La plupart des équipes trésorerie n'en sont qu'aux prémices de l'adoption de l'IA dans leurs opérations, et nous constatons que la grande majorité des agents IA de trésorerie fonctionnent d'abord en mode lecture seule. Ils fournissent des analyses, mais n'agissent pas encore.

Que votre organisation soit à quelques jours ou à plusieurs années de permettre à l'IA d'approuver ou d'exécuter des transactions, s'appuyer sur les analyses et recommandations générées par l'IA exige de la confiance. La confiance se mérite, et elle commence par connaître l'agent.

Après mon dernier article de blog, j'ai reçu le retour d'une personne qui soutenait que la confiance n'avait guère d'importance tant qu'un être humain restait dans la boucle. Si l'IA « hallucine », argumentait-elle, l'humain peut tout simplement ignorer la recommandation.

Bien sûr, un professionnel de la trésorerie peut ignorer une recommandation de l'IA. Mais si le seul contrôle consiste à ignorer la réponse, quelle valeur l'IA apporte-t-elle réellement ? Un système qui produit des conseils sur lesquels personne ne peut s'appuyer n'améliore pas grand-chose. Au contraire, il ajoute une charge de vérification supplémentaire.

Si vous utilisez l'IA pour la finance, la gestion de trésorerie, les paiements, la couverture de risques, etc., vous voudrez à un moment ou à un autre qu'elle réalise des tâches que vous ne pouvez pas facilement valider en quelques secondes. Si j'apprécie beaucoup l'idée de tester l'IA avec des questions dont vous connaissez déjà la réponse, c'est là le stade du « crawl ». Au fur et à mesure que vous progresserez vers le « walk » et le « run », vous voudrez que l'IA prenne des décisions et agisse sur la base de ses recommandations. Vous avez besoin que l'IA vous soit redevable — ce qui change fondamentalement notre façon de penser et de valider la responsabilité de l'IA agentique. 

Pourquoi le déploiement n'est pas la même chose que la gouvernance

Les données de Gartner issues du Finance Symposium de cette année illustrent concrètement cet écart : 84 % des organisations financières ont déployé l'IA ou prévoient de le faire. Seuls 7 % font état d'un impact élevé ou très élevé. Les obstacles identifiés par Gartner sont les lacunes en matière de qualité des données et un ROI difficile à démontrer. J'en ajouterais un troisième : la plupart des organisations ont intégré l'IA dans leurs workflows sans définir qui est responsable de l'audit de l'agent à l'origine de la recommandation.

L'enquête Risk Radar actualisée de Kyriba chiffre le coût de cet écart. Dans neuf pays, près de 4 responsables financiers sur 5 (79 %) déclarent avoir subi un impact financier significatif dû à une visibilité insuffisante sur les risques au cours des 12 derniers mois. Les organisations qui déploient le plus activement l'IA sont aussi celles qui ont le plus de chances d'avoir déjà absorbé le coût d'une gestion sans contrôles de visibilité adéquats.

Le premier article de cette série a posé cinq questions pour évaluer la fiabilité des conseils fournis par l'IA. Mais ces questions présupposent quelque chose de plus fondamental : l'organisation doit savoir quel agent a produit l'analyse, à quelles données il a eu accès et ce qui a gouverné son raisonnement. L'opportunité que représente l'IA pour la trésorerie est d'améliorer la fiabilité sur les plans de la trésorerie, de la liquidité et de la couverture, afin que les équipes financières puissent prendre de meilleures décisions, plus pertinentes. On peut appeler cela le coût d'une mise en œuvre réussie : la valeur créée lorsque la recommandation d'un agent est suffisamment fiable pour être mise en application. Y parvenir exige de faire confiance à nos agents. En trésorerie, où l'IA agentique passe du conseil à l'exécution, la confiance commence par savoir ce que fait l'agent.

Le test « Connaître son agent »

Les professionnels de la finance reconnaîtront immédiatement la structure : elle fait écho aux référentiels Know Your Customer (KYC) qui gouvernent le risque de contrepartie depuis des décennies. Le KYC s'applique aux tiers. Le « Know Your Agent » s'applique à l'IA qui opère au sein de votre propre workflow.

Le test comporte quatre questions. Elles doivent pouvoir être répondues sans avoir à consulter de multiples systèmes ou à contacter le fournisseur.

• Quel agent a produit la recommandation, et quelle personne en est responsable ?

• Quelles données, quels outils et quelles autorisations a-t-il utilisés ?

• À quelle conclusion est-il parvenu, et sur quelle base ?

