Le discours marketing sur l'IA en finance d'entreprise parle d'agents autonomes qui pilotent la trésorerie et de copilotes qui rédigent le reporting mensuel. Dans les directions financières, l'usage réel est plus modeste. Selon l'enquête 2025 de Gartner menée auprès de 183 directeurs financiers, l'usage de l'IA en finance progresse à peine, de 58 % en 2024 à 59 % en 2025, et les trois cas d'usage qui dominent sont la gestion documentaire, l'automatisation des factures fournisseurs et la détection d'anomalies (enquête Gartner, novembre 2025). Rien qui ressemble à un agent autonome.
Deux échéances resserrent le cadre d'ici 2027. Le 2 août 2026, le scoring crédit devient officiellement un système à haut risque au sens du règlement européen sur l'IA (AI Act, annexe III). Le 1er septembre 2026, la réception de factures électroniques devient obligatoire pour toutes les entreprises françaises, l'émission s'imposant d'abord aux grandes entreprises et ETI (economie.gouv.fr). Cet article détaille ce qui tourne déjà en production, ce que la loi encadre à partir de cet été, et comment cadrer un projet sans se faire piéger par l'un ou l'autre.
Ce que les directions financières utilisent vraiment en 2026
L'enquête Deloitte Finance Trends 2026 confirme l'ampleur du mouvement : 63 % des directions financières ont déjà pleinement déployé une solution d'IA (Deloitte, Finance Trends 2026). Mais parmi ces 63 %, seuls 21 % estiment que leurs investissements en IA ont déjà livré une valeur claire et mesurable, et seuls 14 % ont franchi l'étape suivante en intégrant pleinement des agents IA dans la fonction finance. Chez les directeurs financiers dont le rôle a évolué vers celui de stratège, cette intégration grimpe à 48 %, contre 18 % chez ceux en rôle de soutien à la stratégie.
Cet écart n'est pas une anomalie ponctuelle. Gartner prévoit que plus de 40 % des projets d'IA agentique lancés aujourd'hui seront abandonnés d'ici fin 2027, faute de valeur métier claire ou de gouvernance suffisante (Gartner, juin 2025). Sur les projets qui passent par une agence comme la nôtre, le point commun des abandons n'est presque jamais la technologie elle-même. C'est un périmètre flou dès le départ, personne n'ayant défini ce que "ça marche" signifiait avant d'écrire la première ligne de code.
Les trois usages qui tiennent la route dans l'enquête Gartner ne sont pas les plus spectaculaires. La gestion documentaire arrive en tête (49 % des directions financières), suivie de l'automatisation du cycle fournisseur (37 %) et de la détection d'anomalies sur les transactions (34 %). Ce sont des tâches répétitives, à volume élevé, avec une règle de décision relativement stable : exactement le profil de problème que l'IA résout bien aujourd'hui. La prévision de trésorerie pilotée par un agent autonome reste, elle, largement expérimentale.
Rapprochement bancaire et factures fournisseurs : le socle qui tient la route
Le rapprochement bancaire automatisé et la capture de factures fournisseurs sont les deux cas d'usage qui produisent un gain mesurable rapidement. Le principe est simple : un modèle d'extraction lit la facture ou le relevé, en tire le montant, la date, le fournisseur et la TVA, puis compare le résultat aux bons de commande ou aux écritures existantes. Ce qui ne correspond pas au-dessus d'un seuil de confiance part en validation humaine, le reste passe automatiquement.
Ce socle devient plus urgent en France avec la réforme de la facturation électronique. À partir du 1er septembre 2026, toutes les entreprises doivent être en mesure de recevoir des factures électroniques, et les grandes entreprises et ETI doivent les émettre ; les TPE et PME suivront le 1er septembre 2027 (economie.gouv.fr). Le baromètre France Num 2025 montre où en sont les PME françaises : 69 % des TPE-PME sont déjà équipées d'un logiciel de facturation, 86 % chez les seules PME, mais seulement 20 % envoient leurs factures dans un format structuré exploitable automatiquement, de type Factur-X, CII ou UBL (baromètre France Num 2025). Traduction concrète : la majorité des entreprises reçoivent encore des PDF ou du papier scanné, pas des données structurées prêtes pour un algorithme.
C'est là que se joue la vraie difficulté d'un projet de rapprochement automatisé, avant même de parler de modèle. Sur un projet type, la première semaine ne sert pas à choisir un outil d'IA mais à cartographier les formats réellement reçus : combien de fournisseurs envoient un PDF propre, combien un scan de mauvaise qualité, combien de cas particuliers comme les avoirs ou les factures multi-devises. Un pipeline construit sous n8n pour orchestrer l'extraction, la validation et l'écriture comptable ne tient la route que si cette cartographie a été faite en amont. Sans elle, le taux d'exceptions explose et le gain de temps promis disparaît dans la relecture manuelle.
