L’IA Redéfinit les Compétences des Équipes Financières

Christian Wattig est le fondateur d'Inside FP&A, une plateforme de cours en ligne qui enseigne aux équipes financières comment orienter de meilleures décisions commerciales. Il a formé des dirigeants chez Google, Merck, Lowe’s et Discover, et il a également occupé des postes en finance chez Procter & Gamble, Unilever et Squarespace.

Nous nous sommes entretenus avec lui pour comprendre les compétences requises des leaders financiers, maintenant que l’IA peut prendre en charge une grande partie du travail. Voici ce qu'il nous a dit.

Diriger la FP&A

Je suis expert en FP&A, créateur de cours en ligne et formateur en entreprise. Mes programmes en personne ont permis à des équipes financières de Google, Merck, Lowe’s, Discover et bien d’autres de prendre de meilleures décisions commerciales. Je dirige aussi le programme de certification FP&A à la Wharton School de l’Université de Pennsylvanie et je partage mes analyses sur LinkedIn ainsi que dans ma newsletter hebdomadaire.

Avant de fonder ma plateforme de cours en ligne, Inside FP&A, j'ai passé plus de dix ans chez Procter & Gamble et Unilever, à diriger des équipes FP&A et comptables sur divers marchés internationaux. Avant cela, j'ai rejoint des entreprises technologiques en forte croissance, notamment pour accompagner la mise en bourse de Squarespace et préparer la toute première communication financière de l’entreprise pour les analystes de Wall Street.

Comment l’IA devrait être utilisée en FP&A

Christian partage

Vous n’avez plus besoin d’une équipe de data science ni de logiciels coûteux pour créer une prévision algorithmique. ChatGPT, Claude et Gemini sont excellents pour établir des prévisions statistiques.

L’IA doit être utilisée pour produire votre première version d’analyse et de modélisation.

« Première version » est l’expression clé ici. On me dit souvent qu’on pensait que l’IA prendrait en charge 95 % des tâches de modélisation, mais construire des modèles financiers solides exige de passer plus de temps à revoir les résultats, ce qui réduit fortement le gain de temps.

Elle est également très utile pour la prévision basée sur l’analyse de séries chronologiques. Vous n’avez plus besoin d’une équipe de data science ni de logiciels coûteux pour créer une prévision algorithmique. ChatGPT, Claude et Gemini sont excellents pour établir des prévisions statistiques. Il vous suffit de leur fournir des données historiques et de leur demander de générer du code Python pour exécuter un modèle ARIMA dans Excel.

Et voici d’autres façons dont j’utilise l’IA dans la FP&A au quotidien :

• Analyse des écarts : Construire des arbres de causalité qui expliquent les écarts.
• Préparation aux réunions avec les partenaires métier : Arriver aux réunions prêt à recueillir les bonnes informations auprès des partenaires.
• Revue des budgets : Identifier les risques et opportunités dans le budget d’un partenaire métier sans détériorer la relation.
• Affinage des rapports : Raconter l’histoire derrière les chiffres
• Présentations au conseil d’administration : Anticiper les questions difficiles avant qu’elles ne soient posées

Pour des exemples de prompts sur chacun de ces cas d’usage, rendez-vous ici.

Certaines tâches, cependant, doivent rester humaines :

• Analyse approfondie
• Relations avec les partenaires métier
• Influence
• Évaluer les arbitrages

Pourquoi la variance dans les prévisions d’IA dépend des données d’entrée

Il y a quelques années, alors que je dirigeais une équipe FP&A dans une grande entreprise de biens de consommation, je maintenais la prévision du besoin en fonds de roulement. C’était une prévision titanesque, avec des dizaines de sous-prévisions par postes et divisions qui s’additionnaient pour donner le chiffre consolidé de l’entreprise. Comme c’était particulièrement complexe et chronophage, nous avons décidé de l’utiliser pour tester pour la première fois une approche de machine learning.

Nous avons externalisé le développement du modèle d’IA à un prestataire. Lorsque nous avons reçu les premiers résultats du nouveau modèle, puis que nous les avons comparés avec les valeurs réelles un mois plus tard, nous étions ravis. Les prévisions étaient nettement plus précises que les anciennes. J’étais persuadé que ce projet serait un succès retentissant, jusqu’à ce que l’équipe dirigeante demande une explication sur la variance restante entre les prédictions du modèle de machine learning et les résultats réels.

