr\u00e9e le risque qu'un mod\u00e8le test\u00e9 r\u00e9trospectivement tire parti d'informations qui n'\u00e9taient pas disponibles \u00e0 l'\u00e9poque.<\/span><\/p>\n Le premier investissement dans l'IA devrait donc souvent porter sur l'architecture des donn\u00e9es plut\u00f4t que sur un mod\u00e8le de pr\u00e9vision. Les entreprises ont besoin de d\u00e9finitions communes, d'horodatages fiables, d'une attribution claire de la responsabilit\u00e9 et d'un historique des transformations subies par les donn\u00e9es.<\/span><\/p>\n Un algorithme sophistiqu\u00e9, entra\u00een\u00e9 \u00e0 partir de donn\u00e9es op\u00e9rationnelles peu fiables, peut g\u00e9n\u00e9rer une version tr\u00e8s convaincante d'une r\u00e9ponse erron\u00e9e.<\/span><\/p>\n Il est difficile d'\u00e9valuer les affirmations selon lesquelles l'IA am\u00e9liorerait la pr\u00e9cision des pr\u00e9visions de 30 ou 40 %, sans conna\u00eetre la valeur de r\u00e9f\u00e9rence, la p\u00e9riode consid\u00e9r\u00e9e et la mesure d'erreur.<\/span><\/p>\n Un syst\u00e8me sophistiqu\u00e9 doit d'abord \u00eatre compar\u00e9 \u00e0 un mod\u00e8le simple. Si les ventes du mois dernier ou une moyenne saisonni\u00e8re permettent de pr\u00e9voir l'activit\u00e9 avec une pr\u00e9cision presque \u00e9quivalente, la complexit\u00e9 suppl\u00e9mentaire n'est peut-\u00eatre pas justifi\u00e9e au regard de son co\u00fbt.<\/span><\/p>\n Les entreprises doivent \u00e9galement d\u00e9terminer quelles erreurs sont significatives. Une pr\u00e9vision peut donner de bons r\u00e9sultats en moyenne tout en passant \u00e0 c\u00f4t\u00e9 des sc\u00e9narios extr\u00eames qui pr\u00e9sentent le plus grand risque financier. Elle peut pr\u00e9dire avec pr\u00e9cision le chiffre d'affaires annuel, mais ne pas anticiper de br\u00e8ves p\u00e9riodes de tension de tr\u00e9sorerie. Un mod\u00e8le de demande peut minimiser l'erreur globale tout en sous-estimant syst\u00e9matiquement les produits pr\u00e9sentant les marges les plus \u00e9lev\u00e9es.<\/span><\/p>\n Des indicateurs tels que l'erreur absolue moyenne peuvent donner une id\u00e9e de l'ampleur typique d'un \u00e9cart. Les mesures exprim\u00e9es en pourcentage peuvent aider \u00e0 comparer des produits ou des entit\u00e9s commerciales de tailles diff\u00e9rentes, m\u00eame si elles perdent de leur fiabilit\u00e9 lorsque les valeurs r\u00e9elles tendent vers z\u00e9ro. La pr\u00e9cision directionnelle peut s'av\u00e9rer importante lorsque la d\u00e9cision d\u00e9pend davantage de l'\u00e9volution des conditions (am\u00e9lioration ou d\u00e9t\u00e9rioration) que d'un chiffre pr\u00e9cis.<\/span><\/p>\n En fin de compte, la pr\u00e9vision doit \u00eatre \u00e9valu\u00e9e \u00e0 l'aune de la d\u00e9cision qu'elle a permis de prendre. A-t-elle permis d'optimiser la r\u00e9partition des stocks, de r\u00e9duire les emprunts d'urgence, d'identifier une d\u00e9t\u00e9rioration de la qualit\u00e9 du cr\u00e9dit ou de permettre \u00e0 la direction d'intervenir plus t\u00f4t ?<\/span><\/p>\n Un mod\u00e8le qui am\u00e9liore un score statistique sans modifier une d\u00e9cision commerciale n'a qu'une valeur limit\u00e9e.<\/span><\/p>\n Ce choix est souvent pr\u00e9sent\u00e9 comme opposant le jugement humain \u00e0 l'intelligence artificielle. Dans la pratique, la conception la plus efficace attribue \u00e0 chacun un r\u00f4le diff\u00e9rent.<\/span><\/p>\n Un mod\u00e8le est capable d'appliquer la m\u00eame logique \u00e0 de grands ensembles de donn\u00e9es, de d\u00e9tecter des tendances et de produire des mises \u00e0 jour fr\u00e9quentes. Un professionnel de la finance peut ainsi se rendre compte que l'entreprise est en train de fermer une usine, de p\u00e9n\u00e9trer un march\u00e9 ou de ren\u00e9gocier un contrat d'une mani\u00e8re qui n'a pratiquement pas de pr\u00e9c\u00e9dent historique.