.jpeg)
Sommaire
Points essentiels
D'après le Pigment Uncertainty Index, l’IA générative (ou GenAI) est aujourd’hui utilisée dans davantage de fonctions finance que le machine learning ou l’automatisation traditionnelle.
L'automatisation en finance a longtemps nécessité des flux de travail structurés, un support technique et des directives claires. La GenAI lève certains de ces obstacles. Les équipes financières peuvent désormais poser des questions, rédiger des rapports, résumer des écarts, clarifier des textes confus et créer des formules de tableur en langage naturel, ce qui facilite grandement l'expérimentation.
Cela ne signifie pas que l’automatisation traditionnelle va disparaître. Au contraire, la GenAI pourrait rendre l’automatisation plus facile à configurer, plus simple à déployer à grande échelle et plus accessible aux équipes finance sans attendre l’intervention de spécialistes techniques. La question la plus importante est plutôt celle de l’après-première vague d’adoption. Si la GenAI rend l’IA plus accessible, l’IA agentique est ce qui la rend pleinement opérationnelle.
Le Pigment Uncertainty Index la performance financière, l’adoption de l’IA, la confiance dans la planification et les pratiques de prévision auprès de 2 000 leaders finance aux États-Unis, au Royaume-Uni, en France et en Allemagne.
Télécharger le rapport complet du 1e trismestre 2026 ->
La GenAI s’est imposée parce qu’elle est simple à utiliser
Demandez à un professionnel FP&A pourquoi il a choisi d’utiliser la GenAI, et il vous répondra probablement qu’il ne s’agit pas de remplacer les programmes d’automatisation existants. Ce qui motive son adoption, c’est d’abord sa simplicité d’usage. La vraie rupture de cette technologie, c’est qu’un professionnel FP&A peut demander à un outil de GenAI comme ChatGPT ou Claude de rédiger une formule, résumer des écarts, écrire un script VBA, transformer des tableaux en commentaire ou créer une mise à jour pour le board, sans devoir apprendre un nouveau système ni solliciter son équipe IT.
e coût joue également un rôle. JPMorgan Chase Institute a constaté que l’usage de la GenAI chez les petites entreprises a progressé à mesure que les coûts d’entrée baissaient et que les services cloud réduisaient les besoins d’infrastructure. Si les interfaces en langage naturel ont levé les barrières techniques, les abonnements d’entrée de gamme (souvent autour de 20 à 30 dollars) ont rendu l’IA accessible même à ceux qui ne pouvaient pas s’équiper de systèmes plus complexes.
L’automatisation traditionnelle exige d’anticiper et de créer des règles prédéfinies. La GenAI, elle, s’adapte à l’intention de l’utilisateur. Les leaders finance peuvent exprimer leurs besoins, affiner les résultats et générer de la valeur avant même que les workflows ne soient totalement standardisés. C’est une réponse utile pour des équipes qui travaillent encore souvent dans des tableurs.
Dans les petites et moyennes organisations, l'adoption de la GenAI dans les fonctions financières atteint 72 %, tandis que l’automatisation traditionnelle ou fondée sur des règles reste plus faible, souvent entre 46 % et 49 %. Même dans les grandes entreprises, où les investissements historiques dans l’automatisation sont plus importants, l’adoption de la GenAI atteint 65 %, contre 54 % pour l’automatisation traditionnelle.
L’intelligence générative remplace l’automatisation traditionnelle en la démocratisant
Pour aborder l'avenir de la finance, il est utile de comparer l'automatisation traditionnelle à l'intelligence générative. Toutefois, l'IA générative ne doit pas être perçue comme l'opposé de l'automatisation traditionnelle, mais comme un levier Pour comprendre la suite de l’évolution en finance, il est utile de comparer d’abord l’automatisation traditionnelle à l’intelligence générative. Mais la GenAI ne doit pas être vue comme l’opposé de l’automatisation traditionnelle : elle doit plutôt être considérée comme un accélérateur qui aide les équipes à créer et étendre leurs capacités d’automatisation.