• Quelle personne habilitée a examiné, approuvé, rejeté ou modifié la recommandation avant toute action ?

Si l'on ne peut pas répondre clairement à ces questions, l'organisation dispose d'une mise en œuvre — non d'un modèle de gouvernance.

Ces réponses doivent figurer dans le même dossier de trésorerie que la décision elle-même, et non dans un journal IA séparé. Pour une recommandation portant sur la trésorerie, la liquidité, les paiements ou la couverture, les dirigeants et les auditeurs doivent pouvoir consulter les soldes pertinents, les prévisions, les relevés bancaires, les expositions et les politiques ; quand ces informations ont été actualisées ; ce que l'agent a calculé ou exclu ; quels contrôles et approbations ont été appliqués ; et qui a examiné l'étape suivante. L'activité de l'agent, l'historique des paiements, les données bancaires, les approbations de workflow et les vérifications de politique doivent former une piste d'audit unique et cohérente, afin que nul n'ait à reconstituer une transaction ou un workflow de paiement à partir de plusieurs systèmes.

La piste d'audit indique ce qui s'est passé. Un dispositif de contrôle spécifique à la trésorerie permet de s'assurer que la recommandation a été produite dans le respect des règles opérationnelles de l'organisation. Concrètement, l'agent doit montrer le travail de trésorerie, pas seulement la conclusion du modèle. Quelles données a-t-il utilisées ? Quelle politique a-t-il appliquée ? Quel calcul a-t-il effectué ? Qu'a-t-il exclu ? Quelle exception a-t-il identifiée ? Où une approbation humaine était-elle requise ?

Le TAI de Kyriba est conçu pour fonctionner dans ce workflow de trésorerie contrôlé, en s'appuyant sur les autorisations, les processus reproductibles et les contrôles d'audit qui régissent la décision sous-jacente. L'objectif n'est pas de créer un cadre de contrôle IA distinct. Il s'agit de faire de l'agent une composante du cadre de contrôle de trésorerie déjà en place.

Cela offre aux responsables financiers une façon concrète d'appliquer le test « Connaître son agent » : comprendre ce que l'agent était autorisé à consulter, suivre comment il est parvenu à sa conclusion, et identifier où l'autorité humaine est intervenue dans le workflow. La technologie doit faciliter l'accès à ces réponses — non les rendre plus difficiles à obtenir.

Savoir à quel agent vous avez affaire

Tout agent IA opérant dans un workflow de trésorerie doit être identifiable : quel agent a produit le résultat, ce qui a été modifié, et qui l'a autorisé à opérer dans le contexte où il a été utilisé.

Les équipes de trésorerie utilisent souvent plusieurs outils IA simultanément : un modèle de prévision, un détecteur d'anomalies de paiements, un assistant de catégorisation des flux de trésorerie, un outil de modélisation de scénarios. Lorsqu'une recommandation apparaît, la réponse appropriée dépend en partie de l'agent qui l'a produite, dans quelles conditions, et si cet agent opérait dans le cadre de son périmètre défini.

Un agent au mandat restreint — par exemple, signaler des exceptions intrajournalières — est fondamentalement différent d'un agent doté d'un accès étendu pour prévoir, catégoriser et recommander. La recommandation de chacun doit avoir un poids différent et des exigences de gouvernance distinctes.

Ce que l'agent a vu détermine ce qu'il dit

Une séquence agentique doit confirmer que les données requises sont présentes avant de produire un résultat. Une équipe de trésorerie s'attendrait raisonnablement à ce qu'elle vérifie que les fichiers bancaires sont arrivés, que le rapprochement est terminé et que les positions des entités requises sont disponibles. Ces contrôles peuvent détecter des lacunes évidentes, mais ne garantissent pas que les données sont correctes.

Une banque peut envoyer des transactions en double. Un flux peut être à jour mais incomplet. Un rapprochement peut associer les mauvaises opérations. La présence de données n'est pas synonyme de fiabilité des données. L'agent doit identifier ces situations et s'arrêter ou escalader lorsqu'il ne peut pas établir un état de données fiable.

Risk Radar mesure directement l'ampleur du problème de fraîcheur des données. Moins d'un dirigeant financier sur quatre affirme que son organisation peut quantifier en temps réel les implications financières d'un risque émergent. La plupart ont besoin d'un à six jours. Même aux États-Unis, la quantification en temps réel ne s'élève qu'à 23,9 %.