<\/span><\/p>\n L'intervention humaine pose probl\u00e8me lorsqu'elle n'est pas document\u00e9e ou qu'elle est automatiquement privil\u00e9gi\u00e9e. Les responsables peuvent passer outre un mod\u00e8le parce qu'ils disposent d'informations pertinentes, mais aussi parce que sa conclusion ne leur convient pas.<\/span><\/p>\n Un processus rigoureux permet de consigner chaque ajustement apport\u00e9 aux donn\u00e9es, les \u00e9l\u00e9ments justificatifs qui le sous-tendent et le r\u00e9sultat qui en d\u00e9coule. Au fil du temps, l'entreprise peut ainsi d\u00e9terminer si ces interventions humaines ont permis d'am\u00e9liorer les pr\u00e9visions ou si elles ont introduit un optimisme syst\u00e9matique.<\/span><\/p>\n Cela cr\u00e9e une boucle de r\u00e9troaction importante. L'organisation apprend non seulement si le mod\u00e8le est pr\u00e9cis, mais aussi dans quels cas le jugement manag\u00e9rial apporte une valeur ajout\u00e9e et dans quels cas il fausse syst\u00e9matiquement le r\u00e9sultat.<\/span><\/p>\n La pr\u00e9vision devient alors un processus d\u00e9cisionnel encadr\u00e9, plut\u00f4t qu'un chiffre g\u00e9n\u00e9r\u00e9 par une machine ou par un cadre sup\u00e9rieur.<\/span><\/p>\n La demande d'une pr\u00e9vision unique et pr\u00e9cise refl\u00e8te souvent les habitudes de la direction en mati\u00e8re de reporting plut\u00f4t que la nature m\u00eame de l'incertitude.<\/span><\/p>\n L'IA peut am\u00e9liorer l'analyse de sc\u00e9narios en mod\u00e9lisant de nombreuses combinaisons de demande, de tarification, de co\u00fbts de financement, de taux de change et de perturbations op\u00e9rationnelles. Elle peut aider la direction \u00e0 identifier les variables les plus importantes et \u00e0 d\u00e9terminer dans quels cas une l\u00e9g\u00e8re variation a un impact disproportionn\u00e9 sur la tr\u00e9sorerie ou la rentabilit\u00e9.<\/span><\/p>\n Cela s'av\u00e8re particuli\u00e8rement utile lorsque les conditions sortent du cadre de l'exp\u00e9rience r\u00e9cente de l'entreprise. Plut\u00f4t que de demander au mod\u00e8le de pr\u00e9dire le taux de change ou le taux de d\u00e9faut exact dans six mois, la direction peut examiner ce qui se passerait selon plusieurs sc\u00e9narios coh\u00e9rents.<\/span><\/p>\n Tout r\u00e9side dans la pr\u00e9paration. Une pr\u00e9vision doit indiquer \u00e0 quel moment un financement suppl\u00e9mentaire serait n\u00e9cessaire, quels co\u00fbts pourraient \u00eatre r\u00e9duits, quel serait le niveau r\u00e9siduel d'exposition li\u00e9 aux stocks et quels indicateurs pr\u00e9coces signaleraient que le sc\u00e9nario d\u00e9favorable est en train de se concr\u00e9tiser.<\/span><\/p>\n L'IA g\u00e9n\u00e9rative peut apporter son aide en transformant les r\u00e9sultats des mod\u00e8les en explications compr\u00e9hensibles ou en recherchant dans les donn\u00e9es internes les facteurs pertinents. Elle ne devrait pas \u00eatre autoris\u00e9e \u00e0 inventer des r\u00e9cits causaux simplement parce que le mod\u00e8le num\u00e9rique sous-jacent a d\u00e9tect\u00e9 une corr\u00e9lation.<\/span><\/p>\n L'explication doit pouvoir \u00eatre rattach\u00e9e \u00e0 des donn\u00e9es r\u00e9elles et \u00e0 des m\u00e9canismes commerciaux connus.<\/span><\/p>\n Une pr\u00e9vision bas\u00e9e sur l'IA n'est pas d\u00e9finitive d\u00e8s sa mise en production. Ses performances peuvent diminuer \u00e0 mesure que le comportement des clients, la structure du march\u00e9 ou les processus internes \u00e9voluent.<\/span><\/p>\n C'est ce qu'on appelle la \u00ab d\u00e9rive du mod\u00e8le \u00bb. Un mod\u00e8le de cr\u00e9dit peut perdre en fiabilit\u00e9 \u00e0 la suite d'une variation des taux d'int\u00e9r\u00eat. Un mod\u00e8le de demande peut se d\u00e9t\u00e9riorer lorsque l'entreprise modifie sa strat\u00e9gie de tarification ou ses canaux de distribution. Un mod\u00e8le de recouvrement peut mal interpr\u00e9ter les comportements apr\u00e8s la mise en place de nouvelles conditions de paiement.