Selon le rapport Uncertainty Index de Pigment, les principaux cas d’usage de l’IA en finance incluent l’automatisation des tâches répétitives, la génération de synthèses et de rapports, ainsi que la prévision. La GenAI aide à traiter le travail qui submerge les processus finance au quotidien, en rassemblant l’information, en vérifiant les hypothèses et en transformant les données métier en insights exploitables.
L’adoption de la GenAI s’est diffusée aussi rapidement parce que les équipes n’ont pas besoin de refondre leurs processus finance pour en tirer de la valeur. Ce bénéfice augmente encore lorsque les modèles d’IA ont accès à des données gouvernées en temps réel et à des workflows répétables.
L’IA agentique est le point de bascule des workflows finance
La GenAI est efficace pour répondre à des demandes spécifiques, mais elle ne peut pas toujours franchir l’étape suivante sans attendre une nouvelle instruction de l’utilisateur. C’est là que l'IA agentique entre en jeu. Les agents IA sont des systèmes proactifs et autonomes qui fonctionnent en continu en arrière-plan pour améliorer les processus et accompagner les équipes finance.
Concrètement, la différence est la suivante : si vous demandez à un outil de GenAI de rédiger une synthèse d’écarts, il peut le faire avec les bons éléments d’entrée. Mais un workflow agentique peut détecter l’écart, récupérer le contexte associé, le comparer à des seuils, rédiger la synthèse, l’acheminer pour revue et recommander les prochains points d’attention. Contrairement à la GenAI, les agents IA évitent à l’humain de faire avancer manuellement le workflow étape par étape.
Les données du Pigment Uncertainty Index montrent que l’IA agentique en est encore aux premiers stades de son adoption : moins d’un tiers des grandes entreprises (29%) l’utilisent actuellement. Toutes les autres tailles d’organisation affichent des taux plus élevés, entre 35% et 37%, mais cela reste inférieur au niveau d’adoption de la GenAI. Cela s’explique probablement par le fait que, pour réussir, l’IA agentique a besoin de davantage d’accès, de contexte, de permissions et de logique métier que la GenAI. Globalement, les outils agentiques exigent un niveau d’intégration et de confiance plus profond.
C’est particulièrement vrai en finance, où l’automatisation doit être contrôlée, explicable et auditable. C’est pourquoi les automatisations de type workflow ont historiquement été plus faciles à faire accepter aux équipes finance que des agents très autonomes. Le rapport 2026 sur l'état de l'IA de Deloitte formule un constat similaire sous l’angle de la gouvernance : seule une entreprise sur cinq dispose d’un modèle de gouvernance mature pour les agents IA autonomes, alors même que l’usage de l’IA agentique devrait fortement progresser au cours des deux prochaines années.
Le prochain saut technologique dépend du contexte, des outils et de la gouvernance
Pour réussir leur transformation agentique, les équipes finance ont besoin de plus qu’une adoption de la GenAI ou de nouveaux achats d’outils IA. Elles doivent donner aux agents le contexte nécessaire pour agir, connecter ce contexte aux outils et aux données, et déterminer à quel moment une intervention humaine est requise.
Contexte
Le contexte indique à un agent comment agir. Les équipes finance définissent l’objectif, les contraintes, les données que l’agent peut utiliser, le résultat attendu et les conditions d’arrêt ou d’escalade. Une fois ces éléments en place, l’agent peut exécuter des workflows multi-étapes pendant que l’équipe se concentre sur l’interprétation et la stratégie.
Outils
Les agents deviennent plus utiles lorsqu’ils peuvent accéder aux systèmes, aux modèles et aux sources de données. Les outils, la récupération d’information, la mémoire et les garde-fous sont essentiels en finance. Sans ces éléments, un agent peut décrire ce qui devrait se passer, mais il ne peut pas l’exécuter ou le vérifier de manière fiable.