Je n'avais aucune idée de la façon de répondre à cette question car je n'avais pas participé à la création du modèle. J'ai contacté le data scientist responsable du modèle chez le prestataire externe. J'ai abordé le sujet de la même manière que j'analyserais un écart avec un modèle de prévision Excel traditionnel : je lui ai demandé de m'expliquer comment fonctionnait le modèle afin que je puisse identifier les causes potentielles de l'écart. Il m'a répondu : « Nous utilisons un ensemble de différents algorithmes d'apprentissage automatique. Ils sont en concurrence chaque mois, et le modèle le plus performant effectue la prévision. Concrètement, nous utilisons des algorithmes comme DeepAR d'Amazon, Temporal Fusion Transformer de Google, et des algorithmes traditionnels comme Holt-Winters et les modèles autorégressifs intégrés aux moyennes mobiles. Au total, l'ensemble comprend 12 algorithmes différents qui s'affrontent. Nous testons rétroactivement chacun d'eux, puis nous choisissons celui qui a la plus grande précision. »

Je n'ai compris que la moitié de ce qu'il disait, alors j'ai poursuivi avec : « D'accord, pourquoi penses-tu qu'il existe malgré tout un écart aussi important entre les résultats réels et les prévisions du modèle ? » Il m'a répondu qu'il n'en avait aucune idée car il ne comprenait pas notre métier.

La situation était la suivante : je ne comprenais pas le fonctionnement du modèle d'apprentissage automatique, et le data scientist ne comprenait pas le fonctionnement de l'entreprise. Comment pouvions-nous expliquer un écart dans ce contexte ? J'ai réfléchi à différentes solutions possibles pour résoudre ce problème. Devions-nous inviter le data scientist dans nos locaux pour lui expliquer l'activité ? Devions-nous demander à quelqu'un de notre équipe de suivre une formation sur l'apprentissage automatique et la data science ? Était-ce même possible d'apprendre cela sans obtenir un diplôme de mathématiques ou d'informatique ?

Il m'a fallu du temps, mais j'ai finalement compris que je prenais le problème à l'envers. En réalité, j'essayais tout simplement de résoudre la mauvaise problématique. Avec l'apprentissage automatique, on n'explique pas les écarts en pointant du doigt les défauts du modèle lui-même. Les algorithmes les plus avancés sont qualifiés de « modèles boîtes noires » pour une raison — même les scientifiques qui les ont conçus ne comprennent parfois pas les conclusions obtenues. J'ai compris que tout dépend des données en entrée. Si l'entrée est mauvaise, la sortie le sera aussi.

Pour expliquer des écarts avec l'apprentissage automatique, il faut vérifier si les données que nous fournissons au modèle sont correctes et suffisantes. Le meilleur moyen pour cela est de combiner l'expérimentation avec une approche appelée « backtesting » (test rétrospectif). Avec les modèles d'IA, vous pouvez faire comme si l'année passée n'avait pas encore eu lieu et demander au modèle de produire une prévision. Par exemple, si nous sommes en mai 2026, je peux demander au modèle IA de prévoir 2025 en lui fournissant des données historiques de 2020 à 2024. On peut alors comparer immédiatement la précision par rapport aux résultats réels, ajuster les données, et recommencer le test.

Au final, nous avons constaté que la précision des prévisions s'améliorait considérablement lorsque nous avons alimenté le modèle avec des données supplémentaires issues de nos systèmes de gestion des stocks, données auxquelles nous n'avions jamais pensé auparavant car cela aurait compliqué encore davantage nos modèles traditionnels basés sur des feuilles de calcul.

Pourquoi les directeurs financiers doivent standardiser les processus avant de déployer l’IA

L’IA ne corrige pas des processus financiers défaillants. Elle les amplifie.

J’ai vu suffisamment d’équipes financières adopter de nouvelles technologies pour savoir comment cela se passe. Les outils ne font qu'amplifier ce qui existe déjà, en bien ou en mal.

