L’expert financier natif de l’IA partage ses flux de travail — et explique comment il les rend auditables

Sergei Mochtchenkov travaille dans la finance depuis plus de 20 ans, notamment en tant que CFO. Il est aujourd’hui CFO à temps partagé et a conseillé plus de 300 clients dans un large éventail de secteurs.

Nous nous sommes entretenus avec Sergei pour en savoir plus sur les flux de travail et les outils qu’il utilise dans les organisations financières. Voici ce qu’il nous a expliqué.

Un CFO natif de l’IA

Je m’appelle Sergei Mochtchenkov, CFA. Je suis CFO à temps partagé, basé à Kyiv, et je travaille avec des entreprises en Amérique du Nord, en Europe et au-delà. Je travaille dans la finance depuis plus de 20 ans : modélisation financière, évaluation, analyse des investissements et visualisation des données (Excel, Power BI, SQL). Au fil du temps, j’ai conseillé plus de 300 clients, accompagné plus d’un milliard de dollars de transactions de dette et de capitaux propres ainsi que plusieurs introductions en bourse dans le secteur technologique, et occupé les fonctions de CFO ou d’analyste principal pour des entreprises allant d’une plateforme de marketing d’influence alimentée par l’IA à un fonds immobilier californien.

La structure est volontairement légère. Je suis au sommet en tant que CFO et analyste principal ; une petite équipe s’occupe de la tenue des comptes, des rapprochements et du reporting ; et des agents IA interviennent entre les deux — ils analysent les relevés bancaires, catégorisent les transactions, auditent les modèles et préparent les rapports. La complexité vient moins des effectifs que de la diversité : structures multi-entités, comptes intersociétés, mécanismes de distribution aux investisseurs, SAFEs et tables de capitalisation, ainsi qu’un ensemble hétérogène de solutions comptables (QuickBooks, Xero, Odoo, Shopify et Amazon Seller Central).

Mon approche de l’IA est née de la pratique, et non de la théorie. Le travail de CFO à temps partagé implique de servir de nombreux clients simultanément, et le goulot d’étranglement était toujours le même : des heures consacrées au nettoyage des données, à la reconstruction des modèles et à l’audit des feuilles de calcul avant même de pouvoir commencer toute réflexion véritable. Dès que l’IA est devenue suffisamment fiable pour lire un grand livre, analyser des relevés bancaires ou retracer une chaîne de formules défectueuse, j’ai réorganisé mon activité autour d’elle.

Aujourd’hui, je me présente comme un CFO à temps partagé natif de l’IA : l’IA prend en charge l’essentiel du travail sur les données et les premières versions, tandis que je consacre mon temps au jugement — comprendre ce que signifient les chiffres et ce que le dirigeant devrait faire ensuite.

Comment l’IA simplifie la préparation des données dans les opérations financières

Voici le plus grand changement que j’ai apporté avec l’IA : j’ai cessé de considérer la préparation des données brutes comme un travail humain.

Chaque nouvelle mission commençait par plusieurs jours de travail fastidieux — télécharger les relevés bancaires PDF de plusieurs banques, les convertir de manière semi-manuelle, puis catégoriser des milliers de transactions ligne par ligne avant de pouvoir commencer toute analyse. Des erreurs se glissaient dans le processus, et la personne la plus coûteuse de la mission consacrait son temps à la tâche la moins utile.

J’ai donc créé un processus assisté par l’IA. Claude écrit et exécute du Python (avec pdfplumber) qui analyse les relevés de différentes banques et les convertit en fichiers Excel propres, puis chaque résultat est validé par un contrôle complet des soldes — le solde d’ouverture plus les transactions doivent être égaux au solde de clôture, période par période — afin que rien ne soit accepté sur la seule base de la confiance. Les transactions sont ensuite enregistrées dans une base de données Supabase où l’IA les catégorise selon les règles de correspondance que je définis et approuve, et tout élément ambigu m’est transmis. Lors d’une mission récente, ce processus couvrait quatre entités auprès de quatre banques très différentes — américaines et saoudiennes, néobanques et banques traditionnelles.

Résultat : le délai de traitement de la phase consacrée aux données a fortement diminué, la précision s’est améliorée puisque la validation est systématique plutôt qu’effectuée par sondage, et mon temps est passé de la saisie au jugement — examiner les exceptions, les flux intersociétés et les éléments concernant les parties liées, car c’est là que se trouvent les véritables enseignements.

