Soixante-deux pour cent des professionnels des services financiers admettent qu'une erreur générée par l'IA a déjà atteint un client. Pas un brouillon. Pas une expérience interne. Un client.
Alors, regardez le magnifique modèle à trois états que votre assistant IA vient de construire pour vous en quatre minutes — celui avec les colonnes mensuelles bien ordonnées, la rampe de revenus pleine d'assurance, l'onglet DCF que vous n'aviez même pas demandé — et posez-vous la question qui compte : parieriez-vous votre levée de fonds sur chaque chiffre qu'il contient ? Car au moment où vous joignez cette feuille de calcul à un e-mail d'investisseur ou que vous l'apportez à une réunion bancaire, c'est exactement ce que vous faites.
La bonne nouvelle, c'est que l'IA s'est vraiment considérablement améliorée en matière de modélisation financière. Février 2026 a marqué ce que le Financial Modeling Institute appelle un changement d'étape : la première fois que les outils d'IA pouvaient construire des modèles véritablement solides à partir d'une invite large, au lieu de simplement remplir des modèles. La mauvaise nouvelle, c'est que meilleur ne signifie pas fiable. Les modèles d'IA hallucinent toujours, codent encore en dur des nombres là où des formules devraient être, et énoncent des réponses erronées avec une totale confiance. OpenAI lui-même a reconnu que les hallucinations sont mathématiquement inévitables dans les grands modèles de langage — non pas un bug à corriger, mais une propriété à gérer.
Ce billet vous propose une liste de vérification pratique pour la révision, fondée sur les recommandations de l'ICAEW (l'Institute of Chartered Accountants in England and Wales) et du Financial Modeling Institute, pour repérer les erreurs de l'IA avant que quiconque dont vous voulez l'argent ne les voie.
Pourquoi les modèles d'IA exigent un nouveau type de scepticisme
Les feuilles de calcul construites par des humains étaient déjà peu fiables. Des décennies de recherche sur le risque lié aux feuilles de calcul ont conclu de manière célèbre que la grande majorité des feuilles de calcul réelles contiennent des erreurs — une enquête largement citée l'estimait à environ 90 % — avec des taux d'erreur au niveau des cellules de quelques pour cent, même dans des modèles soigneusement construits. L'IA n'élimine pas ce risque. Elle en change la forme.
Les erreurs d'un modélisateur humain ont tendance à se concentrer là où le travail était le plus difficile : la formule la plus alambiquée, le copier-coller tardif. Les erreurs de l'IA sont différentes. Elles sont uniformément réparties, parfaitement formatées, et livrées sans aucune trace d'incertitude. Un modèle qui présente avec assurance un bilan qui ne s'équilibre pas réellement, ou un calendrier d'endettement avec des soldes négatifs en troisième année, semble tout aussi poli qu'un modèle correct. Il n'y a pas de taches de café sur le travail d'une IA pour vous indiquer où chercher.
C'est pourquoi le changement d'état d'esprit le plus important est le suivant : traitez chaque modèle généré par l'IA comme un premier brouillon qui doit être vérifié, et non comme un produit fini. Comme le dit Ian Schnoor du Financial Modeling Institute, construire un modèle avec l'IA, c'est comme le construire soi-même mais plus rapidement — vous orientez, affinez et contestez ce qu'elle produit. Et cela ne fonctionne que si vous comprenez déjà ce qu'est un bon modèle. L'IA est une collaboratrice, jamais une autorité.
Les 7 schémas d'erreurs que l'IA répète sans cesse
Après avoir révisé des modèles générés par l'IA, les mêmes modes de défaillance reviennent encore et encore. Apprenez à reconnaître les schémas et votre révision deviendra beaucoup plus rapide.
1. Pièces manquantes
L'IA livre fréquemment un modèle qui semble complet mais auquel il manque des sections essentielles : pas de page de garde, pas de synthèse des résultats, pas de page d'hypothèses dédiée, pas de gestionnaire de scénarios, ou des calendriers qui sont des ébauches plutôt que des calculs fonctionnels. Parfois, elle les saute parce que votre invite ne les demandait pas explicitement ; parfois, elle s'arrête simplement… sans plus.
Avant de vérifier un seul chiffre, vérifiez la table des matières. Un modèle sans page d'hypothèses explicite est un modèle dont les hypothèses sont enfouies dans des formules que personne ne peut auditer — et un investisseur qui ne trouve pas vos hypothèses supposera que vous n'en avez pas.
