La trésorerie en 2030 : Comment l'intelligence artificielle transforme le rôle du trésorier

Introduction

La gestion de trésorerie subit une transformation profonde, impulsée par l'essor rapide de l'intelligence artificielle (IA). Comme cela a été souligné lors de l'Agicap Treasury Day à Paris, cette révolution technologique est souvent décrite comme la plus significative depuis la démocratisation de l'électricité — dépassant même l'impact des ordinateurs, d'Internet et des smartphones. « Nous vivons une époque passionnante avec une révolution technologique comme l'humanité n'en a jamais connue auparavant avec l'intelligence artificielle », a déclaré Mickaël Jordan, Chief Revenue Officer d'Agicap, en préambule à cette table ronde prospective sur l'avenir de la gestion de trésorerie.

Pour les PME (petites et moyennes entreprises) et ETI (entreprises de taille intermédiaire), les possibilités de l'IA sont particulièrement stratégiques. Ces organisations doivent équilibrer agilité et efficacité avec la nécessité d'une gestion robuste des risques et de la conformité. L'intégration de l'IA dans les équipes de trésorerie promet non seulement d'automatiser les tâches manuelles, mais aussi d'améliorer la prise de décision, la précision des prévisions et de favoriser une collaboration plus étroite entre les équipes financières et techniques. Cependant, cette transformation soulève également des questions sur la gouvernance des données, l'évolution du rôle du trésorier et les compétences nécessaires pour prospérer dans ce nouvel environnement.

Cet article détaille les principaux enseignements de la table ronde avec Karine Hegbor de Souza, Directrice de la Trésorerie et du Financement chez Longchamp, et Dimitri Letellier, Associé en charge de la practice Data & IA chez RSM. Il fournit aux directeurs financiers et trésoriers de PME et ETI une analyse structurée des défis et opportunités liés à l'IA, des recommandations pratiques pour la mise en œuvre, et une vision pour la fonction trésorerie en 2030.

1. Responsabilité des données et collaboration à l'ère de l'IA

1.1. La responsabilité de la gestion des données change de main

La numérisation des processus financiers a généré un volume sans précédent de données, créant à la fois des opportunités et des défis pour les équipes de trésorerie. Comme l'a noté Dimitri Letellier, « La tendance n'est pas nouvelle : à mesure que nous numérisons et automatisons les flux, les équipes techniques, en particulier l'IT, deviennent centrales pour les processus métiers. » Cette évolution soulève une question critique : les départements financiers vont-ils perdre le contrôle des données de trésorerie au profit des équipes plus techniques ?

La réponse, selon le panel, réside dans un engagement proactif. Les directeurs financiers doivent prendre l'initiative de lancer des projets utilisant l'IA au sein de leurs propres équipes, en développant en interne des compétences techniques parallèlement à l'expertise financière. Cette approche préserve non seulement la propriété des données par la fonction financière, mais favorise également un cercle vertueux d'innovation et de collaboration avec le service IT.

1.2. Construire une synergie entre les équipes Finance, Data et IT

Chez Longchamp, l'équipe de trésorerie, composée de seulement trois personnes, gère les opérations de trésorerie mondiales dans 26 pays. Karine Hegbor de Souza a expliqué comment l'IA a déjà permis à son équipe de travailler de manière plus autonome, par exemple en automatisant la traduction des contrats bancaires dans plusieurs langues. « L'IA permet vraiment de travailler plus efficacement et d'aller plus loin dans notre fonctionnement », a-t-elle souligné.

L'approche de Longchamp est de maintenir des équipes Data et IT distinctes, toutes deux servant les besoins des équipes métiers. La première mission de l'équipe Data est d'identifier et de prioriser les exigences de chaque département, y compris la finance. Cela garantit que l'innovation technique est toujours alignée sur les objectifs métiers, et que l'expertise reste distribuée plutôt que concentrée dans une seule fonction.

1.3. De la concurrence à la co-construction

Les panélistes ont convenu que l'avenir réside dans une collaboration renforcée, et non dans la concurrence, entre les équipes financières et techniques. « L'idée n'est pas de transférer la responsabilité à des équipes purement techniques, mais de co-construire avec le service IT en tant que partenaire métier», a déclaré Dimitri Letellier. Ce modèle collaboratif permet à la finance de stimuler l'innovation tout en tirant parti des connaissances techniques des équipes IT et Data.

Une telle approche est particulièrement pertinente pour les PME et ETI, où les ressources sont souvent limitées et la coopération entre les équipes est essentielle pour le succès. En favorisant une culture de la responsabilité partagée, les organisations peuvent s'assurer que les initiatives IA apportent une valeur tangible sans compromettre la gouvernance des données ou les processus métiers.