Comment l’IA facilite l’audit des modèles

J’effectue souvent des audits et des reconstructions de modèles financiers. Voici comment je procède :

• Étape 1 — Définir les règles : créer un projet Claude avec des instructions écrites : conventions de nommage, livrables en anglais uniquement, formules en texte brut, ainsi que les fichiers inclus et exclus du périmètre.
• Étape 2 — Inventaire et cartographie des dépendances : Claude, à l'aide de Python (openpyxl), répertorie chaque feuille, plage nommée, lien externe, nombre saisi en dur et schéma de formule, puis établit une cartographie de ce qui alimente quoi. Nous ne touchons à aucune cellule tant que nous ne comprenons pas la structure du modèle.
• Étape 3 — Recherche d'erreurs : l'IA retrace les chaînes de calcul par rapport à la logique prévue du modèle — cascades, TRI, échéanciers de dette, flux de trésorerie — et produit une liste d'erreurs détaillant l'emplacement des cellules, la gravité et l'impact en dollars. Avant de classer un élément comme une erreur méritant d'être corrigée, nous vérifions si un élément en aval lit cette cellule.
• Étape 4 — Exécution en deux conversations : j'utilise une conversation principale pour le cadrage et la revue, ainsi qu'une conversation d'exécution distincte. La conversation d'exécution reçoit un brief de mission écrit à la fois, l'exécute et vérifie indépendamment le raisonnement de la conversation principale. Lorsque deux passages de l'IA sont en désaccord, elle m'indique que je dois examiner la question plus en détail.
• Étape 5 — Vérification : j'effectue des recalculs complets, des analyses à la recherche d'erreurs nulles, des rapprochements avec les documents sources et des tests de résistance sur les principaux scénarios. Ensuite, je passe moi-même en revue les changements et la logique.

Pourquoi l'IA gère les données et les humains le jugement

En ce qui concerne l'utilisation de l'IA et celle des humains, ma règle est simple : l'IA prépare, teste et rédige une première version ; un humain décide et signe.

Je m'appuie sur l'IA pour :

• Ingérer et rapprocher les données : analyse des relevés, catégorisation des transactions, analyse des créances clients et des dettes fournisseurs.
• Auditer les modèles : retracer les chaînes de formules, trouver les liens rompus, les remplacements saisis en dur et les erreurs latentes dans les modèles des clients. L'IA lit des milliers de formules sans se fatiguer.
• Effectuer des prévisions : pour les clients du commerce électronique, j'ai créé des systèmes de prévision de la demande qui nettoient les données, les normalisent en fonction de la saisonnalité et des dépenses publicitaires, et produisent des fourchettes de ventes avec des intervalles de confiance de 95 % qui alimentent un plan d'approvisionnement.
• Analyser les écarts
• Rédiger un premier commentaire
• Exécuter des scénarios
• Effectuer des recherches telles que l'analyse comparative de la concurrence et l'étude des données de marché

Ce qui reste explicitement humain :

• Les hypothèses : un modèle n'est aussi bon que l'hypothèse de taux de croissance, de taux de capitalisation ou de taux d'attrition qui le sous-tend, et celles-ci nécessitent de comprendre l'entreprise et les personnes qui la dirigent.
• L'affectation du capital, les conclusions relatives à la valorisation et tout ce qui est transmis à un investisseur, un prêteur ou un conseil d'administration sous mon nom : en tant que titulaire du titre de CFA, je suis responsable de la conclusion, et cette responsabilité ne peut pas être déléguée à un modèle.
• Les décisions concernant les personnes et les relations : les réductions de coûts qui affectent les postes, les négociations et la conversation avec un fondateur dont le plan ne fonctionne pas.

Les deux principaux avantages de l'IA dans la finance

L'ampleur de la vérification a été un avantage majeur de l'IA. Elle contrôle de manière exhaustive des éléments qui étaient auparavant vérifiés par échantillonnage. Parmi les exemples récents : un classeur de vérification de 134 indicateurs pour le dossier de présentation destiné aux investisseurs d'une production cinématographique, dans lequel nous avons retracé chaque chiffre du dossier jusqu'aux documents sources ; un outil de devis client comprenant 126 tâches et environ 1 200 formules, avec zéro erreur de formule ; et une conversion de relevés bancaires pour quatre entités, dans laquelle chaque période a réussi un rapprochement complet des soldes.

