IA en finance d'entreprise : le plaidoyer pour des agents invisibles
Ni Copilot pour tous, ni une pile de SaaS spécialisés : Varick Agents défend des agents en arrière-plan, codés à 85 % en dur, qui font le travail sans qu'on les sollicite.
In breve
Le dirigeant de Varick Agents explique pourquoi la plupart des projets d'IA en finance échouent et décrit la méthode de son entreprise : des agents déployés au-dessus des outils existants (NetSuite, SAP, Workday), majoritairement déterministes, qui ne sollicitent l'humain que pour les décisions qui l'exigent. Le texte est un argumentaire commercial, mais il pose un diagnostic utile sur les limites des assistants horizontaux et des solutions verticales.
🍺 Versione da bancone
En gros, les directions financières ont le choix entre donner un chatbot à chaque employé, qui fabrique trois agents cassés et une facture de tokens à sept chiffres, ou acheter un logiciel par tâche, ce qui revient à soigner une migraine avec vingt ordonnances. Le type propose une troisième voie : des robots qui bossent dans l'ombre, codés surtout à l'ancienne, avec juste une pincée d'IA là où il faut réfléchir. L'idée la plus juste, c'est que la vraie valeur n'est pas dans la tâche mais dans la personne qui recopie des chiffres d'un écran à l'autre depuis 2014. Évidemment, c'est lui qui vend la troisième voie, donc on garde la calculette à portée de main.
Da ricordare
- 1
Deux approches dominent chez les CFO de groupes à plus d'un milliard de dollars : l'assistant horizontal (Microsoft Copilot, Claude Cowork) et les solutions ponctuelles par processus (AP, clôture, notes de frais), et les deux échouent selon l'auteur.
- 2
Les chiffres cités sont sévères : 7 % seulement des dirigeants financiers sondés par Gartner rapportent un impact élevé de l'IA, et le groupe NANDA du MIT estime que 95 % des pilotes Gen-AI n'ont aucun retour mesurable sur le P&L.
- 3
Les modèles frontières plafonnent à 52 % de précision sur plus de 900 tâches d'analyste financier (Vals AI) et à 66 % sur un vrai plan comptable (DualEntry), un niveau jugé inacceptable en finance.
- 4
Varick affirme livrer des agents composés à environ 85 % de code classique et 15 % d'appels au modèle, ce qui réduit coûts de tokens et hallucinations.
- 5
La fiabilité repose sur trois couches : code déterministe, evals qui vérifient la réponse et le chemin suivi, et feedback humain qui fait passer par exemple le codage GL d'environ 85 % à 97 % de précision.
- 6
Résultats revendiqués chez un client : clôture mensuelle passée de 12 à 5 jours, erreurs réduites de 72 %, valeur estimée à plus de 45 M$ par an.
- 7
La méthode commence par l'observation terrain : des forward deployed engineers documentent ce que les équipes font réellement, pas ce que disent les procédures.
Le double piège des directions financières
Premier écueil, l'assistant horizontal. Chaque employé crée ses propres agents, qui ne communiquent pas entre eux. Selon l'auteur, au bout de trois mois on se retrouve avec 3 M$ de tokens dépensés et 80 % d'agents abandonnés ou en panne permanente, un cimetière de dette technique sans propriétaire.
Second écueil, la solution ponctuelle. Un logiciel pour les comptes fournisseurs, un autre pour la clôture, un troisième pour les notes de frais. Problème : un produit conçu pour tout le monde ne connaît pas votre processus AP en 7 étapes ni vos règles de gestion des exceptions. Résultat, un ROI inférieur à 15 % et des équipes qui vivent l'outil comme une régression.
L'auteur ne rejette pas l'assistant horizontal : il sert à aider un employé à abattre le travail de dix. Mais il estime que l'essentiel est ailleurs, dans des agents d'arrière-plan qui traitent factures, rapprochements bancaires et relances fournisseurs sans que personne ne les sollicite.
Un diagnostic chiffré de l'échec
Le texte aligne plusieurs études. Gartner : 84 % des 183 dirigeants financiers interrogés ont déployé ou prévoient de déployer l'IA, mais 7 % seulement constatent un fort impact. Le même cabinet anticipe l'abandon de plus de 40 % des projets d'IA agentique d'ici fin 2027.
Côté opérations, deux tiers des factures nécessitent encore une intervention humaine (Ardent Partners, 2025), une facture manuelle coûte 12,42 $ à traiter, et la moitié des équipes mettent plus d'une semaine à clôturer leurs comptes, 94 % passant encore par Excel (Ledge, 2025).
La statistique sur laquelle l'auteur insiste : 14 % des factures sont signalées comme exceptions. Or chaque entreprise a ses propres exceptions, ce qui, selon lui, rend tout SaaS générique inadapté et justifie du sur-mesure. Sa conclusion : le problème n'est plus technologique, il tient au workflow et à la « colle humaine » entre les outils.
Pourquoi les LLM seuls ne suffisent pas
Les benchmarks cités sont sans appel : 52 % de précision au mieux sur des tâches d'analyste réelles, 66 % sur un plan comptable. L'auteur rappelle que la documentation de Microsoft elle-même déconseille Excel Copilot pour les calculs numériques ou les sujets réglementaires.
