L’IA est de plus en plus capable de faire davantage que d’assister les équipes comptables. Elle peut repérer des écarts, suggérer des classifications, préparer des opérations et, dans certains cas, les exécuter directement dans les systèmes comptables.
Cela crée un problème de gouvernance que de simples circuits d’approbation ne peuvent pas résoudre : lorsque des logiciels exécutent une partie du processus comptable, qui est responsable de la décision ?
La réponse ne peut pas être le système lui-même. L’IA traite des données et fonctionne dans des limites définies, mais elle n’assume pas la responsabilité des résultats financiers. Celle-ci incombe à l’entreprise et aux personnes qui définissent ce que le système est autorisé à faire, à quel moment il doit être contrôlé et comment ses résultats sont validés.
Cette répartition des responsabilités était au cœur d’un récent Trend Talk d’eWeek sponsorisé par QuickBooks Online. Corey Noles, expert en IA et rédacteur en chef de The Neuron, et Max Crampton-Thomas, expert en comptabilité et en QuickBooks, ont étudié la manière dont les entreprises peuvent introduire l’automatisation sans perdre le discernement, le contexte et la responsabilité indispensables à une gestion financière rigoureuse.
À mesure que l’IA se voit confier davantage de responsabilités opérationnelles, les équipes financières ont besoin d’un juste milieu entre contrôle manuel et automatisation complète. Ce juste milieu repose sur une autonomie graduée : attribuer différents niveaux d’autorité à l’IA en fonction du risque de la tâche et de la fiabilité démontrée du système.
L’autorité d’automatisation doit se mériter
Toutes les tâches comptables ne présentent pas le même niveau de risque. Classer une opération courante de faible montant est très différent de l’approbation d’un paiement important ou d’un ajustement ayant une incidence significative sur les états financiers. Une seule règle d’automatisation ne peut pas couvrir les deux situations en toute sécurité.
L’IA peut donc fonctionner à différents niveaux. Elle peut simplement signaler un problème, recommander une action à soumettre à un contrôle humain, préparer une écriture pour approbation ou exécuter une action dans des limites strictes. Le niveau approprié dépend de l’impact potentiel d’une erreur, du caractère réversible ou non de l’action et de la régularité avec laquelle le système fonctionne dans ce circuit précis.
Crampton-Thomas a clairement exposé cette approche fondée sur le risque dans le Trend Talk. « Pour le dire simplement, plus une erreur serait difficile à annuler, moins j’accorderais d’autorité au système pour agir seul », a-t-il déclaré.
Cela instaure une progression de la confiance. Un système peut commencer par suggérer des classifications, tandis que des collaborateurs examinent chaque recommandation. S’il fait preuve de régularité au fil du temps, l’organisation peut l’autoriser à prendre en charge une plus grande partie de ce circuit restreint, tout en continuant à faire remonter les éléments incertains ou plus risqués.
Il est important de noter que la confiance ne consiste pas à déterminer globalement si un outil d’IA est fiable. Elle dépend d’une tâche, d’un jeu de données et d’un contexte opérationnel précis. De bonnes performances dans un domaine ne justifient pas une autorité plus large ailleurs.
L’objectif n’est pas l’automatisation maximale, mais une automatisation adaptée au niveau de risque.
Approbation ne signifie pas supervision
L’idée d’un « humain dans la boucle » est souvent considérée comme un contrôle suffisant. Mais une simple étape d’approbation ne garantit pas à elle seule une supervision réelle.
Pour que le contrôle soit efficace, la personne chargée de l’examen doit comprendre ce que recommande le système, quelles informations ont éclairé cette recommandation et quelles seraient les conséquences d’une erreur. Elle doit également disposer du temps et de l’autorité nécessaires pour remettre en question le résultat.
Sans ces conditions, l’approbation peut devenir routinière. Lorsque les recommandations de l’IA semblent fiables et s’intègrent à des circuits comptables familiers, les employés peuvent commencer à les accepter automatiquement. Le point de contrôle subsiste, mais l’examen réel disparaît.
Comme l’a expliqué Crampton-Thomas, « La personne chargée du contrôle doit comprendre pourquoi l’élément lui est parvenu et voir les éléments probants qui étayent la recommandation. Si elle ne peut pas déterminer ce que son approbation va réellement changer, cette étape crée un faux sentiment de sécurité. »
C’est particulièrement important en comptabilité, où le contexte compte autant que la reconnaissance des schémas. Une opération qui semble inhabituelle peut être une erreur, ou représenter une décision commerciale légitime que le système ne peut pas interpréter pleinement. Un fournisseur peut apparaître sous des noms différents, tandis qu’une variation des revenus ou des dépenses peut refléter des circonstances invisibles dans les données sous-jacentes.
