Workiva renforce les contrôles de l’IA dans le reporting financier

Contexte et enjeux

Selon une interview réalisée lors de l'événement Amplify de Workiva, 84 % des dirigeants déclarent être au moins partiellement disposés à laisser l’IA générer un rapport annuel sans relecture humaine. Cette confiance apparente contraste avec le constat que seulement 11 % des cadres jugent leurs données suffisamment fiables pour alimenter des modèles d’IA. Le décalage révèle une tension entre l’appétit pour l’automatisation et la maturité des fondations de données, un facteur critique pour la conformité réglementaire et la précision des états financiers.

Dans ce contexte, la gouvernance de l’IA devient un prérequis : les équipes financières doivent pouvoir retracer l’origine de chaque chiffre, identifier les transformations appliquées et valider les étapes d’approbation. Sans ces mécanismes, une erreur isolée peut se propager rapidement, transformant un simple bug en une défaillance de contrôle systémique.

Mécanismes de gouvernance proposés

Workiva propose d’appliquer les contrôles traditionnels de reporting – traçabilité, séparation des tâches, approbation documentée – aux flux de travail assistés par IA. Le processus se décompose en quatre piliers : (1) identification de la source des données, (2) enregistrement des transformations algorithmiques, (3) validation des sorties par un acteur humain et (4) archivage des décisions d’approbation. Chaque étape est consignée dans un journal immuable, permettant aux auditeurs de reconstituer le cheminement complet d’un chiffre depuis son import initial jusqu’à sa publication.

Le modèle insiste sur la responsabilité humaine : même si l’outil génère le texte, la signature finale revient à un cadre qui doit attester de la conformité du contenu. Cette approche évite le piège d’une « signature » automatisée qui ne saurait garantir la qualité des données sous-jacentes.

Analyse des risques et limites

Le principal risque identifié réside dans la vitesse d’exécution de l’IA. Accélérer le cycle de reporting sans renforcer les contrôles de qualité transforme la rapidité en facteur de vulnérabilité. Une donnée erronée, introduite en amont, sera propagée à l’ensemble du rapport en quelques secondes, rendant la localisation de la source de l’erreur plus complexe. De plus, la dépendance à des jeux de données de mauvaise qualité – reflétée par le taux de 11 % de dirigeants satisfaits – signifie que l’IA peut amplifier les biais existants plutôt que les corriger.

Workiva suggère que l’IA pourrait, à terme, contribuer à l’amélioration de la qualité des données en détectant des incohérences, mais cette fonction reste conditionnée à la présence d’un jeu de données initialement fiable. En l’absence de métriques publiques sur la précision des modèles employés, il est difficile d’évaluer l’efficacité réelle de ces boucles de rétroaction.

En résumé, l’adoption de l’IA dans le reporting financier nécessite une double approche : renforcer les contrôles de gouvernance existants et investir dans la qualité des données de base. Sans ces deux leviers, la promesse d’une automatisation rapide risque de se transformer en un risque de conformité accru.