2. Pièges cachés : lignes, feuilles et liens externes dissimulés
L'IA adore cacher les choses. Feuilles masquées, lignes masquées, colonnes masquées — demandez directement à l'IA si elle en a ajouté, puis vérifiez manuellement de toute façon. Des réviseurs rapportent avoir demandé à une IA de confirmer qu'il n'y avait aucun lien externe vers des fichiers, s'être fait dire que tout était propre, puis avoir trouvé des liens vers d'autres fichiers lors d'une vérification manuelle. L'IA s'excusera même avec charme de les avoir manqués. Les excuses ne réparent pas votre modèle.
Les liens externes méritent une attention particulière. Un modèle qui tire silencieusement des valeurs d'un autre classeur sur l'ordinateur portable de quelqu'un se cassera au moment où vous l'enverrez par e-mail — ou pire, continuera à afficher des valeurs en cache obsolètes qui semblent vivantes. À moins qu'un lien externe ne soit délibéré et documenté, supprimez-le.
3. Nombres morts et dérive des formules
Le signe classique de l'IA est le « nombre mort » : une valeur codée en dur à l'intérieur d'une formule là où une référence de cellule devrait se trouver. La formule =B12*1,05 ressemble à une logique de croissance jusqu'à ce que vous réalisiez que le taux de croissance de 5 % est intégré et que votre cellule d'hypothèse reste inutilisée ailleurs. Modifiez l'hypothèse et rien ne bouge. Les investisseurs testent exactement cela — ils font fléchir vos inducteurs pour voir si le modèle réagit — et un modèle plein de nombres morts échoue instantanément au test.
Le problème frère est la dérive des formules : l'IA est notoirement connue pour modifier silencieusement les formules au fur et à mesure qu'elle remplit les mois ou les années. La colonne F calcule les revenus d'une manière ; la colonne G les calcule légèrement différemment. Le correctif est mécanique mais non négociable : vérifiez ponctuellement les formules au début, au milieu et à la fin de chaque ligne, et confirmez qu'elles sont cohérentes sur tout l'horizon de prévision.
4. Le bilan qui ment poliment
C'est l'erreur qui tue la crédibilité le plus rapidement. L'IA forcera parfois un bilan à s'équilibrer avec un bouche-trou — en résolvant un nombre à rebours juste pour que l'actif soit égal au passif plus les capitaux propres. Le bilan s'équilibre. Il est aussi une fiction.
Péchés liés au bilan à rechercher :
- Soldes d'endettement négatifs, y compris les lignes de dette à court terme qui passent sous zéro lorsque le modèle les utilise pour masquer des insuffisances de trésorerie futures.
- Sur-amortissement, lorsque l'amortissement cumulé dépasse le coût de l'actif parce que personne n'a dit à la formule quand s'arrêter.
- Actifs ou passifs majeurs qui deviennent négatifs sans raison économique valable.
Chacun de ces points est une vérification d'une minute qui vous épargne une question d'investisseur profondément inconfortable.
5. Violations de la physique
Une prévision est une histoire sur le monde réel, et l'IA ne vit pas dans le monde réel. Vérifiez que les contraintes de capacité et les limites opérationnelles sont reflétées : des revenus qui impliquent de fabriquer un volume illimité, des plans d'effectifs sans conséquences de loyer ou de charges sociales, ou une croissance qui exige dix fois votre installation actuelle. Si votre modèle dit que vous pouvez tripler la production avec les mêmes machines et les mêmes personnes, le modèle a tort, il n'est pas visionnaire.
6. Des contrôles qui ne contrôlent rien
Les bons modèles contiennent des contrôles d'erreur internes — rapprochements du bilan, réconciliations de trésorerie, garde-fous de circularité. Les modèles générés par l'IA incluent souvent aussi ces éléments, ce qui est bien, sauf qu'ils ne fonctionnent fréquemment que pour la première période de prévision. Un contrôle qui vérifie l'année un et ignore silencieusement les années deux à cinq est pire qu'aucun contrôle, car il affiche un « OK » vert rassurant pendant que les erreurs s'accumulent hors écran. Prolongez chaque contrôle sur tout l'horizon et cassez délibérément quelque chose pour confirmer que le contrôle le détecte.
7. Absurdités confiantes
Enfin, le problème de l'hallucination dans sa forme la plus pure : le modèle énonce des informations incorrectes avec assurance, simplifie à outrance là où il ne le devrait pas, construit des formules fragiles difficiles à mettre à jour, ou vous donne une réponse différente lorsque vous posez la même question deux fois. Ce dernier comportement est en réalité un diagnostic utile — demandez à l'IA la même chose à nouveau en des termes légèrement différents et comparez les sorties. Si les chiffres bougent, au moins une version est fausse, et vous savez maintenant quelle zone nécessite une vérification manuelle.
