Un tiers des directeurs financiers font une pause sur le développement de l’IA : voici ce qu’ils ont compris et que les autres ne voient pas

Le département finance règle les factures de chaque outil IA de l’entreprise. C’est naturellement le premier à se pencher sur le retour sur investissement.

Plus d’un tiers des cadres financiers qui utilisent déjà l’IA ne prévoient pas de développer son utilisation cette année, selon une étude Forrester auprès de 1 279 décideurs financiers menée cette année à la demande d’Airwallex.

À première vue, cela ressemble à un recul. Au cours des dernières années, les entreprises ont intégré des copilotes, des outils d’automatisation et des modèles de plus en plus efficaces à leurs processus financiers, marketing, d’ingénierie et d’opérations. On pourrait s’attendre à une progression de cette adoption.

Cette pause surprise suggère quelque chose de plus complexe. Les équipes finance voient les deux côtés de l’adoption de l’IA. Elles observent les gains de productivité promis par les nouveaux outils, mais aussi les factures, les coûts de déploiement et les retombées qui doivent apparaître à terme dans le budget, la marge ou la trésorerie. Le département finance est donc l’un des premiers où l’enthousiasme pour l’IA se heurte à la question des résultats concrets de cet investissement.

Sauf indication contraire, toutes les statistiques mentionnées dans cet article proviennent de « Building An AI-Ready Finance Function », une étude réalisée par Forrester Consulting en juin 2026, à la demande d’Airwallex.

L’IA met en lumière des problèmes qui existaient déjà

L’obstacle à l’adoption le plus fréquemment évoqué dans l’étude est une expérience limitée des processus financiers par IA, citée par 53 % des sondés. Ils sont 40 % à déclarer qu’ils peinent à justifier de nouveaux investissements au-delà des gains de productivité à court terme. De plus, pour beaucoup d’entreprises, la technologie s’appuie sur des données fragmentées entre les différentes entités, les différents systèmes et les différents sites géographiques.

Les équipes finance ont passé des années à accumuler ces systèmes. Il est possible que votre entreprise utilise différentes plateformes comptables selon les filiales, qu’elle tienne à jour des plans comptables séparés, qu’elle rapproche manuellement les entités et qu’elle s’appuie sur des tableurs pour relier les informations.  Cette fragmentation contraint votre équipe à rassembler manuellement tous les points de données.

L’IA est beaucoup moins souple concernant la consolidation des données. Par exemple, un membre de l’équipe peut comprendre que le même fournisseur apparaisse sous trois noms légèrement différents dans trois registres comptables. En revanche, un agent IA tentant de rapprocher les transactions ne pourra agir que si ces incohérences dans les données sont résolues au préalable.

C’est pour cela que les données fragmentées figurent en haut de la liste d’obstacles cités. Dans l’étude Forrester, 58 % des cadres financiers dans la zone EMEA et 47 % dans la région Amérique du Nord l’identifient comme un défi technologique significatif.

Le problème des compétences est comparable. Les professionnels de la finance comprennent la comptabilité, les contrôles, la trésorerie et les questions opérationnelles de leur métier. Mais peu d’équipes ont déjà l’habitude d’adapter ces processus autour de l’IA, ce qui implique de décider où l’automatisation a sa place et où le jugement humain continue de prévaloir.

Pour procéder à ce réaménagement, il faut quelqu’un capable de faire une clôture et qui sait aussi travailler avec les modèles de données. On trouve encore peu de profils alliant compétences comptables et maîtrise des données sur le marché. La plupart des équipes doivent donc les créer avec les personnes déjà en poste.

La finance exige peut-être de l’IA une rentabilité trop rapide

Une autre raison pourrait expliquer la pause : les entreprises attendent que l’IA apporte un retour sur investissement trop tôt. Deloitte estime qu’un cas d’usage IA type prend deux à quatre ans avant d’être rentabilisé, contre 7 à 12 mois pour les autres investissements technologiques et seulement 6 % des dirigeants que le cabinet a sondés ont rapporté un rendement en l’espace d’un an.

La plupart des investissements technologiques correspondent à une analyse de rentabilité classique, selon laquelle une entreprise dépense un montant établi, s’attend à des retombées mesurables et juge le résultat sur une période de rentabilité définie. Mais l’IA ne fonctionne pas dans ce cadre.

Un nouveau modèle d’IA peut réduire le temps nécessaire au rapprochement des comptes, à la préparation des prévisions ou aux réponses aux questions de l’entreprise. La valeur de ces heures dépend de ce qui se passe ensuite. Elles peuvent aider une entreprise à se développer sans recruter pour autant, à clôturer ses comptes plus rapidement, ou donner plus de temps aux équipes pour l’analyse. Mais aucun de ces progrès ne correspond à une ligne du compte de résultat.

