IA appliquée aux outils comptables et financiers : les cas d’usages
Les différentes facettes de l’intelligence artificielle présentent un potentiel important pour de nombreuses tâches financières et comptables, même si leur usage n’est pas encore totalement répandu.
L’intelligence artificielle (IA) contribue à transformer le monde de la finance d’entreprise, mais il ne l’a pas encore révolutionné. C’est en substance la conclusion d’une enquête menée au sein de Forrester.
Par exemple, le Procure-to-Pay (P2P) – qui couvre toutes les étapes de l’approvisionnement au paiement – fait aujourd’hui appel au NLP et à l’OCR intelligent pour mieux traiter les factures. Autre exemple, l’analytique prédictive peut enrichir des rapports de BI classiques pour la planification financière.
L’audit, le Procure-to-Pay (P2P), le Order-to-Cash (O2C), et la planification financière sont en tout cas quatre des processus de finance et de comptabilité que l’IA est le plus susceptible d’améliorer rapidement (et plutôt facilement).
Commençons par l’audit. Gérer des listes de contrôle de conformité et générer des rapports (que peu de gens lisent) fait perdre énormément de temps aux auditeurs financiers, qui en consacrent alors moins à rechercher les anomalies au sein des transactions.
Pourtant, repérer toutes les anomalies est crucial. Ici le Machine Learning peut aider, et déterminer quelles transactions sont les plus à risques. Preuve en est, des fournisseurs comme Thomson Reuters ou Wolters Kluwer incorporent d’ailleurs déjà l’IA à leurs plateformes.
La maturité de l’IA dans l’audit est élevée : le machine learning est abouti, et l’extraction NLP permet déjà d’incorporer des contenus non structurés, par exemple les mails.
Les perspectives d’adoption sont fortes : l’IA, ici, pose peu de problèmes de gouvernance, et la valeur métier et le potentiel disruptif sont élevés. Reste que la formation des auditeurs aux différents aspects du ML met en lumière un certain déficit de compétences (skill gap) qu’il faudra combler pour concrétiser au mieux ce potentiel.
2 – Comment l’Intelligence artificielle améliore-t-elle le Procure-to-Pay ?
Les processus de Procure to Pay (P2P) peuvent tirer parti du machine learning pour normaliser et analyser les données liées aux dépenses, aux contrats, aux marchés et aux fournisseurs.
L’analytique augmentée à l’IA peut isoler des paiements qui ont conduit à des pénalités de retard, ou faire remonter des exceptions de facturation. Elle peut aussi catégoriser les dépenses pour leur suivi, intégrer plus rapidement de nouveaux fournisseurs ou encore détecter automatiquement des tentatives de fraude.
Le traitement des factures constitue un secteur important où la capture de niveau 1 – à savoir la reconnaissance optique de caractères, OCR – et les schémas d’automatisation des workflows sont appliqués depuis des décennies. Les premières solutions utilisaient des règles d’extraction alignées sur des modèles spécifiques de facture et de bon de commande. Les nouvelles approches font appel au NLP pour permettre une extraction sans modèles ni zones spécifiques. Pour garantir une numérisation de qualité, chaque extraction peut se voir adjoindre un indice de confiance.
Le ML facilite la gestion des structures documentaires complexes, sans préconfiguration. Là encore, le NLP ainsi que le ML sont matures. La perspective d’adoption est élevée grâce à un fort potentiel disruptif et à des données déjà viables.
3 – Comment l’Intelligence artificielle amélioret-elle le Order-to-Cash ?
Autre terrain à fort potentiel en termes d’automatisation par IA, le Order-to-Cash (02C). Le O2C gère le processus de la commande jusqu’au paiement. Élément vital à la majorité des entreprises, la trésorerie reste pourtant le parent pauvre en matière de pratiques d’automatisation (particulièrement en comparaison du P2P).
Dans la plupart des cas, les logiciels d’automatisation de la facturation côté compte client, génèrent la facture dans des formats comme CXML (Commerce XML), ebXML (electronic business XML) ou Edifact, et suivent son avancée, tandis que le logiciel comptable gère, de son côté, la trésorerie.
Dans les solutions O2C modernes, de nombreuses tâches sont déléguées à des bots, aussi bien côté clients que côté trésorerie. Les communications par mail ou encore la rédaction de lettres de recouvrement, peuvent être assistées (ou entièrement faites) par une IA, en s’appuyant sur une classification automatique, sur les données d’un système central et sur les litiges passés.