En finance, une hallucination n'est pas une coquille dans un mail : un fournisseur inventé ou une élimination intragroupe ratée, c'est de l'argent sorti qu'il faut retrouver. Et « l'IA l'a dit » ne convaincra jamais un auditeur SOX.
La réponse proposée : des agents bridés par des permissions strictes, et des tâches réduites à leur forme la plus déterministe, de sorte que le modèle ne décide que des quelques étapes qui demandent du jugement. C'est ainsi que Varick dit maintenir une précision supérieure à 97 %, avec des traces consultables par l'audit.
Automatiser l'opérateur, pas la tâche
La thèse centrale : les outils automatisent chacun une tranche du travail, mais personne n'automatise la personne au milieu, celle qui recopie un chiffre, vérifie que deux montants concordent, relance quand ils ne concordent pas. C'est là, selon l'auteur, que se trouve toute la valeur.
Exemple concret : une facture arrive sans bon de commande. Aujourd'hui, un analyste enquête pour trouver qui l'a commandée et retrouver le bon PO. Avec une couche d'agents unifiée, l'IA détecte l'exception, cherche par fournisseur, montant et date, valide les correspondances nettes et, en cas de doute, envoie les deux PO les plus probables sur Slack. Quinze minutes de recherche deviennent trente secondes de oui ou non.
Cette couche lit et écrit dans NetSuite, Bill ou Workday comme le ferait un nouvel embauché, plutôt que d'ajouter une énième interface. L'auteur raille au passage l'empilement Ramp, Brex, Bill, HighRadius, BlackLine, FloQast, alors que l'IA devait justement permettre de sortir de la jungle des vingt fournisseurs.
La méthode en cinq règles
Un : embarquer des ingénieurs dans les équipes pour observer les processus réels. L'exemple de Brittany est parlant : la procédure dit que les factures sont rapprochées dans le système, mais sans PO elle demande un bon rétroactif, sauf sous 500 $, où elle impute en charges générales. Un agent construit sur la procédure casse dès le premier jour.
Deux : construire dans les outils existants. Trois : livrer des agents qui travaillent, pas des dashboards ou des chatbots déguisés en agents. Quatre : n'escalader que lorsque le jugement est nécessaire, derrière un seuil de confiance, l'objectif étant de retirer les 70 à 85 % de travail de pure correspondance de motifs. Chaque validation, correction ou rejet entraîne le système.
Cinq, la plus négligée selon l'auteur : penser le département entier dès le départ. Sans cela, chacun vibe-code son agent dans son coin, les goulots situés en amont restent intacts, et l'entreprise accumule des dizaines d'agents cloisonnés.
Mesurer et prioriser
Résultats revendiqués : clôture de 12 à 5 jours, traitement des exceptions de 130 à 20 heures par mois, une facture traitée en moins d'une minute contre 20, et un délai de résolution des exceptions passé de 4 jours à 2 heures. Varick revendique un ROI moyen de 5,5x et 100 % de déploiements en production.
Pour mesurer, trois catégories seulement : gain de temps ou d'argent, hausse de revenus, réduction du risque. Pour démarrer, l'auteur recommande de partir des responsables de processus, de cartographier volumes, taux d'erreur, coût d'une erreur et gestion des exceptions, puis de comparer valeur attendue et effort de construction pour établir une liste de priorités.
Sa recommandation finale : ne pas acheter de plateforme, ne pas monter d'équipe data science, et trouver des gens qui s'assoient avec les équipes pour construire dans les systèmes existants, en moins d'un an.
“A good AI agent is mostly not AI.”
“"The AI said so" doesn't fly with a SOX auditor.”
“This person is the glue, and the glue is where all the value lies.”
Perché conta
Ce texte est d'abord une plaquette commerciale, et il faut le lire comme tel : les résultats (100 % de succès, ROI de 5,5x, 45 M$ de valeur) sont auto-déclarés, non vérifiables, et l'opposition entre « eux qui échouent » et « nous qui réussissons » est trop nette pour être honnête. Le modèle décrit, des forward deployed engineers qui font du sur-mesure, ressemble aussi beaucoup à du conseil, avec les limites de passage à l'échelle que cela implique. Mais le diagnostic mérite l'attention. L'idée qu'un bon agent est « surtout pas de l'IA », avec un LLM cantonné aux étapes de jugement, rejoint ce que constatent de nombreux praticiens face aux coûts et à l'imprécision des approches tout-LLM. La distinction entre automatiser la tâche et automatiser l'opérateur qui fait la jonction entre les outils éclaire bien pourquoi les SaaS verticaux plafonnent. Et l'accent mis sur l'auditabilité, les evals qui vérifient le chemin et pas seulement la réponse, pointe la vraie condition d'adoption dans les fonctions régulées. Pour un CFO, c'est une grille de lecture utile ; pour l'écosystème, c'est un signal de plus que la valeur de l'IA d'entreprise se joue dans l'intégration et le terrain, pas dans le choix du modèle.
Per te
Falla lavorare sulle tue fonti.
Gratis: un mese di articoli e tre fonti tue. Pro: tutto l'archivio e le tue fonti, da 8 €/mese.
Per il tuo team
La stessa macchina, sui vostri temi.
Uno spazio con i vostri colori, i vostri angoli di monitoraggio, i vostri curatori. Pilota aperto a tre aziende.