Contexte et enjeux

Dans les entreprises financières, l’introduction de modèles d’IA se heurte d’abord à la confiance que les équipes de comptabilité accordent aux résultats produits. Selon une enquête de mi‑année de Workiva, les dirigeants constatent que les réponses d’un modèle arrivent en microsecondes avec la même assurance apparente, qu’elles soient correctes ou non, créant un écart de fiabilité difficile à combler. Cette perception rend la gouvernance plus décisive que le simple coût d’acquisition des outils.

Rôle des ERP comme point d'ancrage

Les systèmes ERP, déjà intégrés aux processus de clôture et de reporting, offrent un socle technique stable pour le déploiement de l’IA. Accel Entertainment, qui exploite 29 000 machines à sous réparties sur 4 700 sites dans 10 États, centralise les flux de données provenant de dizaines de systèmes sources via son ERP. Cette centralisation permet de normaliser les entrées d’IA, limitant les variations de qualité de données qui pourraient fausser les analyses.

Mécanismes de gouvernance

Le modèle de gouvernance décrit par Christie Kozlik, directrice comptable d’Accel, repose sur trois piliers : définition précise de l’entrée, spécification de la sortie attendue et revue documentée. Chaque processus inclut les auditeurs internes et externes dès la phase de conception, évitant ainsi les corrections post‑déploiement. Par exemple, avant d’alimenter un modèle de génération de texte comme Claude, l’équipe identifie les champs du 10‑K ou du 10‑Q à automatiser, puis attribue un « risk rating » à chaque note de bas de page pour décider si elle est « AI‑ready ». Cette approche transforme la gouvernance en un workflow itératif plutôt qu’en un contrôle ponctuel.

Impacts mesurés et limites

Le critère de retour sur investissement le plus concret évoqué est la réduction du délai de clôture financière, passant de sept à cinq jours. Cette amélioration, bien que modeste, illustre comment la confiance dans les sorties d’IA peut accélérer des processus hautement réglementés comme le reporting à la SEC. Toutefois, la dépendance à la qualité des données d’entrée persiste : sans une cartographie exhaustive des sources, le modèle peut générer des réponses erronées avec la même assurance que les réponses correctes. De plus, l’étude ne fournit pas de métriques de précision post‑déploiement, ce qui limite l’évaluation objective des gains.