2. Prévisions pilotées par l'IA : promesses et réalités

2.1. L'évolution des outils de prévision

L'une des applications les plus attendues de l'IA en trésorerie est l'automatisation et l'amélioration des prévisions de trésorerie. Le panel a commenté l’évolution des attentes envers l’IA depuis l'enthousiasme initial suscité par la sortie publique d'outils comme ChatGPT, vers une évaluation plus mesurée des capacités des outils IA. « Après l'engouement initial, de nombreuses organisations ont constaté que les cas d'usage réels étaient encore limités ou peu fiables », a observé Mickaël Jordan. En effet, de nombreuses organisations ont connu une « période de désillusion », où la transition entre les phases d’idéation et des preuves de concept vers des cas d'usage réels pouvant être industrialisés s'est avérée difficile. Les premiers modèles d'IA géraient souvent difficilement la complexité et la variabilité des données financières, et leurs résultats n'étaient pas toujours suffisamment fiables pour éclairer des prises de décision critiques.

Malgré ces obstacles initiaux, le paysage évolue désormais rapidement. L'IA est de plus en plus utilisée pour automatiser et améliorer des tâches de prévision spécifiques. Par exemple, les modèles peuvent désormais accélérer les rapprochements bancaires, un processus qui nécessitait auparavant des efforts manuels importants. Dans certains systèmes ERP, ces rapprochements sont désormais effectués presque instantanément, libérant un temps précieux pour les équipes de trésorerie. De plus, l'IA est déployée pour prédire les retards de paiement au niveau des factures, en tenant compte d'un large ensemble de paramètres tels que l'historique de paiement des clients, le nombre de factures impayées et les cycles de paiement moyens. En agrégeant ces points de données internes, les modèles d'IA peuvent fournir des prévisions plus granulaires et fiables, permettant aux trésoriers d'anticiper les entrées et sorties de trésorerie avec une plus grande précision.

2.2. Le prérequis : qualité des données et profondeur de l’historique

Malgré ces avancées, le déploiement réussi de l'IA dans les prévisions dépend de la disponibilité et de la qualité des données historiques. Comme indiqué par Karine Hegbor de Souza, « Lorsque nous parlons d'IA et de traitement des données, nous ne devons pas sous-estimer l'impact et le temps nécessaire pour obtenir des données correctes. ».  Chez Longchamp, l'intégration des filiales dans le système de trésorerie a parfois limité la disponibilité des données historiques, nécessitant un recours continu à Excel pour certaines tâches.

Pour les PME et ETI, cela souligne l'importance d'investir dans la gestion et la validation des données avant de se lancer dans des projets de prévision augmentée par l'IA. Ce n'est qu'avec une base de données complète et fiable que l'IA peut fournir des renseignemens précis et exploitables.

2.3. Sécurité et confidentialité

Le panel a également souligné les risques associés aux outils d'IA open-source et la nécessité de protéger les données sensibles de l'entreprise. « Il est très important de protéger les données de l'entreprise et de s'assurer qu'elles ne sont pas exposées à n'importe qui », a insisté Karine Hegbor de Souza.

L'adoption généralisée d'outils d'IA open-source et publics, tels que ChatGPT, peut involontairement exposer des données sensibles si elles ne sont pas correctement gouvernées. Les outils d'IA peuvent se répandre rapidement au sein d'une organisation, souvent sans supervision formelle, augmentant le risque de fuite de données—surtout lorsque ces outils sont hébergés dans des pays avec des normes de protection des données moins strictes.

Pour atténuer ces risques, le panel a recommandé plusieurs actions concrètes. Premièrement, les organisations devraient mettre en œuvre des politiques claires d'utilisation de l'IA et auditer régulièrement l'accès aux plateformes d'IA externes. Deuxièmement, le personnel doit être formé pour reconnaître l'importance de la confidentialité des données et les conséquences potentielles du partage d'informations sensibles avec des outils externes. Enfin, les entreprises devraient prioriser l'utilisation de solutions d'IA sécurisées intégrées dans leurs plateformes SaaS ou TMS existantes, qui offrent un meilleur contrôle et conformité.

Cela n'est pas seulement une question de conformité réglementaire, mais aussi de maintien de l'avantage concurrentiel et de la confiance des parties prenantes. À mesure que l'IA s'intègre plus profondément dans les processus financiers, une gouvernance robuste des données sera une exigence incontournable.

3. L'expérience utilisateur de demain : le SaaS augmenté, et non remplacé

3.1. L'avenir des TMS

Une question clé pour l'avenir est de savoir si les agents IA remplaceront les systèmes traditionnels de gestion de trésorerie (TMS) et les plateformes SaaS. Alors que certains leaders de l'industrie ont prédit la « fin du SaaS », les panélistes étaient plus circonspects. « Nous sommes plus susceptibles de voir des plateformes SaaS augmentées, dopées à l'IA, plutôt qu'un remplacement rapide par des agents », a déclaré Dimitri Letellier.

Les fournisseurs actuels de SaaS, y compris Agicap, intègrent déjà des fonctionnalités IA telles que la génération automatique de rapports et la visualisation de données en langage naturel. Ces améliorations améliorent l'utilisabilité et l'efficacité tout en maintenant l'environnement structuré nécessaire pour des opérations financières fiables.