Le 2 août 2026, le scoring crédit devient un système à haut risque
Le scoring crédit est l'un des rares cas d'usage financier où l'IA apporte un vrai gain de précision par rapport aux règles manuelles. C'est aussi celui que le règlement européen sur l'IA encadre le plus strictement. L'annexe III du texte classe "haut risque" tout système destiné à évaluer la solvabilité d'une personne physique ou à établir son score de crédit, à l'exception des systèmes utilisés pour détecter la fraude financière (AI Act, annexe III, point 5(b)). Ces obligations s'appliquent à partir du 2 août 2026, la date d'application générale du règlement (AI Act, article 113).
Concrètement, un fournisseur de système de scoring doit mettre en place une gestion des risques documentée, garantir une supervision humaine effective et faire passer son système par une évaluation de conformité avant mise sur le marché. Le non-respect de ces obligations expose à une amende pouvant atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial, le montant le plus élevé étant retenu (AI Act, article 99). Côté déployeur, l'article 27 impose une analyse d'impact sur les droits fondamentaux avant la première utilisation d'un système de scoring crédit (AI Act, article 27). Une logique de classification très proche s'applique au recrutement, un autre cas d'usage listé en annexe III : voir notre article sur l'IA en recrutement pour la mécanique complète de qualification "haut risque". Si le projet touche plusieurs cas d'usage à la fois, la mise en conformité se pense à l'échelle de l'organisation entière, ce que détaille notre guide sur la gouvernance IA en entreprise.
Le scoring assisté par IA reste un choix pertinent après cette date. Mais il se traite comme un projet réglementaire dès le cadrage, pas comme un chantier d'automatisation classique. La documentation du système, la traçabilité des décisions et le circuit de contestation client doivent exister avant la mise en production, pas être ajoutés après un contrôle.
Éditeur SaaS, développement interne ou agence : ce qui détermine le choix
Pour le rapprochement bancaire ou la capture de factures, plusieurs éditeurs spécialisés couvrent déjà le besoin standard avec un abonnement mensuel et une mise en place en quelques semaines. C'est le choix le plus rapide quand le processus ressemble à celui de n'importe quelle PME : une entité juridique, une devise, un référentiel comptable classique. Le développement sur mesure devient pertinent dès que le processus s'écarte du standard, par exemple une facturation multi-entités, un ERP maison, ou une règle de rapprochement propre à un secteur d'activité que l'éditeur généraliste ne couvre pas.
Le scoring crédit et les agents financiers plus complexes suivent une logique différente. Peu d'éditeurs SaaS proposent un scoring prêt à l'emploi qui couvre à la fois le modèle et les obligations de conformité décrites plus haut. Le choix se joue alors moins entre SaaS et sur mesure qu'entre un agent IA sur mesure conçu pour votre propre grille de décision, et l'intégration d'un service tiers de scoring dont vous héritez les limites contractuelles. Faire développer l'agent en interne ou via une agence prend plus de temps au démarrage, mais laisse la main sur la documentation exigée par le règlement, ce qu'un abonnement SaaS générique ne garantit pas toujours.
Le critère qui tranche, dans notre expérience, est la stabilité de la règle métier. Une règle stable et documentée se prête bien à un développement sur mesure qui l'encode une fois pour toutes. Une règle qui change tous les trimestres au gré de la politique de crédit ou des évolutions réglementaires coûte moins cher à faire évoluer dans un outil SaaS paramétrable que dans du code maison qu'il faut redéployer à chaque ajustement.
Un cadrage type, avant d'écrire une ligne de code
Voici, à titre d'illustration, le déroulé qu'on suit avant de coder quoi que ce soit sur un projet de rapprochement bancaire automatisé. Aucun client précis n'est nommé ici, seule la méthode qui revient sur ce type de projet.
Première étape, auditer le format réel des données, pas celui promis par la documentation de l'outil comptable : on demande un mois d'historique de relevés et de factures tel qu'il arrive vraiment, avec ses PDF mal scannés et ses doublons. Deuxième étape, cartographier les exceptions plutôt que le cas général. Les avoirs, les factures en devise étrangère, les paiements groupés qui couvrent plusieurs factures : ce sont ces cas-là qui déterminent le taux de validation manuelle final, pas le cas standard qui fonctionne dès la première semaine.
Troisième étape, fixer le seuil de confiance en dessous duquel une écriture part en validation humaine plutôt qu'automatique, et désigner qui dans l'équipe porte cette validation. Ce choix se prend avec la direction financière, pas avec l'équipe technique seule, parce qu'il engage la tolérance au risque de l'entreprise. Quatrième étape, construire un prototype sur les données réelles d'un mois complet avant de parler d'industrialisation. Un pipeline qui affiche de bons résultats sur un jeu de données propre et qui trébuche sur les vraies factures du mois dernier n'est pas prêt, quel que soit le modèle utilisé derrière.
