IA, données et finance : la valeur se joue désormais dans l’exécution

L’intelligence artificielle ne remplace ni le jugement ni le leadership, mais elle rebat déjà les cartes de la fonction finance et des choix d’infrastructure. D’un côté, les directeurs financiers doivent piloter l’adoption d’outils plus automatisés tout en développant les équipes. De l’autre, les entreprises découvrent que la performance de l’IA dépend autant de la qualité des données que de la puissance des modèles. Dans ce contexte, la valeur se joue moins dans l’effet d’annonce que dans l’exécution, et c’est là que les choses deviennent sérieuses.

La fonction finance change de métier, pas de cap

Selon une étude récente citée par EY, le directeur financier est désormais attendu comme un moteur de transformation, à la croisée de la performance, des risques, de l’innovation technologique et des compétences. Ce déplacement du rôle est net : il ne s’agit plus seulement de produire des comptes fiables, mais aussi d’éclairer les décisions d’investissement, de développement ou de transformation.

L’automatisation des tâches répétitives libère du temps pour l’analyse et l’aide à la décision. Sur le papier, le gain semble mécanique. Dans les faits, il impose de nouvelles exigences aux équipes financières, qui doivent maîtriser des outils plus intégrés, des prévisions plus fines et des processus plus collaboratifs. Le DAF ne devient pas un ingénieur, mais il ne peut plus ignorer la machine. C’est le genre de promotion qui s’accompagne d’un peu plus de sueur que d’un nouveau bureau.

Des gains d’IA qui s’évaporent parfois au contrôle

Le principal frein n’est pas toujours technique. D’après une étude récente reprise dans les sources, les dirigeants estiment gagner 4,6 heures par semaine grâce à l’IA, mais ils consacrent ensuite 4 heures et 20 minutes à vérifier les résultats. Le gain net tombe alors à 16 minutes hebdomadaires. Chez les utilisateurs finaux, le calcul tourne même à la perte : 3,6 heures gagnées, contre près de 3 heures et 50 minutes de vérification, soit environ 14 minutes perdues par semaine.

Les chiffres restent d’autant plus parlants que 89 % des dirigeants et 79 % des collaborateurs déclarent se sentir plus productifs grâce à l’IA. L’écart entre perception et bénéfice mesuré dit quelque chose de simple : sans données propres, sans règles claires et sans contrôle, l’automatisation promet plus qu’elle ne livre.

Pourquoi la qualité des données pèse autant que le modèle

Les entreprises ont longtemps pensé que la performance d’une IA tenait surtout à la puissance du modèle. La réalité est moins flatteuse. Si les informations d’entrée sont dispersées entre applications, serveurs locaux, cloud et boîtes mail, l’IA peut propager des doublons, des versions obsolètes ou des contradictions à grande échelle. Le problème n’est donc pas seulement de déployer un agent d’IA capable d’exécuter une tâche autonome, mais de lui donner une base de connaissances cohérente.

Dans ce contexte, la gouvernance de l’information devient centrale. Consolider les référentiels, supprimer les doublons, harmoniser les métadonnées, organiser les droits d’accès et clarifier les responsabilités : ces chantiers paraissent très peu glamour, mais ils conditionnent la fiabilité des résultats. Sans cette discipline, les gains de productivité restent théoriques et les équipes passent plus de temps à corriger qu’à décider.

Le contrôle des données devient une question de souveraineté

Le débat ne concerne plus seulement la technique. Il touche aussi à la souveraineté, qui est devenue un sujet économique aussi bien que politique. Au RAISE Summit, en juillet à Paris, plus de 9 000 décideurs internationaux ont discuté d’une IA souveraine qui protège les données, la propriété intellectuelle et les chaînes de valeur. Pour les entreprises comme pour les États, le contrôle des infrastructures compte désormais dans la compétitivité.

Les arbitrages portent sur des choix très concrets : quelles données garder sous contrôle direct, quelles charges de travail externaliser, et jusqu’où dépendre d’acteurs extra-européens pour des infrastructures critiques. Les hyperscalers comme AWS, Microsoft Azure ou Google Cloud restent centraux, mais le marché s’oriente vers des architectures hybrides mêlant cloud public, environnements souverains et infrastructures privées pour les usages sensibles.

Une facture élevée, mais la dépendance coûte aussi

Construire une chaîne IA souveraine a un prix : centres de données, énergie, puces, réseaux, logiciels et compétences. Les tensions sur les GPU rappellent que la capacité de calcul n’est pas une ressource abstraite, et que son maintien à terme se paie en investissements très concrets.

Pour autant, le coût de la dépendance devient plus visible lui aussi. Les entreprises veulent garder la main sur leurs données, leurs modèles propriétaires et leurs processus critiques. Les États cherchent une autonomie industrielle plus crédible. Dans cette équation, des acteurs comme OVH, 3DS Outscale, Vultr, Mistral ou Bull illustrent différentes réponses possibles, du cloud souverain aux AI factories, avec des approches qui combinent calcul, orchestration et efficacité énergétique.

Ce que les organisations devront décider maintenant

La question n’est pas de choisir entre tout centraliser ou tout rapatrier. Elle consiste plutôt à décider où placer les données sensibles, quels modèles utiliser, comment router les charges de travail et quel niveau de gouvernance appliquer. À mesure que l’IA entre dans les processus métiers, cette discipline devient un avantage économique, pas seulement un sujet de conformité.

Les directions financières, les DSI et les équipes de gouvernance se retrouvent donc au même endroit : au point de jonction entre automatisation, confiance et maîtrise opérationnelle. Les organisations qui s’en sortent le mieux ne seront pas celles qui utilisent le plus d’IA, mais celles qui sauront l’inscrire dans une architecture stable, lisible et utile.