Table of Contents
Key takeaways
- Lorsque Pooja a rejoint Docker, elle recherchait une entreprise qui construisait encore son infrastructure finance et qui avait un réel appétit pour l’IA. Chez Docker, son équipe négocie des contrats, modélise des scénarios d’investissement et construit des plans d’exécution aux côtés des équipes métiers.
- Le premier processus FP&A que Pooja a commencé à automatiser chez Docker était le commentaire des écarts de budget, une tâche riche en données, structurellement cohérente, mais cognitivement exigeante pendant la période la plus condensée du mois.
- L’IA a permis à son équipe de récupérer 30 % à 40 % du temps qu’elle consacrait à l’analyse des écarts. Mais la mise en place de leur workflow IA a nécessité des mois d’itérations, entre différentes combinaisons d’outils et méthodes de prompting.
- L’approche de Pooja pour identifier des opportunités liées à l’IA consiste à repérer les moments où vous aimeriez pouvoir déléguer une tâche au fil de la journée. Si vous pouvez apprendre à un analyste junior à le faire, vous pouvez probablement apprendre à l’IA à le faire. Son conseil pour ceux qui se lancent est de persévérer, d’affiner au fur et à mesure, et de laisser la valeur s’accumuler dans le temps.
- Dans le partenariat entre l’humain et l’IA, les personnes apportent le contexte métier, sont responsables du résultat et décident de son interprétation. Ce sont elles qui participent aux réunions de direction, et ce jugement leur appartient entièrement.
- Pooja estime que les fonctions FP&A et finance stratégique convergent vers un rôle unique et unifié, et que la structure actuelle de Docker offre un aperçu de l’évolution vers laquelle se dirigent la plupart des équipes finance.
Il existe une façon d’aborder un nouveau poste en FP&A qui consiste à s’installer discrètement dans des routines comme la gestion de la clôture mensuelle, l’application de modèles budgétaires et la rédaction de rapports d’écarts à la fin de chaque trimestre.
Pooja Agrawal ne s’est jamais vraiment reconnue dans cette approche. Elle a débuté sa carrière dans une entreprise de health tech où son rôle couvrait tout à la fois : budgétisation, prévisions, quantification du ROI, due diligence d’acquisitions, travaux post-intégration, et même la mise en place d’un système financier complet. C’était beaucoup, mais Pooja considère aussi que cela a constitué la base dont elle avait besoin. L’étendue de son rôle en finance lui a permis de clarifier ce qu’elle recherchait et ce qui l’animait réellement
Lorsque Pooja a quitté San Francisco, ce moment avait une résonance particulière. ChatGPT venait d’être lancé, et l’IA était sur toutes les lèvres. Pooja savait qu’elle voulait rejoindre une entreprise encore en train de structurer sa fonction finance et qui avait une véritable appétence pour l’IA. Elle souhaitait jouer un rôle actif dans la manière dont la finance était pensée et opérée au sein de l’entreprise. Cela correspondait parfaitement à ce que recherchait Docker.
Structurer la fonction finance de A à Z
Lorsque Pooja a rejoint Docker, elle savait que l’entreprise fonctionnait avec une mentalité de startup qui maintiendrait la finance en alerte. Elle a construit une fonction finance adaptée à Docker en s’appuyant sur ce qu’elle observe en matière de coûts, de revenus, d’effectifs et de flux de trésorerie pour aider la direction à prendre de meilleures décisions.
Pooja s’intéresse à l’espace entre les chiffres et la perspective. Les chiffres sont pour elle son point de départ, mais ce qui l’anime réellement, c’est d’aider les autres à comprendre ce qu’ils signifient et ce qu’il faut en faire.
La tâche la plus pénible pour l’équipe finance de Docker
D’après l’expérience de Pooja, l’analyse des commentaires est l’une des parties les plus pénibles du workflow financier.
Il s’agit d’un processus répétitif qui commence généralement de la même manière. Chaque mois, l’équipe de Pooja passe en revue l’ensemble du P&L, des effectifs et des flux de trésorerie, en rédigeant des explications sur les raisons pour lesquelles la performance a atteint ce niveau. Ensuite, ces explications sont retravaillées pour différents publics et contextes. Une seule analyse peut ainsi donner lieu à un résumé exécutif, une vue pour les responsables métiers, un support pour le board, ainsi que tout autre contenu nécessaire pour raconter l’histoire financière.
Le timing de l’analyse des écarts est en partie ce qui la rend si complexe. Tout cela se déroule généralement pendant la clôture, lorsque les délais sont serrés et que toutes les équipes sont déjà fortement sollicitées.
Au-delà de cette pression, ce qui faisait de l’analyse des écarts un bon candidat pour l’IA, c’était sa structure. L’équipe Docker avait construit ses tableaux d’analyse des écarts dans Pigment. Les données étaient déjà propres et organisées, et les équipes avaient standardisé la manière de rédiger les commentaires, y compris le ton, le format et le niveau de détail pour chaque audience. Toute cette structuration a facilité la capacité à fournir à l’IA exactement ce dont elle avait besoin pour produire une première version pertinente.
