Une étude portant sur des tableurs d'entreprise a révélé que 94 % d'entre eux contiennent au moins une erreur critique. Citigroup a autrefois viré 900 millions de dollars à des créanciers à cause d'une erreur de tableur. Les transactions de la « baleine de Londres », qui ont coûté 6 milliards de dollars à JPMorgan, résultaient en partie d'une erreur de copier-coller dans Excel. Et en 2020, le système de santé publique britannique a perdu la trace de 16 000 résultats de tests COVID-19 parce qu'un tableur avait discrètement atteint sa limite de lignes.
Aujourd'hui, chacun de ces tableurs propices aux erreurs est confié à un assistant IA à qui l'on demande de simplement « analyser ça ». C'est la toile de fond inconfortable d'une affirmation qui circule dans les cercles financiers cette année : les logiciels FP&A (planification et analyse financières) traditionnels, conçus pour des humains naviguant dans des menus, seraient obsolètes. Cette provocation vient de Didi Gurfinkel, PDG de Datarails, l'entreprise FP&A basée à Tel-Aviv qui s'est fait un nom en résolvant « l'enfer Excel » pour les équipes financières. Son argument, en résumé : l'IA peut désormais construire des modèles, mener des analyses et rédiger des rapports plus vite et mieux qu'un humain ne le pourrait jamais — donc tout outil qui limite ce que l'IA peut toucher est déjà dépassé.
Que l'on adhère ou non à ce cadrage de « mort », l'évolution sous-jacente mérite qu'on s'y intéresse si l'on tient la comptabilité d'une petite entreprise, d'une équipe financière de startup réduite, ou même simplement les chiffres de sa propre société dans un tableur.
Ce que Datarails a réellement annoncé
Datarails — qui a levé 175 millions de dollars en financement de capital-risque, dont un tour de série C de 70 millions de dollars début 2026 — a lancé une plateforme baptisée FinanceOS. Il s'agit moins d'un produit unique que d'un repositionnement : plutôt que de construire un énième tableau de bord en jardin clos, Datarails parie que les équipes financières continueront d'utiliser l'outil IA qu'elles préfèrent déjà (Claude, ChatGPT, Microsoft Copilot) et qu'il suffit de rendre fiables les données sous-jacentes.
FinanceOS se connecte à des centaines de systèmes sources (logiciels comptables, ERP, CRM, paie), effectue le travail peu glorieux de consolidation — éliminations, conversion de devises, réconciliation de chiffres provenant de trois systèmes différents qui ne concordent pas tout à fait — et expose le résultat aux modèles d'IA via une couche gouvernée et auditable utilisant le standard Model Context Protocol. Une fois qu'un modèle construit par l'IA existe, il peut être verrouillé pour rester cohérent même si les données sous-jacentes continuent d'être actualisées.
Le commentaire acerbe de Gurfinkel sur ses concurrents était que les fournisseurs plus anciens « ont déjà disparu... ils n'ont plus assez de trésorerie ni d'énergie pour réécrire leur technologie », tandis que les nouveaux rivaux natifs de l'IA ont beaucoup investi dans des interfaces léchées mais sous-investi dans la couche peu glorieuse de consolidation des données — qui constitue selon lui le véritable avantage concurrentiel durable. Datarails fait également évoluer son modèle de tarification, abandonnant les licences par utilisateur au profit d'une facturation à l'usage, sur la théorie que ce seront de plus en plus des agents IA, et non des humains, qui « utiliseront » le logiciel.
Le paradoxe de l'adoption de l'IA en finance
Datarails n'est pas la seule entreprise à remarquer ce phénomène. Les enquêtes sectorielles sur l'usage de l'IA dans la finance d'entreprise font ressortir le même constat déroutant : l'adoption progresse, mais l'impact rapporté stagne. Une étude de référence de 2025 a révélé que la part des équipes financières utilisant activement l'IA n'avait progressé que d'un point de pourcentage d'une année sur l'autre — de 58 % à 59 % — tandis que 91 % des équipes financières déclaraient que les outils d'IA déjà adoptés n'avaient eu qu'un faible impact sur leur travail réel.
