Comment l'IA va révolutionner le Contrôle de Gestion

La mise à disposition du système d’intelligence artificielle (IA) ChatGPT a permis au plus grand nombre de se rendre compte de la portée de cette invention. L’IA deviendra très vite incontournable. Il fera disparaitre les moteurs de recherche tels que Google dans leur conception actuelle. Pourquoi ? Parce que, là où Google renvoie vers les sites web correspondant à des mots clés pour nous permettre de chercher l’information, l’IA donne la réponse complète à une question selon les informations qu’il contient déjà, croisées, filtrées, analysées puis restituées avec la meilleure pertinence possible.

Aujourd’hui, quand nous avons une question, soit nous demandons à quelqu’un qui connait le sujet, soit nous cherchons sur internet une documentation qui pourrait nous y aider. Désormais l’IA est « celui qui s’y connait » dans tous les domaines : guide pratique, réflexion philosophique, Histoire, code informatique, solutions logiques, etc. Le monde va en être bouleversé. Notre façon de raisonner également, puisqu'on ne pensera plus en termes de mots-clés à des fins de recherches mais en questions précises et pertinentes pour l'IA.

Le contrôle de gestion n’a pas beaucoup évolué depuis trente ans. Certes, avec l’usage des tableurs puis les solutions modernes en cloud tels que Workday Adaptive Planning, il y a eu d’importants progrès techniques, des gains de productivité, une dimension collaborative accrue, une sécurité des données, de la réactivité, etc. Mais, sur le fond, il s’agit toujours de restituer des indicateurs de performance pour comprendre le passé, déceler des anomalies à corriger et produire une prévision de plus en plus fine, dynamique et documentée, pour affecter les ressources de façon optimale selon la stratégie de l'entreprise et les mouvements pressentis de l’environnement.

En matière de reporting, l’IA a la capacité à traiter parfaitement l’information selon toute question posée. Ainsi, on ne demandera pas à l’IA « donne moi le chiffre d’affaire N-1 » ou « Quel est l’écart avec le budget », ce que produisent les outils de reporting actuels. On lui demandera directement de mettre l’accent sur les événements marquants qui ont impacté le CA, d’en donner les explications et de proposer des actions correctives ou d’en tirer des conclusions sur l’organisation.

Par ailleurs, l’inconvénient avec les moteurs de recherche ou les systèmes de reporting actuels est qu’ils fournissent uniquement ce que l’on croit pertinent : un P&L, un dashboard, des KPIS, etc. Cela sous-entend qu’on sait déjà intuitivement ce qu’on espère trouver. Or, avec l’IA, on pourra obtenir la réponse éclairée à la vraie question : « Quelles sont les informations qui devraient être portées à ma connaissance aujourd’hui pour mener à bien ma mission ? ». Il ne s’agira donc plus de chercher parmi les données ce qui semble essentiel mais de laisser l’IA nous le fournir en quelque secondes, y compris s’il s’agit de la combinaison de plusieurs indicateurs qui, pris isolément ne présentent pas d’anomalies mais conjointement présentent une situation à surveiller.

En matière de prévision la situation est légèrement différente car il s’agit souvent de collecter un grand nombre d’informations, de la part des responsables opérationnels ou des services de support, pour obtenir le calcul d’un P&L prévisionnel : nouveaux recrutements avec des salaires individuels, croissance de chiffre d’affaires par produit, clients gagnés ou perdus, taux de renouvellement, évolution des taux de charge, investissements, etc. Dès lors, les premières versions de budget détaillé pourraient continuer à dépendre d’un humain, celui qui prend (ou propose) la décision. L’IA sera en revanche en mesure de produire des prévisions macros très rapidement en tenant compte de tous les paramètres qu’il connait, par extrapolation. Dans ce cas, on ne cherche pas à obtenir une nouvelle prévision de la part des collaborateurs mais simplement à se projeter dans une simulation globale des éléments financiers. De même, des fonctions comme l'analyse prédictive pourront se généraliser facilement.