Le coût est un autre avantage. L'IA permet aux organisations d'automatiser les tâches et processus répétitifs. Elle facilite également la suppression des licences logicielles inutilisées et des dépenses marketing consacrées à des canaux peu performants.

Les enseignements tirés des domaines où l'IA rencontre des difficultés

Les erreurs de l'IA sont dangereuses précisément parce qu'elles semblent professionnelles. J'ai vu des résultats soignés comportant une référence à une plage erronée ou une ligne mal interprétée, qui auraient pu passer une vérification superficielle. Un exemple modeste mais révélateur : des formules citées dans un rapport comportaient un signe égal initial, de sorte que le tableur tentait de les évaluer, produisant des références rompues et de fausses alertes de références circulaires. Désormais, une règle permanente exige que les formules des livrables soient rédigées en texte brut.

L'IA se fera également un plaisir de « corriger » des éléments qui n'ont aucune importance. Avant de décider s'il faut récupérer ou corriger une valeur, je vérifie d'abord si un élément en aval la lit effectivement. Cette simple discipline évite beaucoup d'efforts inutiles.

Voici également quelques domaines précis dans lesquels l'IA n'est pas à la hauteur :

• Les grands modèles Excel hérités : je m'attendais à ce que l'IA « comprenne simplement » et corrige un modèle de 30 onglets. Ce n'est pas le cas. Les classeurs volumineux avec des liens externes, des feuilles masquées, d'anciennes macros VBA ou des contrôles ActiveX, ainsi que des années de modifications successives, la dépassent — elle perd le fil d'un onglet à l'autre et propose des corrections qui provoquent des problèmes ailleurs. Des approches plus lentes et plus rigoureuses fonctionnent mieux : il faut d'abord établir un inventaire et une cartographie des dépendances du modèle ; ensuite, laisser l'IA traiter une tâche limitée à la fois, avec une vérification séparée du résultat. L'IA est une analyste performante, mais pas encore une architecte.
• Les prévisions en période de changement de régime : les prévisions statistiques et celles fondées sur l'apprentissage automatique sont excellentes lorsque l'avenir ressemble au passé — la demande saisonnière du commerce électronique, par exemple. Vivant et travaillant en Ukraine, je constate souvent à quel point les modèles fondés sur l'historique gèrent mal la guerre, les sanctions, les chocs monétaires et l'inflation soudaine des coûts. Dans ces environnements, l'IA produit des chiffres assurés mais dépourvus de véritable fondement ; la réflexion par scénarios et le jugement humain sont bien plus importants.

Et un point secondaire : la catégorisation des transactions atteint un plateau. L'IA en traite correctement la majeure partie, mais le reliquat ambigu — transferts entre parties liées, dépenses des propriétaires, flux intersociétés — correspond précisément à l'endroit où se situe le risque comptable, et cela nécessite toujours un référentiel de règles humain.

Comment l'IA introduit des risques de coûts cachés en finance

Les directeurs financiers doivent surveiller le coût du calcul informatique en tant que coût variable caché des biens vendus.

De nombreux dirigeants considèrent encore l'IA comme un logiciel — un abonnement fixe. Pour les produits natifs de l'IA, ce n'est pas le cas. Chaque action de l'utilisateur peut déclencher des appels au modèle, et le coût d'inférence évolue en fonction de l'utilisation, de la longueur des instructions et du choix du modèle. Une activité qui semble être une entreprise SaaS à forte marge peut ainsi se retrouver avec de véritables coûts variables volatils. Je vois régulièrement des jeunes pousses spécialisées dans l'IA dont les marges brutes s'érodent discrètement à mesure qu'elles se développent, car la conception de leur modèle reposait sur des marges de type logiciel et personne ne suivait le coût par client, par fonctionnalité ou par transaction.