Une supervision efficace exige donc davantage que l’ajout d’une personne après l’intervention de l’IA. Les équipes financières doivent définir qui est responsable du contrôle, quels éléments probants sont fournis et quelles situations nécessitent une escalade.
L’effort de contrôle doit également être proportionnel au risque. Les opérations de faible montant et réversibles ne nécessitent pas la même attention que les événements financiers à fort impact ou inhabituels. Le jugement humain doit se concentrer là où il peut modifier sensiblement le résultat.
La gestion des exceptions devient une compétence financière clé
L’IA ne se contente pas d’accélérer le travail comptable. Elle change la nature des éléments que les équipes consacrent leur temps à examiner.
Dans les processus manuels, les équipes peuvent examiner des milliers d’opérations courantes pour trouver un petit nombre d’erreurs ou d’anomalies. L’IA peut traiter une plus grande partie de cette activité prévisible et faire ressortir les éléments les plus susceptibles de nécessiter une intervention.
Le jugement ne disparaît pas pour autant. Il se concentre.
Cela introduit également une nouvelle responsabilité : déterminer ce qui constitue une exception. Si les seuils sont trop larges, les équipes peuvent être submergées d’alertes. S’ils sont trop étroits, des problèmes importants peuvent passer sans contrôle.
Les équipes financières doivent décider quels schémas, montants et incertitudes justifient une escalade. Le montant de l’opération compte, mais aussi son caractère réversible, sa fréquence, les éléments justificatifs disponibles et son impact financier potentiel.
Dans ce modèle, l’IA transforme le travail comptable en un ensemble plus restreint de décisions à plus forte valeur ajoutée, où l’expertise humaine compte le plus. La gestion des exceptions devient un élément du contrôle financier, et non plus un simple nettoyage opérationnel. Les équipes doivent s’assurer que le système fait ressortir les bons problèmes, et pas seulement un nombre réduit de problèmes.
La responsabilité ne peut pas être déléguée à un logiciel
À mesure que l’IA passe de la recommandation à l’exécution des actions, la responsabilité peut devenir moins visible.
Même si personne ne déclenche chacune des actions individuellement, quelqu’un doit rester responsable du cadre qui permet leur exécution. Cela inclut la définition des seuils, l’approbation de l’autorité du système, le suivi de ses performances et l’intervention lorsque son comportement évolue.
La traçabilité est donc essentielle. Pour toute action importante, l’organisation doit être en mesure de reconstituer les données utilisées par l’IA, les raisons de son intervention, ce qu’elle a fait et la question de savoir si un contrôle humain a eu lieu.
Sans cette trace, l’automatisation peut accroître la vitesse tout en réduisant le contrôle. Les opérations peuvent sembler correctes, alors même que l’organisation perd la capacité d’expliquer comment elles ont été produites.
La responsabilité n’exige pas que les collaborateurs exécutent manuellement chaque étape, mais elle ne peut pas non plus disparaître dans le système.
La fonction finance a besoin de droits de décision clairs pour l’IA
L’enjeu principal n’est pas de savoir s’il faut utiliser l’IA en comptabilité, mais de déterminer quelle autorité lui accorder et qui reste responsable de ses actions.
Cela nécessite des droits de décision explicites. Les équipes financières doivent définir quelles tâches l’IA peut effectuer de manière autonome, lesquelles nécessitent une approbation, lesquelles doivent rester sous contrôle humain et quels éléments probants sont requis avant d’étendre l’autorité du système.
L’autonomie graduée fournit une structure concrète. Elle permet aux organisations d’automatiser les tâches répétitives et moins risquées tout en préservant le jugement humain là où le contexte et les conséquences financières comptent le plus.
Cette distinction permet également de relier l’automatisation à un résultat métier. Crampton-Thomas a résumé l’objectif vers la fin du Trend Talk : « L’objectif n’est pas d’éloigner les collaborateurs de la comptabilité. Il s’agit plutôt de les libérer des tâches répétitives afin qu’ils puissent se concentrer sur les décisions pour lesquelles leur expérience compte réellement. »
L’IA peut identifier, recommander, préparer et exécuter des actions. Elle ne peut pas assumer la responsabilité du résultat.
À mesure que l’IA s’intègre davantage à la comptabilité, le contrôle le plus solide ne sera pas une approbation humaine universelle. Ce sera un modèle de gouvernance clair, dans lequel l’automatisation se mérite, la supervision est réelle, les exceptions sont correctement gérées et la responsabilité incombe toujours à une personne.