L’analyse de ce budget, sa cohérence, son résultat, seront entre les mains de l’IA à qui l’on pourra demander : Que se passe-t-il si je réduis mes recrutements de 10%, est-ce que la tendance est conforme à la croissance prévue sur ce segment de marché pour l’année prochaine ? Produis-moi plusieurs scénarios selon telle ou telle hypothèse, quel est le service qui risque d’être en sous-effectif compte tenu du marché du travail, etc.

Nous avons mené plusieurs tests avec ChatGPT et les résultats indiquent clairement la voie qui est prise, que rien ne pourra freiner désormais. La qualité de restitution est incontestable et la capacité de communication est étonnante. Cependant, pour l’instant, le raisonnement logique n’est pas totalement abouti. Mais il ne fait aucun doute que cela se perfectionnera, notamment par les interactions qui ont lieu avec les utilisateurs qui fournissent, consciemment ou non, des règles de logique dans leurs échanges avec l'IA. Il n'y aura pas d'autres choix pour les éditeurs de logiciel FP&A que d'incorporer une IA pour suivre l’évolution technologique et répondre aux nouvelles attentes des clients.

Pour les directions financières et le contrôle de gestion, ce sera une véritable révolution puisqu’il s’agira de cohabiter avec l’IA. Progressivement, le contrôleur de gestion verra sa fonction évoluer. L'efficacité de l'IA dépendant des informations qu'il reçoit, le contrôleur sera chargé de le "nourrir" de données, de règles de gestion, d'explications, de raisonnements logiques spécifiques à l'entreprise qui développeront sa capacité d'analyse. D'un autre côté, il se reposera sur lui pour amplifier la propagation de l’information qualifiée dans l’entreprise et mieux servir des clients internes de plus en plus nombreux et exigeants en matière d’analyse, de vérification et de propositions.

Il ne s’agira donc plus de traiter l’information techniquement et de l’expliquer à une minorité d’utilisateurs mais de garantir que l’IA est sollicité efficacement au travers de questions correctement formulées et qu'il répond avec pertinence et clarté pour le bénéfice de tous.

   

Pour en savoir plus sur les sujets abordés dans cet article, n'hésitez pas à nous contacter.                         


L'IA pour quoi faire ?

L'IA (Intelligence Artificielle) commence à pénétrer nos outils décisionnels. La référence apparait dans presque tous les outils décisionnels et de traitement de la donnée. La promesse est d'envergure : le système va résoudre de lui-même vos problèmes grâce à l'IA. 

Regardons d'un peu plus près ce phénomène, en se posant deux questions : 

 1) Quelles sont les applications de l'IA dans le cadre du contrôle de gestion ? 

 2) La référence à l'IA dans la plupart des outils décisionnels : est-ce vraiment de l'IA ou du marketing ? 

Tout d'abord rappelons quelques définitions   

L'IA, c'est quoi ? 

Si le prédicat de départ est d'indiquer que l'intelligence artificielle est un regroupement de techniques pour simuler ou reproduire l’intelligence humaine, il faut noter qu'il existe trois grands niveaux d'IA, caractérisés chacun par des techniques particulières. 

  • Le premier niveau, que tout le monde connait : l'implémentation de règles. Il s'agit de la programmation de règles sous la forme « SI… ALORS… ». Ces règles sont utilisées dans bon nombre de fichiers Excel, de programmes, de systèmes expert… 

Cette technique permet certes d'automatiser des actions en fonction de conditions, mais n'implique pas d'évolution autonome du système (c’est-à-dire sans recours au programmeur). 

  • Le second niveau, le machine learning, consiste à faire identifier par une machine des règles à travers un jeu de données.  

L'apport de cette technique est d'éviter de programmer toutes les règles, de permettre à la machine, en lui fournissant des exemples (nombreux), d'identifier par elle-même les règles afin de les appliquer. 

La machine apprend à partir d'exemples qului sont fournis.  

Cependant, sa capacité d’apprentissage est des millions de fois plus longue que celle d'un petit enfant. De plus, même si une taille importante du jeu de données d'apprentissage permet de diminuer les biais, il ne les élimine pas définitivement. 

Les deux principaux biais sont : 

  • Le biais de l'exhaustivité des cas : tous les cas particuliers et toutes les exceptions ont-ils été communiqué à la machine via des exemples ?  
  • Le biais du taux d'erreur du modèle prédictif : la solution se trouve-t-elle dans les exemples fournis ou bien sera-t-elle une créance pure, qui par essence, ne peut être un exemple communiqué à la machine ? 