<\/span><\/p>\n Le suivi doit donc porter sur les donn\u00e9es d'entr\u00e9e, l'erreur de pr\u00e9diction et la stabilit\u00e9 des relations sur lesquelles repose le mod\u00e8le. Des seuils doivent \u00eatre d\u00e9finis pour d\u00e9terminer \u00e0 quel moment le syst\u00e8me doit faire l'objet d'une r\u00e9vision, d'un r\u00e9entra\u00eenement ou d'un retrait.<\/span><\/p>\n L'auto-apprentissage ne supprime pas cette exigence. Un mod\u00e8le qui se met \u00e0 jour automatiquement peut s'adapter \u00e0 un changement r\u00e9el, mais il peut \u00e9galement amplifier un bruit temporaire ou apprendre \u00e0 partir de donn\u00e9es corrompues par une erreur op\u00e9rationnelle.<\/span><\/p>\n Les pr\u00e9visions importantes doivent avoir un responsable clairement identifi\u00e9, des limites document\u00e9es et un processus approuv\u00e9 pour toute modification. L'enqu\u00eate men\u00e9e par la Banque d'Angleterre et la FCA a r\u00e9v\u00e9l\u00e9 que 84 % des entreprises ayant r\u00e9pondu avaient d\u00e9sign\u00e9 une personne responsable de leur cadre d'IA, m\u00eame si cette responsabilit\u00e9 \u00e9tait souvent r\u00e9partie entre plusieurs personnes ou instances.<\/span><\/p>\n Cette responsabilit\u00e9 prend d'autant plus d'importance que les pr\u00e9visions se rapprochent d'une prise de d\u00e9cision autonome. Dans cette m\u00eame enqu\u00eate, 55 % des cas d'utilisation de l'IA comportaient un certain degr\u00e9 de prise de d\u00e9cision automatis\u00e9e, mais seuls 2 % \u00e9taient enti\u00e8rement autonomes.<\/span><\/p>\n La tendance actuelle au niveau institutionnel est donc \u00e0 le renforcement, et non \u00e0 la suppression, de la responsabilit\u00e9 humaine.<\/span><\/p>\n De nombreuses organisations ne d\u00e9veloppent pas leurs mod\u00e8les de pr\u00e9vision enti\u00e8rement en interne. Elles ont recours \u00e0 des plateformes cloud, \u00e0 des mod\u00e8les de base, \u00e0 des logiciels de planification financi\u00e8re et \u00e0 des fournisseurs de donn\u00e9es sp\u00e9cialis\u00e9s.<\/span><\/p>\n Cela peut acc\u00e9l\u00e9rer l'adoption de ces solutions et permettre d'acc\u00e9der \u00e0 une expertise dont le maintien en interne serait co\u00fbteux. Cela engendre toutefois des risques li\u00e9s \u00e0 la concentration et au contr\u00f4le.<\/span><\/p>\n Un mod\u00e8le tiers peut s'av\u00e9rer difficile \u00e0 expliquer ou \u00e0 valider. Son fournisseur peut modifier la m\u00e9thodologie, les sources de donn\u00e9es ou les conditions commerciales. Des informations sensibles peuvent transiter par une infrastructure utilis\u00e9e par de nombreuses autres soci\u00e9t\u00e9s financi\u00e8res.<\/span><\/p>\n L'enqu\u00eate men\u00e9e au Royaume-Uni en 2024 a r\u00e9v\u00e9l\u00e9 qu'un tiers des cas d'utilisation de l'IA signal\u00e9s reposaient sur des impl\u00e9mentations tierces. Elle a \u00e9galement mis en \u00e9vidence une forte concentration parmi les fournisseurs de services cloud, de mod\u00e8les et de donn\u00e9es, tandis que pr\u00e8s de la moiti\u00e9 des personnes interrog\u00e9es ont d\u00e9clar\u00e9 n'avoir qu'une compr\u00e9hension partielle des technologies d'IA qu'elles utilisaient.<\/span><\/p>\n Les entreprises doivent donc d\u00e9terminer quels \u00e9l\u00e9ments proviennent de sources externes, quelles informations y sont int\u00e9gr\u00e9es et si les pr\u00e9visions peuvent se poursuivre en cas d'indisponibilit\u00e9 d'un fournisseur. Les contrats doivent aborder les questions relatives \u00e0 la propri\u00e9t\u00e9 des donn\u00e9es, aux modifications des mod\u00e8les, aux incidents de s\u00e9curit\u00e9, aux droits d'audit et \u00e0 la possibilit\u00e9 de r\u00e9cup\u00e9rer les r\u00e9sultats historiques.