Un agent d'intelligence artificielle appliqué au contrôle de gestion récupère les exports de l'ERP, de la paie et de la banque, les remet au même format, vérifie les totaux, puis rédige un premier commentaire d'écart. Le contrôleur de gestion garde deux étapes, expliquer et arbitrer. Le reste tourne en dehors de lui.
Cette promesse circule depuis deux ans dans toutes les directions financières. Les chiffres du terrain racontent autre chose. Tandem accompagne plus de 50 entreprises sur ces sujets, et les projets de reporting qui tiennent ne ressemblent presque jamais à l'agent autonome qu'on imagine au départ.
Que fait concrètement un agent IA en contrôle de gestion ?
Un agent IA de contrôle de gestion prend en charge quatre familles de tâches. Elles ont un point commun, elles sont répétitives et leur résultat se vérifie.
- La consolidation. Rapatrier quatorze exports mensuels aux en-têtes différents et en sortir un fichier unique, colonnes harmonisées et doublons retirés.
- Le contrôle de cohérence. Comparer les totaux d'un mois sur l'autre, repérer une filiale absente, signaler une période décalée.
- Le commentaire d'écart. Sortir un premier jet qui dit où la marge bouge, sur quelle activité, et de combien.
- La mise en forme du reporting. Alimenter le gabarit mensuel, générer les graphiques, préparer la synthèse en tête de feuille.
Ce que l'agent ne prend pas en charge est plus intéressant. Il ne décide pas ce qui monte au comité. Il ne tranche pas entre deux explications possibles d'un écart quand la donnée ne permet pas de choisir. Il ne signe rien.
Quatre niveaux d'outillage, et pourquoi l'agent arrive en dernier
Le mot agent recouvre quatre choses différentes, et choisir la mauvaise coûte cher. J'ai construit des centaines de workflows et d'agents depuis trois ans, et l'erreur la plus fréquente consiste à sauter directement au dernier niveau.
Un assistant se déclenche à la main, dans le tableur ou dans le chat. Une automatisation simple enchaîne des actions sans aucun modèle de langage. Une automatisation avec IA garde cet enchaînement et ajoute un appel au modèle sur une seule étape. Un agent, lui, choisit ses étapes et ses outils tout seul. J'ai détaillé cette progression dans ma vidéo sur les agents, et le point qui compte est qu'une automatisation simple suffit dans une large partie des cas. Nous développons la même distinction dans notre article sur les agents et workflows IA.
Le reporting mensuel, étape par étape
La clôture mensuelle se découpe en six étapes. Quatre se délèguent, deux restent à vous. L'ordre compte davantage que le choix de l'outil.
L'erreur classique consiste à commencer par la rédaction, parce que c'est l'étape la plus visible et la plus spectaculaire en démonstration. Le résultat est un commentaire parfaitement tourné sur des chiffres faux. Normaliser avant de rédiger paraît moins impressionnant, et c'est pourtant ce qui fait tenir la chaîne.
Chez Newfund, un fonds de capital-risque entre Paris et Palo Alto, nous avons déployé six agents spécialisés sur Dust, un par dimension d'analyse. Une seconde mission a porté sur l'outillage interne et le suivi de portefeuille. La leçon est la même qu'en contrôle de gestion. Un agent par question précise tient mieux dans le temps qu'un assistant généraliste censé tout faire.
Comment l'IA commente un écart sans raconter n'importe quoi
Le commentaire d'écart est l'endroit où un modèle de langage apporte le plus, et celui où il dérape le plus vite. Un modèle produit volontiers une explication crédible même quand la donnée ne permet pas de trancher.
La parade tient en une règle de rédaction. La consigne donnée au modèle lui interdit de proposer une cause sans citer la ligne qui porte l'écart. Un commentaire sans source citée est rejeté avant d'arriver au contrôleur. Cette contrainte réduit le volume de texte produit, et elle multiplie sa valeur.
- Le modèle reçoit le détail chiffré, pas seulement le total agrégé.
- Il doit nommer la ligne, le compte ou le centre de coût qui explique l'écart.
- Il écrit au format du reporting, intitulés et unités compris.
- Il signale explicitement les écarts qu'il n'arrive pas à expliquer, au lieu d'inventer.
Claude dans le tableur, ce qu'il fait et ce qu'il ne fait pas
Excel reste le premier outil de pilotage des équipes financières, devant les suites de gestion intégrées. Le complément Claude pour Excel est disponible depuis les offres payantes d'Anthropic, Pro comprise, soit environ 20 euros par mois au tarif relevé en octobre 2026. J'ai consacré une édition entière au sujet, avec les trois façons de brancher l'IA sur un tableur.