Le workflow conçu par Pooja connecte directement Pigment à Claude. Pigment centralise les données et les organise, avec les bons éléments de contexte au bon endroit. Comme Claude a été entraîné sur des exemples de commentaires de Pooja à tous les niveaux, elle peut tout gérer depuis son interface conversationnelle. Aujourd’hui, Claude prend en charge l’agrégation, la consolidation et la première version.
Au lieu de formater et de reformuler, le rôle de Pooja est désormais centré sur l’affinage. Cela inclut des tâches comme la vérification de l’exactitude, le contrôle des bons drivers mis en avant et la garantie que l’histoire racontée est bien celle qui compte.
Des mois d’itération, suivis d’une avancée décisive
Depuis l’intégration de l’IA dans le workflow d’analyse des écarts, Pooja a constaté une réduction d’environ 30 % à 40 % du temps consacré aux commentaires, le closing passant d’un jour et demi à plus près d’une journée. Mais l’impact qu’elle met le plus en avant n’est pas le temps gagné. C’est la charge cognitive qui l’accompagnait.
Il y a également eu un bénéfice secondaire qu’elle n’avait pas anticipé. Le processus de construction du workflow IA a poussé l’équipe à standardiser ses pratiques de manière plus rigoureuse. Cette meilleure standardisation s’est traduite par moins de retouches, moins d’allers-retours, et des livrables de qualité plus homogène.
Mais cela ne s’est pas fait du jour au lendemain.
Pendant des mois, Pooja a testé différentes applications d’IA et combinaisons de workflows. Rien ne fonctionnait comme elle l’espérait au départ. La structure des données n’était pas encore optimale. Les prompts n’étaient pas suffisamment affinés. Et les résultats manquaient parfois de cohérence.
Son conseil pour celles et ceux qui se lancent avec l’IA est d’arrêter de la considérer de manière abstraite. À la place, observez ce qui se passe dans votre quotidien. Si vous pouvez imaginer expliquer une tâche à un analyste junior, alors vous pouvez probablement apprendre à l’IA à la réaliser. Une fois le bon problème identifié, explique-t-elle, l’IA elle-même peut vous aider à déterminer la suite.
L’objectif est de commencer petit, de démontrer la valeur, d’affiner les prompts et de laisser l’impact s’amplifier.
Des données propres, des résultats fiables
Pooja revient à un principe qui guide la manière dont son équipe aborde l’IA : la qualité des résultats dépend de la qualité des données en entrée.
Lorsque Pooja a conçu le workflow de commentaires, elle a veillé à maintenir des données propres et ciblées, en définissant clairement les inputs pour chaque tâche. Les commentaires sur le P&L reposent uniquement sur des données de P&L. Fournir simultanément à Claude des données de flux de trésorerie et de bilan introduit une ambiguïté quant aux chiffres à utiliser pour chaque analyse, en particulier lorsque les conventions de nommage se chevauchent. La clarté des inputs est ce qui produit la clarté des outputs.
Le même principe guide la manière dont elle développe Pigment de façon plus globale. Avant d’ouvrir l’agent analyste à un usage plus large, Pooja effectue un travail de fond pour s’assurer que l’environnement de données est suffisamment propre pour produire des réponses fiables. Elle a observé des progrès significatifs de l’IA au cours des deux dernières années, la concurrence entre les principaux modèles les ayant poussés vers plus de précision et de cohérence. Avec des inputs bien structurés et des prompts affinés, elle accorde aujourd’hui bien plus de confiance aux outputs qu’au moment où elle a commencé à mettre en place ce workflow.
Malgré tout le temps investi pour faire fonctionner l’IA au sein de son équipe, Pooja reste lucide sur ses limites. « L’IA peut probablement dire que les revenus suivent une certaine tendance et fournir les informations associées. Elle décrit objectivement ce qui se passe. Mais c’est à l’équipe d’expliquer pourquoi les revenus évoluent de cette manière. »
L’IA est plus rapide pour traiter les données, identifier des schémas et faire émerger une structure, mais la décision sur la signification de ces résultats et les actions à entreprendre appartient aux humains. Cette conviction guide les profils que Pooja recrute. Elle recherche des personnes qui réfléchissent déjà à la manière d’intégrer l’IA dans leurs workflows.
Vers une nouvelle ère pour la finance
L’une des activités préférées de Pooja en dehors du travail consiste à résoudre des puzzles logiques. Un passe-temps qu’elle considère comme parallèle à la finance. Vous partez d’un ensemble d’indices dispersés et incomplets, et vous essayez de résoudre quelque chose. Vous recherchez des schémas et avancez aussi vite que possible. Le puzzle ne change pas avec le temps ; ce qui change, c’est la rapidité et la clarté avec lesquelles vous le percevez.
À mesure que l’IA élimine la couche mécanique de son travail quotidien, l’agrégation, la synthèse, la mise en forme, Pooja voit la véritable valeur de son équipe apparaître plus clairement.
Le FP&A et la finance stratégique, selon elle, vont de plus en plus fonctionner comme une seule et même entité. Docker l’a déjà anticipé. Pourtant, Pooja estime que la plupart des entreprises verront ce changement arriver plus vite qu’elles ne l’imaginent. Au-delà de l’accélération des processus, c’est une évolution qui rend la finance encore plus intéressante et stimulante à ses yeux.