Si aujourd'hui votre analyse des écarts est un chaos, par exemple chaque analyste la rédige différemment, il n’y a pas de seuils communs, aucune structure cohérente — l’IA va propager ce désordre dans chaque centre de coût, rapidement et efficacement. Si vos modèles ne disposent d’aucune documentation ou norme de nommage, l’IA vous aidera à les casser encore plus vite. Si vos prévisions varient de 20% d’un mois à l’autre sans explication claire, l’IA continuera à les faire varier, mais avec une meilleure mise en forme.

Les équipes finance que je vois réellement tirer parti de ces outils ne sont pas celles qui ont les solutions les plus sophistiquées. Ce sont celles qui savaient déjà à quoi ressemblait un bon fonctionnement. Elles avaient des modèles. Elles avaient une définition claire de « utile ». Elles avaient fait le travail ingrat de la standardisation avant de demander quoi que ce soit à l’IA.

Pourquoi les équipes financières doivent adopter la méthode de Greg Brockman pour interagir avec l’IA

De nombreuses équipes financières ont du mal à obtenir de bons résultats de leurs outils d’IA car leurs instructions sont trop courtes ou pas assez précises. Elles utilisent l’IA comme si c’était une recherche Google.

Je recommande toujours la méthode de Greg Brockman pour élaborer des prompts sur les modèles de raisonnement :

1. Objectif
2. Format de sortie
3. Mises en garde
4. Contexte

Avec cette approche, les équipes obtiennent systématiquement de meilleurs résultats.

Comment les DAF doivent repenser le recrutement à l’ère de l’IA

Christian partage ses conseils

Faites attention à la confiance excessive, à une approche centrée sur les outils, à une communication faible et à l’absence de gestion des compromis. Ces trois exercices vous aideront à évaluer les attributs mentionnés ci-dessus.

Les DAF doivent réinventer leurs processus de sélection des candidats. L’ère de l’IA nécessite des compétences différentes.

Traditionnellement, les dirigeants se concentrent sur la rapidité d’exécution sur tableur, la maîtrise d’Excel et la qualité des rapports. Mais l’IA automatise toutes ces tâches. À la place, recherchez les compétences suivantes :

• Jugement en situation d’incertitude
• Communication professionnelle
• Pensée systémique
• Vitesse d’apprentissage
• Maitrise des données

Lorsque vous menez des entretiens pour tout type de poste, essayez ceci :

• Donnez aux candidats une explication d'écart ou un résumé de performance court, plausible et généré par l’IA. Demandez-leur ce qui semble douteux et ce qui doit être vérifié. Ensuite, invitez-les à le reformuler en quelques points clés pour un dirigeant.
• Demandez au candidat de vous donner les cinq premières questions qu’il poserait s’il devait expliquer pourquoi la prévision de revenus est inexacte — et pourquoi.
• Indiquez au candidat que vous vous attendez à une pression sur les marges et à une incertitude de la demande au prochain trimestre. Demandez-lui de définir trois scénarios, de nommer les facteurs clés, et de recommander quoi faire dès maintenant.

Faites attention à la confiance excessive, à une approche centrée sur les outils, à une communication faible et à l’absence de gestion des compromis. Ces trois exercices vous aideront à évaluer les attributs mentionnés ci-dessus.

Pourquoi les compétences stratégiques et l’analyse approfondie sont désormais essentielles

Les équipes financières doivent savoir ce qu’elles cherchent à optimiser.

Une fois tout ce temps libéré grâce à l’IA, les cadres s’attendront à ce qu’elles créent de la valeur différemment : en devenant des partenaires stratégiques et en réalisant des analyses approfondies. Elles devront relier les indicateurs opérationnels aux résultats financiers pour faire des recommandations concrètes sur la façon dont l’entreprise doit saisir les opportunités ou atténuer les risques.

En d’autres termes, il faut renforcer les compétences de haut niveau en finance stratégique que l’IA ne peut traiter. C’est la seule façon de conserver sa place à la table dans un avenir rendu possible par l’IA.

À suivre

Suivez le travail de Christian Wattig sur LinkedIn. Et apprenez de lui sur sa chaîne YouTube ou découvrez sa plateforme de cours en ligne, Inside FP&A.

D’autres interviews d’experts à venir sur The CFO Club !