La machine peut se perfectionner elle-même en générant ses propres exemples, cas d'apprentissage ou en recherchant de manière continue de nouveaux jeux de données. 

  • Le troisième niveau, ldeep learning  

Ce niveau, qui s'inspire du cerveau humain, est basé sur un système de réseau de neurones. Le principe est de superposer des niveaux de milliers de neurones artificiels qui : 

  • reçoivent des informations des niveaux inférieurs 
  • interprètent ces informations 
  • poussent leur résultat vers les niveaux suivants 

A l’image de tamis successifs qui permettent de trouver une solution à un problème posé. 

Exemple : après avoir identifié une forme non symétrique, des pattes, une queue, une taille, des moustaches, la machine va potentiellement reconnaître : un félin ou une peluche et il lui faudra encore d'autre niveau de neurones avec d'autres réponses à d'autres questions pour identifier au final : un chat.  

  

Quelles sont les applications de L'IA dans le cadre du contrôle de gestion ? 

Dans la liste des principales applications de l'IA au contrôle de gestion, nous pouvons énumérer : 

Les analyses prédictives, qui permettent de définir un modèle pour

  • les simulations budgétaires
  • les changements de modèle de gestion
  • les analyses de coût 

Et en particulier, l'apport de la machine est de pouvoir tester un très grand nombre de possibilités, de modifications de paramètres afin de discerner avec les données et variables fournies, la réponse la plus optimisée. 

Repérer des anomalies, distinguer finement des données contrevenantes à des règles, afin de mettre en exergue : 

  • les erreurs de saisies 
  • les défauts ou mise en qualité de processus 
  • les fraudes 
  • les phénomènes embryonnaires

L'automatisation des processus, ainsi que l'orientation vers les réponses les plus adéquates aux contextes. Les processus n'ayant plus besoin d'être maitrisés par les acteurs, parce qu'ils sont guidés par la machine. 

Dans le cadre de la déclinaison d'une stratégie : de formation, de qualité ou d’identification des talents … d'appliquer de la même façon que les réseaux sociaux, des concepts d'analyse de données professionnelles associées à des profils et de pousser vers les acteurs idoines : des présentations, des propositions de postes, des formations, des règles à privilégier ou à appliquer. 

L'analyse de données sur les marchés, les humeurs des consommateurs, la situation économique et l'identification par l'IA de la meilleure adaptation des services ou du produit proposé, ainsi que du système de production. 

La référence à l'IA dans la plupart des outils décisionnels : est-ce vraiment de l'IA ou du marketing ? 

La réponse ne va sans doute pas vous étonner, mais elle est hétérogène : 

  • Des graphiques qui présentent les valeurs les plus hautes ou les plus basses selon différents axes de dimension : potentiellement intéressant mais est-ce vraiment de l'IA ? 
  • L'identification d'anomalies par rapport à une tendance, utile mais est-ce vraiment de l'IA ? 
  • Des possibilités d'apprentissage et d'entrainement afin d'identifier des sentiments, des règles. Nous sommes bien dans de l'IA. Pas encore des réseaux de neurones, mais de l'IA tout de même.  

En effet, ce qu’on constate dans les outils, notamment EPM de type SAP Analytics Cloud, Workday Adaptive Planning ou Anaplan pour ne citer qu’eux, c’est qu’une analyse pertinente, qui peut être générée par l’IA à partir d’un apprentissage statistique, doit être basée sur une modélisation intelligente de la donnée. L’IA implémentée dans ces outils ne saurait pas se déterminer seule à partir d’un ensemble de données non modélisé selon des axes métiers et dire ce qui doit ou pas être considéré. On gagne du temps, mais ce n’est pas la révolution du contrôle de gestion.  

En guise de conclusion, nous pouvons indiquer que l'utilisation de l'IA se démocratise et est à portée de main dans nos outils décisionnels, mais elle demande un investissement conséquent pour donner des résultats probants.  

Pour en savoir plus, demandez une présentation personnalisée