Gouvernance
Plus le workflow est autonome, plus la supervision devient importante. Les équipes finance doivent définir quelles actions peuvent être automatisées, lesquelles nécessitent une approbation, quelles sources de données sont fiables et comment les sorties doivent être journalisées. L’IA peut générer des prévisions, identifier les principaux drivers business et modéliser rapidement des scénarios complexes, mais sa valeur dépend de la capacité à appliquer ces fonctionnalités dans un environnement de planification de confiance.
Que doivent faire les équipes finance maintenant ?
La GenAI, l’automatisation traditionnelle et l’IA agentique apportent chacune des bénéfices spécifiques. Pour opérationnaliser l'IA agentique au-delà des projets pilotes, vous devez comprendre où elle s’inscrit dans le modèle opérationnel de la finance.
Un point de départ pragmatique consiste à distinguer l’assistance ponctuelle du travail répétable.
- L'automatisation traditionnelle est utile lorsque le processus est structuré et fondé sur des règles.
- L'IA générative est utile pour rédiger, résumer, expliquer et créer des premières versions.
- Les workflows agentiques deviennent utiles lorsque le travail est récurrent, multi-étapes et dépend d’un contexte évolutif.
Les équipes finance peuvent commencer par examiner où l'IA générative est déjà utilisée. Quels prompts sont répétés chaque semaine ? Quelles corrections de feuilles de calcul reviennent constamment ? Quels projets de commentaires suivent toujours le même modèle ? Quels rapports nécessitent les mêmes saisies, vérifications et explications ? Ce sont là d'excellents candidats pour des flux de travail agentiques structurés.
C’est toute la différence entre demander de l’aide à la GenAI et confier une mission à un agent. Par exemple, l'Agent Analyste de Pigment peut exécuter une mission définie par l’utilisateur, précisant la tâche, le périmètre de données, les instructions, le format de sortie et les hypothèses. Dans un workflow d’analyse des écarts, cela signifie comparer les réalisés au budget, signaler les écarts significatifs, générer des explications et produire un rapport structuré pour revue.
Opérationnaliser avec l’IA agentique les workflows multi-étapes que la GenAI ne peut pas gérer
Les équipes finance utilisent déjà l’IA pour automatiser les tâches répétitives, générer des synthèses et des rapports, et améliorer les prévisions. Mais l’assistance à la modélisation obtient le score le plus faible dans notre échantillon de données. Nous l’attribuons à deux facteurs : 1) l’adoption croissante mais encore récente de l’IA agentique et 2) la difficulté à bien l’exécuter.
La modélisation financière exige de combiner une logique structurée et une interprétation flexible. Pour qu’un agent de modélisation fonctionne, l’agent IA doit comprendre le contexte métier, traduire ce contexte en formules et en dimensions, préserver les dépendances et effectuer des changements sans casser l’environnement de planification.
L'Agent Modelisateur de Pigment a été conçu pour répondre à ce besoin. Alimenté par l’intent modeling, il permet aux équipes de décrire en langage naturel le résultat souhaité, puis traduit cette intention en modèles et applications gouvernés, prêts pour la production. Contrairement aux outils d’IA généralistes, il a été conçu spécifiquement pour la planification d’entreprise, avec une compréhension du contexte des métriques, des formules, des relations entre données et des contraintes de gouvernance.
L'Agent Modélisateur aide les équipes finance à étendre leurs modèles et à mettre à jour leurs hypothèses à mesure que l’entreprise évolue. Les équipes finance peuvent poser des questions sur les formules et les dépendances, et conserver des historiques de changements auditables, sans dépendre de semaines ou de mois de reconfiguration manuelle.
Ouvrez le prochain chapitre de votre équipe finance avec l'Agent Modélisateur de Pigment
Découvrir l'Agent Modélisateur →
L’ensemble des données à l’origine de ces résultats est disponible dans le Pigment Uncertainty Index Q1 2026.