Je partage cette feuille volante dans ma publication sur LinkedIn. Les limites qu'elle liste sont confirmées par la documentation d'Anthropic, qui écarte les macros et le langage VBA, les tables de données, et déconseille l'outil pour tout calcul d'audit non vérifié ou tout livrable client non relu.
| Approche | Ce qu'elle sert | Ce qui bloque |
|---|---|---|
| Le complément dans le tableur | Comprendre un fichier reçu, écrire une formule, construire un modèle, corriger une erreur de calcul. | Ni macros ni VBA, pas de table de données, et des fichiers très volumineux qui ralentissent tout. |
| L'espace de travail agentique | Croiser plusieurs fichiers, produire un classeur complet, exporter vers une feuille partagée, créer un tableau de bord lisible. | Il faut sortir du tableur, et la prise en main demande une vraie séance de formation. |
| L'automatisation programmée | Consolider des dizaines d'exports chaque mois, nettoyer de gros volumes, croiser des sources qui ne se parlent pas. | Cela se construit et cela se maintient. Il faut quelqu'un dans l'entreprise qui en porte la responsabilité. |
La prévision de trésorerie, le cas où l'IA aide le moins
La prévision est le sujet sur lequel les attentes sont les plus hautes et les résultats les plus décevants. Un modèle de langage ne prévoit pas un encaissement. Il n'a aucun accès à l'information qui compte vraiment, le comportement de paiement d'un client donné ce trimestre.
Ce que l'IA apporte sur la prévision est plus modeste et plus solide. Elle fiabilise l'entrée du modèle de prévision plutôt que la prévision elle-même. Nettoyer l'échéancier client, rapprocher les règlements partiels, repérer les factures sorties du circuit, toutes ces tâches se délèguent. La projection reste un travail de contrôleur, appuyé sur une règle de gestion que vous écrivez.
Où l'IA se trompe sur les chiffres, et ce qui l'attrape
Quatre erreurs reviennent sur tous les projets de reporting outillé. Chacune se neutralise par un garde-fou précis, posé dans la chaîne et pas dans la consigne de rédaction.
Anthropic documente ce dernier risque sur son propre complément et demande de n'ouvrir que des classeurs de confiance. Un contrôleur de gestion reçoit des fichiers de ses filiales, de ses fournisseurs et de sa banque toute la journée. Le réflexe à installer est simple, les fichiers extérieurs s'ouvrent sur une copie et toute action sensible passe par une validation. Nous détaillons la même discipline pour les cabinets comptables, qui vivent exactement la même exposition.
Ce que le marché fait vraiment, chiffres à l'appui
L'écart entre l'enthousiasme et le déploiement réel est spectaculaire. Prenez l'étude 2026 de Dauphine, menée par Grant Thornton France avec l'Université Paris-Dauphine PSL auprès de 1 207 répondants entre octobre et décembre 2025, donne les deux chiffres qui comptent. 84 % des professionnels anticipent un impact positif de l'IA sur le métier. Et 51 % des entreprises n'ont identifié aucun projet IA, pendant que 4 % seulement disposent d'une solution en production.
La même étude place la fiabilité des données en priorité numéro un, citée par 48 % des répondants, devant l'automatisation et les outils avancés. Excel reste l'outil de pilotage le plus cité, à 35 %. Trois quarts du panel travaillent en PME ou en ETI, ce qui rend ces chiffres directement lisibles pour une direction financière de taille moyenne.
La dépendance technologique inquiète 72 % des répondants, et c'est une objection légitime. Du côté des instances professionnelles, la DFCG a consacré une rencontre de février 2026 à l'IA dans la transformation de la direction financière. Le sujet est donc chaud, et le baromètre Esker confirme que les directions financières réclament des preuves avant d'accorder plus d'autonomie à la machine.
Faut-il mettre un agent IA sur votre contrôle de gestion ?
Oui, à condition de ne pas commencer par l'agent. Sur une centaine de missions, les projets de reporting qui durent commencent tous par la consolidation et le contrôle de cohérence, deux étapes qui ne demandent aucun modèle de langage. Le commentaire automatique arrive ensuite, et il tient parce que la donnée en dessous est propre.
Le bon ordre tient en trois mouvements. Vous fiabilisez d'abord la collecte et le format. Vous ajoutez ensuite l'IA sur les étapes de classement et de rédaction. Vous ne passez à l'agent autonome que si une tâche reste vraiment floue après ces deux passes, ce qui est plus rare qu'on ne le croit en contrôle de gestion.
Si vous voulez savoir par où commencer sur votre périmètre, un audit IA de quelques semaines suffit à chiffrer les deux ou trois cas d'usage qui méritent d'être outillés. Et si vos contrôleurs tirent déjà parti du tableur, une formation Claude donne plus de résultat à court terme qu'un projet d'agent. Nos missions en finance et investissement commencent presque toujours par cette étape.
Pour aller plus loin sur la partie tableur, notre guide sur l'automatisation Excel avec l'IA reprend les manipulations une par une.