C'est un résultat étrange pour une technologie aussi puissante. L'explication généralement avancée par les directeurs financiers et les responsables financiers n'est pas que les modèles seraient mauvais — c'est que les données qu'on leur fournit le sont. Les équipes connectent une IA véritablement compétente à des données sources véritablement défaillantes, puis s'étonnent que le résultat ne les aide pas.
Le vrai problème n'est pas un manque d'IA — c'est un manque de données gouvernées
Voici ce qui compte davantage que le lancement de tel ou tel produit : l'adoption de l'IA au sein des équipes financières progresse, mais l'impact de cette IA ne suit pas le rythme. Plusieurs enquêtes sectorielles de 2026 pointent le même écart — les équipes activent l'IA plus vite qu'elles n'en tirent de valeur, et la raison la plus souvent citée est la qualité des données. Une enquête largement citée menée en 2026 auprès de directeurs financiers a révélé que 63 % des responsables financiers pensaient avoir une visibilité complète sur les données de dépenses de leur entreprise, alors qu'en réalité seuls 5 % environ l'avaient vraiment.
Cet écart, c'est toute l'histoire. Si votre comptabilité est en désordre, brancher un outil d'IA dessus ne répare pas ce désordre — cela ne fait que le traiter plus vite et vous livrer une réponse à l'air assuré, construite sur de mauvaises données d'entrée. Les modèles d'IA ne savent pas de manière fiable quand ils se trompent. Ils citeront une règle fiscale caduque depuis deux ans, ou résumeront un onglet de tableur qui n'a jamais été mis à jour, avec exactement le même ton d'autorité que lorsqu'ils ont raison.
Pour une petite entreprise, cela se traduit par des désagréments banals mais coûteux :
- Un résumé de flux de trésorerie généré par l'IA qui exclut discrètement un compte bancaire dont personne ne l'a informé.
- Un rapport de dépenses « propre » construit à partir d'un tableur où 3 à 5 % des cellules contenant des formules recèlent des erreurs silencieuses — un taux resté constant dans la recherche sur les erreurs de tableurs depuis deux décennies, et qui ne fait que s'aggraver à mesure que les feuilles grossissent.
- Une réponse assurée sur la marge qui, en réalité, fait la moyenne de deux périodes fiscales différentes parce qu'un onglet a été copié au lieu d'être lié.
Rien de tout cela n'est vraiment un problème d'IA. C'est un problème de gouvernance des données que l'IA a rendu plus visible — car désormais, le désordre se résume en un paragraphe que l'on est plus enclin à croire sur parole qu'un tableur brut, manifestement en désordre.
Ce qu'exigent réellement des données financières « prêtes pour l'IA »
Que vous utilisiez un jour un produit comme FinanceOS ou non, la discipline sous-jacente qu'il vend mérite d'être adoptée pour elle-même :
1. Une seule source de vérité, pas un dossier de tableurs. Si « les vrais chiffres » vivent répartis dans quatre classeurs aux dates de dernière modification différentes, aucune couche d'IA superposée ne les réconciliera correctement — elle se contentera de deviner lequel est à jour.
2. Une piste d'audit pour chaque chiffre. Quand un chiffre change, vous devriez pouvoir répondre à pourquoi il a changé et qui (ou quoi) l'a changé. C'est exactement là où les tableurs sont les plus faibles — une formule écrasée par un chiffre codé en dur ne laisse aucune trace.
3. Des modèles verrouillés et versionnés. Une projection construite par l'IA n'est utile que si elle reste stable pendant que vous l'examinez. Si les données sous-jacentes continuent de bouger silencieusement sous le modèle, vous examinez une cible mouvante.
4. La gouvernance avant l'automatisation, pas après. Le réflexe consiste à greffer l'IA sur un processus déjà existant. Les équipes qui en tirent une vraie valeur font l'inverse : elles nettoient d'abord le plan comptable, standardisent la catégorisation, et ce n'est qu'ensuite qu'elles y appliquent l'IA.
