Avant qu'une IA agentique n'agisse en trésorerie, les DAF doivent savoir s'ils peuvent faire confiance à ses conseils

L’annonce de Mastercard concernant Agent Pay montre que les agents IA se rapprochent de la couche des paiements. Pour les consommateurs, cela peut signifier des agents IA capables d’acheter, de souscrire ou d’effectuer des transactions dans le cadre d’autorisations définies. Pour les responsables de trésorerie, cela soulève une question plus intéressante : que se passe-t-il lorsqu’un agent IA ne se contente plus de conseiller, mais exécute réellement des décisions financières ?

Ce niveau supérieur est important. Un insight généré par l’IA et erroné peut être contesté. Une recommandation erronée peut être examinée. Mais un paiement confirmé, un investissement ou une couverture de change est plus difficile à annuler.

C’est pourquoi les responsables de trésorerie ne doivent pas attendre l’arrivée de l’exécution autonome pour définir la manière dont ils feront confiance à l’IA et où les humains interviennent dans la boucle. La première étape est plus fondamentale, et plus immédiate : les équipes de trésorerie peuvent-elles faire confiance aux insights et recommandations générés par l’IA ?

De nombreuses discussions sur la préparation à l’IA en finance commencent par la qualité des données. Et je comprends pourquoi. La trésorerie ne peut pas faire confiance à des données incomplètes, qu’il s’agisse de relevés bancaires manquants, de positions de trésorerie non rapprochées, ou de données fournisseurs et clients peu fiables. L’IA peut aider à identifier et enrichir les données manquantes, mais sans un cadre approprié, c’est-à-dire des workflows, contrôles, bonnes pratiques et expertises métier propres à la trésorerie construits autour du LLM, elle peut tout aussi facilement créer plus de problèmes qu’elle n’en résout.

Sans ce cadre, la même question posée aux mêmes données peut produire des réponses différentes selon les jours. Un comportement similaire peut apparaître lorsque l’IA est chargée de trouver des transactions bancaires manquantes, de catégoriser des flux de trésorerie ou d’interpréter des tendances de liquidité. En trésorerie, ce manque de répétabilité précise n’est pas un simple désagrément technique. C’est un problème de confiance.

La confiance exige de la confiance dans les données, mais elle dépend aussi de la compréhension de la manière dont l’agent a été construit. Les DAF doivent savoir quelles parties de l’analyse sont pilotées par le LLM, quelles parties sont régies par des contrôles propres à la trésorerie, et où des workflows répétables imposent la cohérence.

Comme les Grecs anciens auraient pu le dire, « connais ton agent ». 

Le premier problème de confiance : l’IA comme conseiller

Pour de nombreuses équipes de trésorerie, le premier usage pratique de l’IA ne consistera pas à passer directement à la prise de décision automatisée et à l’exécution des transactions. Il consistera à fournir des insights et des recommandations.

Cela peut inclure des questions comme :

• Pourquoi la trésorerie a-t-elle évolué différemment de ce qui était prévu ?

• Quelles entités présentent des schémas de liquidité inhabituels ?

• Quelles expositions sont les plus sensibles à un choc de taux ou de change ?

• Quels paiements sont suspects ?

• Qu’arrive-t-il à notre trésorerie si le détroit s’ouvre ou se referme ?

• Que devons-nous faire ensuite ?

Ce sont des cas d’usage à forte valeur. Ils peuvent aider les équipes finance à fournir des analyses pertinentes et des interprétations plus rapides lorsqu’un événement important survient. Pourtant, même dans ce rôle de conseil soutenu par l’IA, la confiance compte.

Un exemple assez récent concerne une entreprise qui avait une duplication de données dans son data lake. L’une de ses banques avait envoyé des relevés intrajournaliers aux formats MT et CAMT pendant une certaine période. Le problème ne venait pas des données de la veille, mais de la duplication intrajournalière. En l’absence de cadre permettant au LLM de comprendre que les mêmes transactions étaient envoyées deux fois de manière systématique, son modèle IA a créé des prévisions fondées sur des schémas fantômes.

Même si cela n’a évidemment rien à voir avec un agent IA qui initie, approuve et libère un paiement, cela a tout de même créé une appréhension à l’idée de s’appuyer sur l’IA pour naviguer dans les nuances de la vie quotidienne de la trésorerie.

Si un outil d’IA recommande un mouvement de trésorerie, identifie un déficit potentiel ou signale une exception de paiement, les équipes de trésorerie doivent avoir confiance dans l’exactitude des calculs. Elles doivent savoir que l’IA a réalisé le travail comme elles l’auraient fait elles-mêmes.