3.2. La supervision humaine reste essentielle

Même avec l'augmentation de l'automatisation, la supervision humaine reste cruciale. « Il est essentiel de contrôler les données et les informations fournies par l'IA avant de prendre des décisions », a insisté Karine Hegbor de Souza. Les changements dans les activités commerciales, les stratégies évolutives et les limitations inhérentes des modèles probabilistes signifient que l'examen et la validation par des experts sont indispensables.

Le risque de dépendre excessivement de l'IA est réel : « Si nous nous fions uniquement à l'IA ou aux informations qu'elle fournit, nous pourrions finir par prendre des décisions qui ne sont pas du tout correctes », a-t-elle averti. Le rôle du trésorier continuera à nécessiter du jugement, de l'expérience et une compréhension approfondie du contexte commercial.

3.3. Recentrage sur les activités à forte valeur ajoutée

En automatisant les tâches de routine telles que les rapprochements bancaires, l'IA libère les trésoriers pour qu'ils se concentrent sur des activités à plus forte valeur ajoutée : le financement, les négociations avec les banques, l'analyse des risques et la planification stratégique. « Si l'IA peut gérer les problèmes quotidiens, ce serait très bien, car cela nous permettrait de consacrer plus de temps à ce qui compte vraiment », a déclaré Karine Hegbor de Souza.

Ce changement est particulièrement bénéfique pour les PME et ETI, où les équipes de trésorerie sont souvent petites et forcées de faire du multitâche. La maîtrise des outils numériques devient un différentiateur clé, permettant aux trésoriers d'apporter une plus grande valeur à leurs organisations.

Si vous souhaitez optimiser la structure de votre équipe financière pour une gestion plus efficace de la trésorerie, que vous utilisiez déjà l'IA ou non, n'hésitez pas à télécharger cet e-book:

4. Compétences et formation : préparer les équipes à la révolution de l'IA

4.1. Développement des capacités techniques et humaines

Le consensus parmi les panélistes est clair : une formation continue est essentielle pour garantir que les équipes financières ne soient pas laissées pour compte par la révolution de l'IA. « La clé est de fournir une formation sur les aspects techniques et la gestion des risques, mais aussi de développer des compétences approfondies en matière de connaissances commerciales et d'amélioration des processus », a expliqué Dimitri Letellier.

L'expérience montre qu'il est souvent plus facile de former les professionnels de la finance aux compétences techniques que d'enseigner aux experts techniques les nuances de la finance. À mesure que l'IA accélère la capacité des utilisateurs commerciaux à créer des flux de travail et des automatisations, une solide base dans les processus et stratégies financières restera la principale source de différenciation.

4.2. Équipes transverses et apprentissage Continu

Chez Longchamp, des équipes transverses ont été établies pour surveiller les innovations en matière d'IA et s'assurer que chaque département est représenté dans le développement de nouveaux outils. « Lorsque j'ai commencé ma carrière, la maîtrise d'Excel était essentielle. Aujourd'hui, l’utilisation d’outils IA devient tout aussi évidente », a déclaré Karine Hegbor de Souza. Cette mentalité est particulièrement importante pour les entreprises de taille moyenne, où les trésoriers portent souvent plusieurs casquettes.

En favorisant la curiosité, l'adaptabilité et la volonté de s'engager avec de nouvelles technologies, les organisations peuvent s'assurer que leurs équipes sont prêtes à capitaliser sur les opportunités présentées par l'IA.

Conclusion

Le Treasury Day d’Agicap a fourni un aperçu complet des défis et opportunités auxquels sont confrontés les trésoriers alors que l'IA redéfinit la profession. Les principaux enseignements incluent :

• •

  La collaboration est essentielle : Finance, Data et IT doivent travailler ensemble pour stimuler l'innovation tout en maintenant la gouvernance des données.

• •

  La qualité des données est fondamentale : Des prévisions fiables pilotées par l'IA dépendent de données historiques validées et de haute qualité.

• •

  Le SaaS augmenté est l'avenir : Plutôt que de remplacer les plateformes existantes, l'IA les améliorera, améliorant l'efficacité et l'expérience utilisateur.

• •

  L'expertise humaine reste vitale : L'automatisation doit être équilibrée avec une supervision experte pour garantir une prise de décision solide.

• •

  La formation continue est essentielle : Les équipes doivent développer à la fois des compétences techniques et commerciales pour rester à la pointe.

Pour les directeurs financiers et trésoriers de PME et ETI, la voie à suivre implique des étapes pratiques et incrémentielles : investir dans la qualité des données, piloter des cas d'usage de l'IA avec une valeur commerciale claire, et prioriser la formation et la collaboration interfonctionnelle.

L'intégration de l'intelligence artificielle dans la gestion de trésorerie n'est pas une perspective lointaine—elle est déjà en cours. Comme l'a résumé un panéliste, « L'IA est l'anti-stress pour prendre des décisions en toute sérénité. » En embrassant cette transformation, les leaders financiers peuvent positionner leurs organisations pour une plus grande agilité, résilience et impact stratégique.

Agicap reste engagé à soutenir les entreprises de taille moyenne dans ce parcours, en fournissant des solutions qui combinent le meilleur de l'expertise humaine et de l'innovation technologique.

Découvrez le replay de la table ronde :