Côté cash, il y a fort à parier que l’analytique avancée prendra le contrôle total de la trésorerie. L’IA peut en effet piloter des cycles de paiement automatisés et la gestion des crédits, et faire une estimation prédictive des versements.
Le bénéfice est clair pour l’entreprise : l’amélioration de la trésorerie. Cela étant, les workflows O2C qui s’appuient sur l’IA sont encore (trop) peu répandus. Mais les choses devraient évoluer rapidement. Les technologies sont éprouvées, le NLP arrive à maturité et l’automatisation robotisée des processus (RPA) ajoute une corde aux outils d’automatisation.
4 – Comment l’Intelligence artificielle améliore-t-elle la planification financière ?
L’IA présente un fort potentiel pour la planification. Pourtant, nombre de services financiers s’appuient encore sur Excel ou des outils de reporting basiques.
Toutefois, l’avenir de la discipline – et de la prévision budgétaire au sens large – s’appuiera sans aucun doute sur la simulation, sur l’optimisation des ressources et sur une modélisation statistique fondée sur le machine learning (ML) qui prend aussi en compte l’exécution. « Sans aucun doute », car elle commence déjà à le faire.
D’autres domaines de la Finance et de la Comptabilité, même s’ils ne sont pas aussi avancés que les quatre que nous venons d’aborder, commencent à explorer très sérieusement le potentiel de l’IA pour se transformer. En voici trois parmi les plus prometteurs.
5 – Vers une analyse automatisée des contrats
L’analyse automatisée des contrats n’est peut-être pas une fonction critique du DAF. Mais elle suscite de plus en plus d’intérêt.
Un des freins reste la très grande variété de formats de documents – structurés et non structurés – à analyser.
Ici l’IA va parcourir les documents légaux pour générer des métadonnées et des tags, puis enrichir la gestion du cycle de vie des contrats (CML, Contract Lifecycle Management).
Le machine learning contribue à évaluer les risques et à relever les anomalies sur l’ensemble du portefeuille de contrats ; à identifier les contrats dont la formulation est associée à de nouvelles problématiques (comme le Brexit ou une nouvelle législation fiscale) ; et à alimenter des plateformes d’automatisation de workflow ou CML, et ce afin de gérer de manière la plus proactive possible les SLA prévus, et les autres termes et conditions.
Forrester constate également un début d’utilisation de bot pour rédiger des ébauches de contrats. Une tendance qui devrait s’accentuer avec la percée récente des LLM comme ChatGPT.
Un des freins reste la très grande variété de formats de documents – structurés et non structurés – à analyser.
6 – Le potentiel de l’IA sous-exploité dans le rapprochement des comptes
L’IA peut servir aux rapprochements des comptes. Nombre de tâches nécessitent de rapprocher plusieurs enregistrements : dépenses prépayées, créances irrécouvrables, immobilisations, compte de trésorerie, grand livre et livre auxiliaire ; autant d’éléments à rapprocher. Les transactions manquantes ou perdues, les comptes non rapprochés ou l’usage incorrect d’extrapolations sont autant de cas typiques.
Le ML permet de gérer une grande variété de sources de données structurées dans de nombreux formats [CSV, XML, SQL ou NoSQL]. L’IA peut donc gérer des rapprochements avec de nombreuses sources. La RPA peut de surcroît extraire les données dans des systèmes anciens, prendre en charge la saisie de ces données et exécuter un processus d’approbation.
Même si la technologie est là, Forrester constate une adoption moyenne du fait, d’une part, d’une qualité des données encore à améliorer, et d’autre part, car le rapprochement est souvent vu comme une partie mineure du processus de clôture.
7 – IA et clôture automatisée des comptes
Qu’elle soit mensuelle ou trimestrielle, la clôture des comptes est une préoccupation majeure. Bien menée dans les règles de l’art, elle est le signe d’une entreprise bien gérée. Transparence, vitesse, précision et respect des délais de production des rapports en sont les aspects prépondérants.
L’automatisation de la clôture doit intégrer des applications, des feuilles de calcul et des données de divers systèmes comptables de l’entreprise, afin de documenter les données pertinentes et d’identifier toute incohérence.
L’IA peut collecter les données auprès de différentes sources, les rassembler et les fusionner, et ainsi accélérer le processus et augmenter sa précision. L’automatisation se concentre sur les listes de contrôle et les tâches individuelles, le suivi du processus de clôture, les délais et les approbations.