Les données seules ne font pas d'un agent un assistant de trésorerie efficace. Prenons un agent qui examine un paiement inhabituel de 4 millions de dollars émanant d'une filiale. En fonction du montant et du bénéficiaire, il signale le paiement comme anomal. Mais un professionnel de la trésorerie sait qu'il s'agit d'un virement interentreprises récurrent, planifié en fin de mois, dans les limites approuvées, et lié à un besoin de liquidité connu.

Sans la relation entre entités, la nature du paiement, l'historique des approbations et le contexte réglementaire, l'agent a identifié un schéma inhabituel, mais pas nécessairement un paiement inhabituel. Il a effectué la reconnaissance de formes. Il n'a pas encore accompli le travail de trésorerie.

Un cadre de trésorerie fournit ce contexte : hiérarchies d'entités, obligations de trésorerie engagées, seuils de politique, horaires limites et workflows approuvés. Sans ces éléments, l'IA peut être techniquement exacte et opérationnellement erronée. C'est pourquoi un assistant de trésorerie efficace a besoin de plus qu'un accès aux données. Il lui faut le contexte de trésorerie nécessaire pour les interpréter.

Le raisonnement doit être traçable

Dans le domaine de la trésorerie, l'explicabilité est le mécanisme qui permet à un examinateur humain de décider d'agir sur une recommandation, de l'escalader, de la remettre en question ou de la mettre de côté.

Risk Radar ajoute une dimension à cet argument. Moins de la moitié des dirigeants financiers, dans quelque pays ou secteur que ce soit, évaluent leur capacité à analyser l'exposition aux risques comme « haute confiance ». Dans le secteur technologique, qui mène tous les secteurs en matière d'adoption de l'IA, ce chiffre n'est que de 36,5 %. Un examinateur ayant une confiance modérée dans ses propres bases analytiques doit pouvoir suivre le raisonnement de l'agent étape par étape. Sans cela, l'étape de révision n'est qu'une approbation formelle — pas un audit.

Prenons l'exemple de la couverture de change. Un responsable de trésorerie sait quoi faire lorsque ses prévisions sont incertaines versus lorsqu'il dispose d'une pleine confiance dans ses projections de créances et de dettes en devises étrangères. Il a besoin de ce niveau de transparence de la part d'un agent IA pour savoir quelles mesures prendre. L'agent ne peut pas fonctionner comme une boîte noire. En trésorerie, les boîtes noires n'ont pas leur place dans la chaîne décisionnelle.

La supervision humaine doit avoir une adresse

La supervision humaine dans la boucle est le quatrième contrôle — et le plus vague. Cette expression apparaît partout, mais est rarement bien définie.

La supervision humaine en trésorerie ne fonctionne que si la politique, l'exécution et la piste d'audit sont parfaitement alignées. Si la séquence des actions — humaines et IA — peut identifier quel humain, à quelle étape, avec quelle autorité pour approuver, escalader ou rejeter, et dans quelles conditions cette étape peut être sautée, alors l'ensemble du workflow peut être mis en correspondance avec la politique et ultérieurement reconstitué par les auditeurs pour garantir la conformité.

À ce stade précoce de l'adoption de l'IA, le rôle très important d'approbation des transactions est souvent assuré par l'humain dans la boucle. Et même la piste d'audit la plus basique capturera cette action. Mais à mesure que les équipes de trésorerie se préparent à l'exécution de paiements et de transactions par l'IA, c'est l'ensemble du processus qui doit être traçable et applicable dans un seul système avec un seul ensemble de contrôles. De plus, qui a effectué quelle action doit être clairement distinguable. Nous devons savoir ce que l'IA a fait. 

Avant que le conseil ne devienne action

Le premier article de cette série s'achevait sur une question : peut-on prouver pourquoi l'agent a donné ce conseil avant que quiconque n'agisse en conséquence ? Le test « Connaître son agent » est le cadre pour répondre à cette question : quatre éléments qui doivent être documentés avant qu'une recommandation n'influence une décision de trésorerie.

Les organisations qui ne peuvent pas réussir ce test ne sont pas prêtes à mettre en œuvre l'IA pour une exécution autonome. La responsabilité doit précéder l'autonomie. Les agents IA en trésorerie qui ne peuvent pas être identifiés, qui ne révèlent pas leur état des données, qui ne peuvent pas montrer leur raisonnement, et qui opèrent sans supervision humaine désignée ne sont pas prêts à se voir confier l'étape de la marche — et encore moins celle de la course.

« L'IA l'a dit » n'est pas une piste d'audit. Apprenez à connaître votre agent avant de lui faire confiance.