La solution relève d'une discipline financière élémentaire appliquée à un nouveau poste de coûts : mesurer l'économie unitaire au niveau de l'appel à l'IA, intégrer le calcul informatique au coût des biens vendus là où il doit figurer, définir des budgets et des alertes, adapter la taille du modèle à la tâche et fixer le prix du produit en tenant compte du calcul informatique. Le contrôle du coût du calcul informatique relève désormais des responsabilités fondamentales de tout directeur financier dans une entreprise fortement dépendante de l'IA — ce n'est pas un détail technique.

Comment gérer l'IA

L'IA a besoin d'être gérée, pas seulement de recevoir des instructions. Au début, je la traitais comme un outil très rapide, mais elle se comporte bien davantage comme une nouvelle recrue brillante, sans mémoire de la veille et animée d'un fort désir d'être utile. Voici trois choses que je dirais à la personne que j'étais autrefois si je le pouvais :

• Écrire les règles une fois pour toutes. Chaque entreprise possède des conventions non écrites — la manière d'afficher les pourcentages, les comptes qui apparaissent dans chaque rapport, la façon de documenter les formules, la langue dans laquelle les livrables doivent être rédigés. Si elles n'existent que dans votre tête, l'IA fera « raisonnablement » quelque chose de différent à chaque fois.
• Séparer les questions des modifications. Demandez à l'IA pourquoi un chiffre semble étrange, et elle essaiera souvent de le « corriger ». Ma règle permanente est désormais la suivante : lorsque je pose une question, l'IA répond d'abord et attend mon approbation avant de modifier quoi que ce soit. Au début, cela m'aurait évité plusieurs modifications silencieuses que j'ai dû annuler.
• Garder des tâches limitées et préserver l'original. Lors de mes premières tentatives, je donnais trop de choses à faire à l'IA — « examine tout ce modèle et corrige-le ». Les résultats semblaient impressionnants et étaient difficiles à vérifier. Des consignes de tâche délimitées, une modification à la fois, une copie intacte de l'original et un journal des modifications rendent chaque étape vérifiable.

Ces trois choses m'auraient épargné des heures de reprise, quelques erreurs embarrassantes évitées de justesse lors de la revue, ainsi que la fausse conviction, pendant un certain temps, que la principale valeur de l'IA réside dans la rapidité. Sa principale valeur est de vous permettre de vérifier tout — mais uniquement si vous concevez le processus dans cette optique.

Comment utiliser l'IA dans le fonds de roulement

La plupart des équipes financières gèrent encore les créances, les dettes fournisseurs et les stocks à l'aide de rapports mensuels et de leur intuition, alors que c'est précisément là que la trésorerie est générée ou immobilisée. Mais l'IA est particulièrement performante dans ce domaine, car les données d'entrée sont volumineuses, répétitives et contiennent des tendances que les humains n'ont pas le temps de repérer.

Deux domaines que j'ai repensés :

• Planification des stocks et des achats pour le commerce électronique : pour des marques de vêtements de sport, de maillots de bain, de jouets et de barres protéinées, nous avons remplacé « recommander ce qui s'est vendu la saison dernière » par un système de prévision que j'ai déjà brièvement évoqué. Nous nettoyons l'historique des ventes, le normalisons en fonction de la saisonnalité et des dépenses publicitaires, prévoyons la demande avec des fourchettes à 95 %, puis élaborons un plan d'achat qui arbitre explicitement entre les coûts de stockage, la marge brute, le rendement des capitaux propres, les remises sur volume et les délais d'approvisionnement des fournisseurs. Le résultat est une décision d'achat fondée sur une gamme de scénarios, avec le coût d'une erreur dans un sens comme dans l'autre visible dès le départ — plutôt qu'une simple estimation.
• Créances clients, dettes fournisseurs et communications : je crée des analyses propulsées par Claude sur les créances clients, les dettes fournisseurs et les communications propres à l'entreprise, afin que la finance ne voie pas seulement qu'une facture est en retard, mais aussi pourquoi — un litige, un problème de livraison, un client en difficulté — et puisse agir plus tôt. Cette même approche permet de repérer les dettes fournisseurs en double ou inhabituelles ainsi que les conditions accordées par les fournisseurs qui ont progressivement dérivé sans attirer l'attention.

Pourquoi Claude Code et Cowork changent la donne dans la finance

Claude change la donne — en particulier sous sa forme agentique (Claude Code et Cowork), où il ne se contente pas de discuter, mais travaille avec des fichiers, écrit et exécute du Python, lit et crée des modèles Excel, et se connecte aux bases de données et aux applications métier.