Ce séquencement paraît lent comparé à la promesse d'un agent IA branché en une semaine qu'on trouve dans certaines démonstrations commerciales. Il évite surtout le scénario le plus fréquent des projets abandonnés cité par Gartner plus haut : un système qui marche en démonstration et qui casse au premier avoir en devise étrangère.
Ce qui ne tient pas encore ses promesses
La prévision de trésorerie pilotée de bout en bout par un agent autonome reste le cas d'usage le plus survendu du secteur. Le principe séduit : laisser un agent surveiller les encaissements, les décaissements prévus, et ajuster le prévisionnel en continu. En pratique, la fiabilité d'une prévision dépend de la qualité et de la fraîcheur des données sources, exactement le point faible identifié plus haut avec les 20 % de factures en format structuré. Un agent ne compense pas des données sales, il les propage plus vite.
Le reporting financier généré automatiquement par un modèle de langage souffre d'un problème différent : la vérifiabilité. Un tableau de bord produit par un humain qui applique une formule connue est auditable ligne par ligne. Un résumé rédigé par un modèle de langage à partir des mêmes données l'est beaucoup moins, sauf à faire tracer explicitement chaque chiffre cité jusqu'à sa source, ce que peu d'outils du marché font correctement aujourd'hui. Pour une fonction où l'erreur a un coût direct et où l'auditeur externe vérifie chaque ligne, ce manque de traçabilité pèse plus lourd que le gain de temps à la rédaction.
Le point commun de ces deux cas d'usage encore fragiles : ils demandent à l'IA de prendre une décision de bout en bout plutôt que d'accélérer une étape précise dans un processus supervisé. C'est exactement l'écart que pointe la prévision de Gartner sur les projets d'IA agentique abandonnés d'ici 2027. Les cas d'usage qui tiennent, vus en ouverture, restent ceux où l'IA traite un volume élevé de tâches répétitives sous supervision humaine, pas ceux où elle remplace le jugement financier.
Questions fréquentes
Faut-il un agent IA autonome pour automatiser le rapprochement bancaire ?
Non. Le rapprochement bancaire automatisé fonctionne très bien avec un pipeline classique d'extraction et de règles de correspondance, supervisé par un humain sur les cas ambigus. Un agent autonome ajoute de la complexité sans gain réel sur cette tâche, dont le volume est prévisible et la règle de décision stable. Réservez l'architecture agentique aux cas où le système doit enchaîner plusieurs décisions différentes selon le contexte, pas à une tâche répétitive à règle fixe.
Le scoring crédit par IA est-il interdit après le 2 août 2026 ?
Non, il n'est pas interdit, il devient réglementé à partir du 2 août 2026. Un système de scoring crédit basé sur l'IA reste autorisé, mais son fournisseur doit documenter la gestion des risques, garantir une supervision humaine et faire passer une évaluation de conformité avant mise sur le marché. Le déployeur doit en plus réaliser une analyse d'impact sur les droits fondamentaux avant la première utilisation. L'exception concerne uniquement les systèmes dédiés à la détection de fraude financière.
Combien coûte un projet d'automatisation financière sur mesure ?
Le coût dépend entièrement du périmètre et de la qualité des données de départ : il n'existe pas de fourchette universelle honnête à donner sans cadrage préalable. Un projet qui part de données propres et d'une règle métier stable coûte nettement moins cher qu'un projet qui doit d'abord absorber des formats de facture hétérogènes. Un devis se construit après un audit rapide des données réelles, pas avant.
Un abonnement SaaS suffit-il pour se conformer à la réforme de facturation électronique ?
Un abonnement SaaS couvre en général la transmission via une plateforme agréée, mais ne résout pas seul le taux de factures reçues dans un format structuré exploitable. Si vos fournisseurs envoient encore majoritairement du PDF non structuré, la conformité technique de l'outil ne suffit pas à garantir un traitement automatisé fiable à la réception : la préparation des données reste un chantier à part entière.
Quelle différence entre détection de fraude et scoring crédit au regard du AI Act ?
Le règlement les traite très différemment. Un système dédié exclusivement à la détection de fraude financière est explicitement exclu de la classification haut risque de l'annexe III. Un système qui évalue la solvabilité ou établit un score de crédit y est en revanche soumis dès le 2 août 2026. La frontière tient à la finalité déclarée du système, pas à la technologie sous-jacente : le même modèle peut relever de deux régimes différents selon l'usage qu'on en fait.