Par ailleurs, l’IA est souvent introduite en même temps que de nouveaux systèmes, de nouvelles architectures de données, de nouveaux processus et de nouveaux rôles. La même étude indique que les dirigeants ont du mal à distinguer le rendement de l’IA du rendement produit par les autres éléments qui ont changé. La réponse réside dans une plus grande précision sur ce que la finance mesure et sur la période étudiée. 

L’expérience semble faciliter les choses. Dans une autre étude auprès d’équipes finance, 30 % des équipes qui en étaient aux premières étapes d’adoption de l’IA déclaraient avoir du mal à justifier le retour sur investissement, tandis que ce chiffre tombait à 21 % pour des équipes à un stade plus avancé. La différence n’est pas énorme, mais le message est clair. Les entreprises discernent mieux la valeur de l’IA, à mesure qu’elles apprennent à l’utiliser.

Une pause dans l’adoption de l’IA peut correspondre à deux situations très différentes

Ce n’est pas la même chose de mettre un frein à l’investissement dans l’IA ou de faire une pause pour donner le temps au prochain investissement de porter ses fruits.

Une équipe finance peut cesser d’acheter des outils IA pendant un an et faire néanmoins des progrès considérables : standardiser les données entre les entités, réduire le nombre de transferts manuels, définir les contrôles concernant les processus automatiques et former les équipes à travailler sur les systèmes déjà en place. Une autre équipe peut simplement attendre une amélioration de la technologie. Un an plus tard, ces deux équipes se trouveront dans des situations très différentes.

Les entreprises rapportant des retombées significatives ont souvent intégré l’IA dans leurs processus au lieu de la traiter comme un logiciel indépendant. 

• ServiceNow a déclaré lors du CFO Council Summit du Wall Street Journal avoir réalisé environ 355 millions de dollars d'économies liées à l'IA, dont environ 125 millions ont été répercutés sur le résultat net et le reste réinvesti ailleurs. 

• Shopify exige que ses salariés prouvent que l’IA ne peut pas effectuer une tâche avant de demander des effectifs supplémentaires, ce qui inscrit l’IA dans le budget d’allocation de ressources de l’entreprise plutôt que dans le budget technologie.

• Chez Levi Strauss, un agent conçu en interne a ramené à quelques minutes une partie du processus de saisie des commandes qui prenait auparavant plusieurs jours.

Ces trois entreprises très différentes les unes des autres utilisent l’IA de trois façons très différentes. Leur point commun est une technologie liée à un processus opérationnel et un résultat spécifiques. C’est une vision plus complexe, mais beaucoup plus efficace de l’IA que se demander combien de salariés utilisent un outil IA.

Le socle de données est plus important que le modèle d’IA

Le débat autour de l’IA d’entreprise revient toujours à la technologie. Quel est le modèle le plus performant ? Que peuvent faire les agents aujourd’hui ? À quel rythme s’améliorent-ils ? Les questions qui décident du résultat pour les cadres financiers sont plus terre à terre. Chaque entité doit disposer des mêmes informations financières, les transactions doivent être codées de manière cohérente et les systèmes doivent échanger des données sans que quelqu’un ait besoin d’exporter un tableur.

Ces questions existaient bien avant l’arrivée de l’IA. Une entreprise présente sur différents marchés à travers différentes entités et utilisant plusieurs devises peut commencer tout simplement par une vision cohérente de la trésorerie et des soldes de toute l’entreprise. Elle peut poursuivre avec des données standardisées, puis engager la tâche plus longue de remaniement des processus et de formation des équipes. 

Beaucoup d’équipes finance ont raison de mettre l’IA sur pause en attendant de repenser leur fonctionnement. Toutefois, le conseil d’administration devrait se demander ce que font ces équipes pendant ce temps. Une équipe qui consolide les données, établit des contrôles et forme les effectifs à repenser leur travail autour de l’IA sera équipée pour mettre en place la prochaine génération d’outils. Les conclusions de l’enquête Forrester vont dans le même sens. Les cadres financiers se demandent ce que leur organisation doit changer pour que l'IA puisse fonctionner à grande échelle et atteindre pleinement son immense potentiel.

Source : sauf indication contraire, toutes les statistiques mentionnées dans cet article proviennent de « Building An AI-Ready Finance Function », une étude réalisée par Forrester Consulting en juin 2026 à la demande d’Airwallex.