Grâce à lui, je peux analyser des relevés bancaires, auditer un modèle de 30 onglets, créer un système de prévision, rédiger une note destinée aux investisseurs et constituer un jeu de données prêt pour Power BI — et, surtout, il écrit du code que je peux conserver, réexécuter et auditer, au lieu de me donner uniquement des réponses. Les instructions au niveau du projet me permettent d'encoder une fois les règles de chaque client, afin que le travail reste cohérent d'une session à l'autre.

Mais Excel reste inestimable. C'est toujours le langage que lisent les investisseurs, les prêteurs et les conseils d'administration, et les meilleurs flux de travail d'IA que j'exécute aboutissent à un tableur clair et transparent qu'un humain peut vérifier ligne par ligne.

Comment l'IA transforme les équipes et les parcours de formation

La pyramide est devenue un diamant. Traditionnellement, une équipe financière a besoin de nombreux profils juniors pour saisir les données, effectuer les rapprochements et préparer les premières versions des modèles, de quelques profils seniors pour les vérifier, et d'un associé au sommet. Aujourd'hui, l'IA prend en charge la majeure partie de cette base.

La composition des talents que je recherche a évolué en conséquence. La rapidité de traitement des données a moins de valeur ; en revanche, trois éléments sont devenus bien plus importants : comprendre comment une entreprise gagne de l'argent, savoir rédiger un brief précis et tester le résultat, et avoir l'assurance de dire à un fondateur qu'un chiffre ou un plan est erroné.

La question ouverte pour la profession concerne le parcours de formation. Les juniors apprenaient auparavant en effectuant les tâches ingrates. Si l'IA s'en charge, nous devons enseigner délibérément le discernement — en demandant aux collaborateurs d'examiner, de remettre en question et d'expliquer les résultats de l'IA plutôt que de les produire à partir de zéro.

Cinq conseils pour les directeurs financiers

Voici mes conseils aux directeurs financiers :

• Utilisez vous-même l’IA cette semaine, dans le cadre d’un travail réel. Ne déléguez pas l’IA à un comité d’innovation et n’attendez pas le déploiement parfait à l’échelle de l’entreprise. Prenez un processus pénible et répétitif — un rapprochement, un audit de modèle, une première version d’un dossier pour le conseil d’administration — et réalisez-le personnellement avec l’IA. Vous ne pouvez pas piloter une transformation que vous n’avez pas vécue.
• Concevez les contrôles avant de passer à l’échelle. Chaque flux de travail utilisant l’IA doit intégrer une vérification qui ne dépend pas de la confiance accordée à l’IA : une analyse des variations de solde, un rapprochement avec le grand livre, une seconde vérification indépendante. L’IA commet des erreurs plus rapidement et de manière plus convaincante qu’un analyste débutant ; la conception de vos contrôles doit donc être meilleure qu’auparavant.
• Conservez le jugement et la responsabilité du côté humain. Laissez l’IA préparer, tester et rédiger ; confiez aux personnes les hypothèses, l’allocation du capital et tout document signé en votre nom. Formalisez cette limite afin que votre équipe sache où elle se situe.
• Recomposez l’équipe, pas seulement les outils. L’équipe financière de demain sera plus réduite, plus expérimentée et davantage axée sur l’analyse. Investissez dans les personnes capables de formuler les questions, de remettre les chiffres en question et de dialoguer avec l’entreprise — ces compétences se renforcent avec l’IA ; le simple traitement des données, non.
• Mesurez la valeur, pas l’activité. Des rapports plus rapides, c’est appréciable, mais la vraie question est de savoir si vous identifiez davantage de valeur : une marge que vous n’aviez pas détectée, des liquidités immobilisées au mauvais endroit, une transaction mal valorisée. Si l’IA libère du temps à l’équipe financière et que ce temps ne sert pas à prendre des décisions, vous n’avez fait qu’automatiser l’ancien travail.

Suivez son travail

Vous pouvez suivre le travail de Sergei Mochtchenkov sur LinkedIn. Consultez également aistartupcfo.com et financialmodeling.net.

D’autres entretiens avec des experts seront bientôt publiés sur Le Club des directeurs financiers !