Cela illustre la nécessité d’intégrer l’expertise trésorerie dans les agents de trésorerie, ces mêmes agents spécialisés devant afficher leur raisonnement pour « montrer leur travail », pour ainsi dire. Sinon, l’IA devient une autre boîte noire superposée à des données de trésorerie déjà fragmentées.

La qualité des données compte

Beaucoup de responsables de trésorerie parlent de données propres comme condition préalable à une IA réussie. Je fais généralement partie de ce groupe ; je dis souvent qu’il n’y a pas de stratégie IA sans stratégie de données. Mais cela signifie-t-il que les données doivent être parfaites ? Je dirais que non. Car si c’était le prix d’entrée, personne ne se lancerait jamais dans l’IA.

Dans l’enquête CFO 2026 de Kyriba, seuls 40,7 % des DAF ont déclaré disposer d’une visibilité de trésorerie entièrement complète et en temps réel. C’est significatif, car près de six responsables finance sur dix signalent des imperfections dans leur reporting de trésorerie. Cela signifie également que leurs analyses IA peuvent fonctionner avec des données de trésorerie retardées, partielles ou fragmentées. L’enquête n’a pas demandé combien disposent d’une visibilité de 90 % ou 95 %, mais nous savons tous que le nombre d’équipes finance qui se satisfont de 90 % ou plus, mais pas de 100 %, est nettement plus élevé.

Qu’est-ce que cela signifie pour l’IA ? Cela signifie qu’il est possible de disposer d’informations incomplètes et de prendre malgré tout des décisions complexes de liquidité, y compris de couverture des expositions de trésorerie. Les équipes de trésorerie fonctionnent assez efficacement sans disposer de toutes les données. Mais ce qu’elles ne peuvent pas sacrifier, c’est l’exactitude des données.

L’IA peut aider à combler les lacunes de votre visibilité de trésorerie, voire formuler des hypothèses sur ce que nous ne voyons pas. Mais l’IA a besoin que les données dont vous disposez soient correctes. La fiabilité est importante ; sinon, l’IA est construite sur des fondations fragiles et, lorsqu’on lui demande de modéliser des scénarios de liquidité ou de signaler des anomalies de paiement, le risque n’est pas seulement que le résultat soit erroné. Le vrai problème est que le résultat peut paraître convaincant tout en étant faux.

Dans cette même enquête CFO, 31,2 % des DAF ont identifié la fiabilité des données comme une priorité opérationnelle critique pour 2026. C’est un chiffre important, mais cela signifie aussi que près de sept DAF sur dix ne traitent pas la fiabilité des données comme une priorité. C’est préoccupant, surtout à mesure que l’IA intervient davantage dans l’analyse et les recommandations de trésorerie. Cela montre aussi où la préparation à l’IA doit commencer : avec des données fiables et des contrôles clairs sur la manière dont les agents les utilisent. 

Cinq questions avant que la trésorerie ne fasse confiance aux conseils de l’IA

Avant de déployer l’IA dans les workflows de trésorerie, les DAF et les responsables de trésorerie doivent pouvoir répondre à cinq questions clés.

1. Pouvons-nous reproduire la réponse de l’IA ?

Les équipes de trésorerie ne peuvent pas s’appuyer sur des insights qui changent parfois chaque fois que la même question est posée aux mêmes données. Si l’IA signale un risque de liquidité, recommande un mouvement de trésorerie ou identifie un événement potentiel de fraude, les utilisateurs doivent pouvoir comprendre si les mêmes conditions produiraient à nouveau la même recommandation.

La répétabilité compte. Dans un agent non encadré, le même prompt appliqué aux mêmes données peut encore produire des réponses différentes. Cela peut être acceptable lorsque l’IA résume un document. Ce n’est pas acceptable lorsque le résultat peut influencer des décisions de liquidité, de paiement, de couverture ou d’investissement.

« L’IA l’a dit » n’est pas un contrôle de trésorerie. Mais « l’IA a dit quelque chose de différent cette fois » n’en est pas un non plus.

2. Savons-nous quelles données, quels outils et quelles compétences l’IA a utilisés ?

L’IA n’est fiable qu’à hauteur des données et des capacités qu’elle est autorisée à utiliser. Si un flux bancaire est en retard, si un fichier ERP est incomplet, si le rapprochement n’a pas eu lieu, ou si un agent utilise le mauvais outil pour la tâche, le résultat peut encore paraître convaincant.