5. Des permissions qui ne reposent pas sur « ne touche pas à cet onglet ». Dans un tableur partagé, le contrôle d'accès se résume généralement à un accord verbal de ne pas modifier certaines cellules. Ce n'est pas de la gouvernance — c'est une habitude qui se brise dès qu'un nouveau membre rejoint l'équipe. Quel que soit le système qui héberge vos chiffres, il devrait imposer qui peut changer quoi, plutôt que d'espérer que tout le monde se souvienne des règles.
6. Un historique qui survit à l'outil, pas seulement au fournisseur. FinanceOS, comme la plupart des plateformes FP&A, est un système propriétaire — utile, mais votre historique financier vit à l'intérieur du produit de quelqu'un d'autre. Une question à poser pour tout outil que vous adoptez : si vous partiez demain, pourriez-vous emporter un historique financier complet et lisible, ou devriez-vous ressaisir des années de transactions à la main ?
Est-ce que cela changerait quoi que ce soit pour une entreprise de cinq personnes ?
Il est facile de lire « plateforme FP&A » et de supposer qu'il s'agit d'une histoire de grande entreprise. En pratique, le mode d'échec est le même quelle que soit la taille — il est simplement moins visible dans une entreprise de cinq personnes, parce que personne d'autre que vous n'audite votre tableur.
Imaginez une petite agence qui suit la rentabilité de ses projets dans un tableur partagé : un onglet par client, des heures importées depuis un outil de suivi du temps, des dépenses collées à partir d'un relevé de carte. Demandez à un assistant IA « quels clients ont été rentables le trimestre dernier ? » et il lira volontiers chaque onglet pour vous fournir un classement présenté avec assurance. Ce qu'il ne vous dira pas, c'est que deux onglets clients utilisent une formule de frais généraux différente du reste (copiée depuis un ancien modèle), et que les chiffres d'un client datent de trois semaines parce que cet onglet n'a pas été mis à jour depuis la dernière facturation. L'IA n'a aucun moyen de le savoir — elle voit simplement des chiffres dans des cellules et les rapporte tels quels.
La solution ne consiste pas nécessairement à acheter un logiciel FP&A d'entreprise. Il s'agit de s'assurer qu'avant que l'IA ne touche à vos chiffres, ceux-ci vivent en un seul endroit, suivent un format cohérent, et qu'un historique enregistre quand chaque valeur a changé pour la dernière fois. C'est un problème de gouvernance, pas un problème de taille d'entreprise.
Pourquoi miser sur une comptabilité en texte brut et versionnée
C'est précisément l'écart que la comptabilité en texte brut a été conçue pour combler, bien avant que « données prêtes pour l'IA » ne devienne un mot à la mode. Un grand livre tenu dans un format texte brut versionné possède, par construction, les propriétés que les équipes financières s'efforcent aujourd'hui de greffer sur leurs tableurs :
- Chaque modification est tracée. L'historique Git est la piste d'audit — aucun journal de modifications séparé à maintenir, aucune formule silencieusement écrasée sans laisser de trace.
- Un seul fichier canonique, pas un dossier de classeurs « final_v3 ». Aucune ambiguïté sur la version qui fait foi.
- Des données structurées et analysables. Parce que les écritures suivent un format de comptabilité en partie double cohérent plutôt que des cellules de tableur libres, un outil d'IA qui lit le grand livre travaille à partir de registres structurés et auditables plutôt que de deviner ce que signifie une cellule fusionnée.
Si vous êtes propriétaire d'une petite entreprise, freelance ou développeur indépendant, que vous tenez actuellement vos comptes dans un tableur et que vous vous demandez s'il faut les confier à un copilote IA, la solution la plus durable consiste généralement à corriger d'abord la tenue de registres sous-jacente.
Gardez vos comptes prêts pour l'IA dès le premier jour
Quel que soit l'outil financier qui l'emportera dans les années à venir, les gagnants seront ceux dont les registres sous-jacents étaient fiables avant même qu'une IA n'y touche. Beancount.io propose une comptabilité en texte brut transparente, versionnée et structurée exactement pour ce type d'examen minutieux — pas de tableurs boîte noire, pas de formules mystérieuses, seulement des registres auditables auxquels tout outil (IA ou humain) peut se fier. Commencez gratuitement et bâtissez vos comptes sur une base prête pour tout ce qui vient ensuite.