<\/span><\/p>\n Les march\u00e9s publics ne peuvent \u00eatre dissoci\u00e9s d'un mod\u00e8le de gouvernance.<\/span><\/p>\n Le meilleur point de d\u00e9part est une pr\u00e9vision cibl\u00e9e, li\u00e9e \u00e0 un probl\u00e8me op\u00e9rationnel co\u00fbteux. Il peut s'agir de probl\u00e8mes de liquidit\u00e9s \u00e0 court terme, de retards de paiement, de la demande de produits ou de la perte de client\u00e8le.<\/span><\/p>\n L'entreprise doit d\u00e9finir ses erreurs de pr\u00e9vision actuelles et son processus d\u00e9cisionnel avant de mettre en place l'IA. Sans r\u00e9f\u00e9rence, il sera impossible de d\u00e9terminer si le nouveau syst\u00e8me a am\u00e9lior\u00e9 les performances ou s'il s'agit simplement d'un changement d'interface.<\/span><\/p>\n Le projet pilote doit se d\u00e9rouler parall\u00e8lement au processus existant pendant une dur\u00e9e suffisante pour permettre de rencontrer des situations vari\u00e9es. Les r\u00e9sultats doivent \u00eatre \u00e9valu\u00e9s hors \u00e9chantillon, en tenant compte des co\u00fbts correspondants et sans exclure de mani\u00e8re s\u00e9lective les p\u00e9riodes difficiles.<\/span><\/p>\n Les \u00e9quipes charg\u00e9es des finances, de la technologie, de la gestion des risques et des activit\u00e9s doivent s'accorder sur la question de savoir \u00e0 qui appartient le mod\u00e8le, qui peut le modifier et selon quelles modalit\u00e9s les modifications sont approuv\u00e9es. Les utilisateurs ont \u00e9galement besoin d'explications sur les principaux facteurs qui sous-tendent les pr\u00e9visions, m\u00eame lorsque le mod\u00e8le sous-jacent est techniquement complexe.<\/span><\/p>\n Le crit\u00e8re ultime est d'ordre comportemental. Une entreprise ne tire gu\u00e8re d'avantage \u00e0 d\u00e9tecter une d\u00e9t\u00e9rioration trois semaines plus t\u00f4t si ses dirigeants ne savent pas quelles mesures prendre ou refusent de modifier le plan.<\/span><\/p>\n L'IA peut r\u00e9duire le d\u00e9lai entre l'apparition d'une nouvelle information et la mise \u00e0 jour d'une pr\u00e9vision. Elle ne peut toutefois pas garantir qu'une organisation r\u00e9agira de mani\u00e8re judicieuse.<\/span><\/p>\n Cette technologie am\u00e9liore d\u00e9j\u00e0 le traitement des donn\u00e9es, la reconnaissance des mod\u00e8les et la rapidit\u00e9 avec laquelle les \u00e9quipes financi\u00e8res peuvent tester leurs hypoth\u00e8ses. Sa contribution la plus durable est peut-\u00eatre moins spectaculaire que l'affirmation selon laquelle elle permettrait de pr\u00e9dire l'avenir avec une pr\u00e9cision sans pr\u00e9c\u00e9dent. Elle peut rendre l'incertitude plus visible, mettre en \u00e9vidence plus t\u00f4t les hypoth\u00e8ses fragiles et donner \u00e0 la direction davantage de temps pour agir.<\/span><\/p>\n C'est une nette am\u00e9lioration. Mais cela ne revient pas \u00e0 une certitude.<\/span><\/p>\n Quand les pr\u00e9visions classiques ne suffisent plus<\/span><\/h2>\n
Des pr\u00e9visions diff\u00e9rentes n\u00e9cessitent des mod\u00e8les diff\u00e9rents<\/span><\/h2>\n
Une quantit\u00e9 plus importante de donn\u00e9es ne garantit pas automatiquement une meilleure compr\u00e9hension.<\/span><\/h2>\n
La pr\u00e9cision des pr\u00e9visions doit \u00eatre \u00e9valu\u00e9e par rapport \u00e0 un crit\u00e8re quelconque<\/span><\/h2>\n
Le syst\u00e8me le plus efficace pourrait bien \u00eatre celui qui associe des mod\u00e8les et des personnes<\/span><\/h2>\n
L'analyse de sc\u00e9narios peut s'av\u00e9rer plus importante qu'une simple pr\u00e9vision<\/span><\/h2>\n
La d\u00e9rive des mod\u00e8les est un probl\u00e8me de gouvernance<\/span><\/h2>\n
La d\u00e9pendance vis-\u00e0-vis des prestataires externes doit faire l'objet d'un examen minutieux<\/span><\/h2>\n
Comment les responsables financiers devraient mettre en \u0153uvre les pr\u00e9visions bas\u00e9es sur l'IA<\/span><\/h2>\n
\n