Les équipes de trésorerie ont besoin de visibilité sur les données sources, la fraîcheur des données, les exclusions, les lacunes connues et les compétences ou outils utilisés pour générer la recommandation. Une recommandation fondée sur des données périmées ou partielles ne doit pas avoir le même poids qu’une recommandation fondée sur des informations complètes et rapprochées. Une recommandation produite en dehors d’un cadre approuvé ne doit pas avoir le même poids qu’une recommandation générée au moyen d’un accès contrôlé aux données, de compétences définies et de workflows répétables.

3. Les utilisateurs peuvent-ils contester la recommandation ?

Faire confiance ne signifie pas accepter chaque résultat. Cela signifie savoir comment l’interroger.

En pratique, j’ai vu des équipes de trésorerie demander si une recommandation générée par l’IA était exacte. J’en ai vu moins demander quelles alternatives le système avait envisagées, quelle hypothèse modifierait la réponse, ou si la recommandation reste valable lorsqu’une source est obsolète.

Les utilisateurs de trésorerie doivent pouvoir demander pourquoi une recommandation a été formulée, quelles alternatives ont été envisagées et quelles conditions changeraient la réponse. Si un déficit de liquidité est signalé, les utilisateurs doivent pouvoir tester si la conclusion change selon différentes hypothèses ou corrections de données.

4. Où l’examen humain intervient-il ?

Même lorsque l’IA ne fait que conseiller, la supervision humaine doit être explicite. Une recommandation de prévision de trésorerie peut nécessiter un examen par les opérations de trésorerie. Une recommandation de couverture peut nécessiter l’intervention de la gestion des risques. Une exception de paiement peut nécessiter une escalade avant toute action.

C’est là que de nombreuses conversations sur la gouvernance deviennent trop abstraites. Le « human-in-the-loop » semble rassurant, mais il n’a de valeur que si l’organisation peut nommer l’humain, prendre la bonne décision et montrer où cet examen intervient avant que la recommandation ne devienne action.

La gouvernance human-in-the-loop n’a pas besoin de tout ralentir, mais elle doit définir où le jugement et la responsabilité entrent dans le processus.

5. Pouvons-nous tester l’IA face à de vrais scénarios de trésorerie ?

La préparation n’est pas théorique. Les équipes de trésorerie doivent tester l’IA face aux conditions qu’elles rencontrent réellement : un fichier bancaire retardé, un déficit de liquidité, un choc de change, une contrepartie sanctionnée, une anomalie de paiement ou une approbation échouée.

L’objectif n’est pas simplement de voir si l’IA produit une réponse plausible. Il s’agit de voir si l’organisation peut expliquer, contester, escalader ou rejeter cette réponse avant qu’elle n’influence une décision de trésorerie.

Dans chaque déploiement d’IA de trésorerie que nous avons accompagné chez Kyriba, les équipes qui ont avancé le plus vite n’étaient pas celles qui expérimentaient le plus agressivement. C’étaient celles qui définissaient leurs chemins d’escalade, leurs limites d’approbation et leurs exigences de transparence des données avant que l’agent n’entre dans le workflow.

Marcher à quatre pattes avant de courir

À mesure que les agents IA se rapprochent de l’exécution financière, la question de la confiance devient plus urgente, mais la trésorerie ne doit pas commencer par le moment où un agent déplace de l’argent. Elle doit commencer une étape plus tôt, avec la recommandation qui conduit quelqu’un à approuver un paiement, un investissement, une couverture ou un cash sweep.

C’est l’étape « crawl » de la trésorerie pilotée par l’IA : prouver que les insights et recommandations générés par l’IA sont répétables, explicables et gouvernés avant que l’action initiée par l’IA n’arrive. Les étapes suivantes seront plus difficiles, car auditer un conseil de l’IA n’est pas la même chose qu’auditer une action de l’IA après exécution.

73,5 % des DAF de notre enquête ont déclaré que la maîtrise de l’IA et des technologies émergentes est la compétence la plus importante pour les futurs responsables finance. Le premier test de cette maîtrise n’est pas de savoir si un DAF peut reconnaître la promesse de l’IA. C’est de savoir si l’organisation peut gouverner les conseils que l’IA donne avant que ces conseils ne deviennent action.

Avant que l’IA n’agisse, les équipes de trésorerie doivent répondre à une question : pouvons-nous prouver pourquoi l’agent a donné ce conseil avant que quelqu’un n’agisse dessus ?