Votre liste de vérification avant investisseurs
Distillez tout ce qui précède en un seul passage que vous exécutez avant que le modèle ne quitte vos mains :
- Structure d'abord. Confirmez que la page de garde, la synthèse, les hypothèses, le gestionnaire de scénarios et tous les calendriers de soutien existent et sont remplis.
- Dévoilez tout. Révélez les feuilles, lignes et colonnes masquées ; examinez chacune.
- Éliminez les liens parasites. Recherchez les références à des classeurs externes et supprimez celles qui ne sont pas délibérées.
- Séparez les entrées des sorties. Les hypothèses doivent vivre dans un endroit clairement marqué, visuellement distinct (code couleur ou mise en forme) des cellules calculées.
- Chassez les nombres morts. Analysez les formules pour détecter les constantes codées en dur qui devraient être des références de cellules.
- Vérifiez la cohérence des formules. Confirmez que la logique de chaque ligne est identique pour chaque mois ou année.
- Simplifiez les formules monstres. Décomposez les formules trop longues dans les états clés en étapes lisibles.
- Soumettez le bilan à un test de résistance. Confirmez qu'il s'équilibre honnêtement, sans chiffre bouche-trou.
- Auditez l'endettement et l'amortissement. Pas de soldes d'endettement négatifs, pas d'actifs sur-amortis, pas de positions négatives inexpliquées.
- Vérifiez la réalité opérationnelle. La capacité, les effectifs et les installations doivent soutenir l'histoire des revenus.
- Prolongez tous les contrôles. Chaque validation interne doit fonctionner sur toute la prévision, et vous devez tester que chacun se déclenche réellement.
- Reformulez et comparez. Posez les questions clés à l'IA d'une seconde manière et enquêtez sur toute divergence.
Exécutez cette liste et vous détecterez la grande majorité des erreurs de l'IA. Plus important encore, vous entrerez dans la réunion en comprenant réellement vos propres chiffres — et comme le note Schnoor, en fin de compte, un investisseur humain vous posera des questions, pas à votre chatbot.
Mieux formuler les invites la prochaine fois
La révision est le filet de sécurité ; une meilleure formulation des invites signifie en avoir moins besoin. Quelques habitudes qui produisent régulièrement des modèles construits par l'IA plus solides :
- Connaissez les ingrédients avant de formuler. Si vous ne pouvez pas décrire ce que contient un bon modèle — hypothèses, sorties, scénarios — vous ne pouvez pas orienter l'IA pour en construire un. Apprenez la structure d'abord.
- Orientez, ne déléguez pas. Travaillez de manière itérative : dites-lui comment construire les revenus, rejetez ce que vous n'aimez pas, et modifiez par passes. « Regarde les historiques et construis-moi un modèle » produit un modèle ; cela ne produit pas un bon modèle.
- Exigez l'auditabilité. Demandez une page d'hypothèses, une mise en forme cohérente, des sources documentées pour chaque entrée externe, et des contrôles sur chaque onglet — dans l'invite, pas après coup.
- Contestez la sortie. Demandez pourquoi elle a choisi une méthode particulière, ce qui pourrait être faux, et ce qu'un réviseur sceptique attaquerait. La réponse de l'IA à « qu'est-ce qui est le plus faible dans ce modèle ? » est souvent étonnamment honnête.
Des livres propres, des modèles crédibles
Voici la partie que personne ne veut entendre : même une révision impeccable ne peut pas sauver un modèle construit sur des historiques en désordre. Lorsque vous remettez à une IA trois ans de transactions non catégorisées, de dépenses personnelles mélangées, et un chiffre de revenus dont vous n'êtes que presque sûr, elle vous construira volontiers une projection précise, polie, magnifiquement formatée, d'ordures. Les investisseurs font aussi leur due diligence sur les historiques — si vos « réels » ne correspondent pas à vos livres, la prévision est morte à l'arrivée.
C'est la fondation sans glamour sur laquelle repose chaque flux de travail de modélisation avec l'IA : des livres précis, catégorisés et rapprochables. Suivez les revenus par flux, gardez les dépenses clairement séparées, et rapprochez mensuellement pour que vos historiques soient quelque chose que vous défendriez dans une salle de données. Si vous voulez vos chiffres dans un format que vous pouvez différencier, versionner, et remettre à une IA sans roulette de copier-coller, la comptabilité en texte brut vous donne exactement cela — et des outils de visualisation comme Fava vous permettent de vérifier les tendances avant qu'elles n'atteignent un modèle.
Simplifiez votre gestion financière
Avant de laisser l'IA projeter votre avenir, assurez-vous que votre présent est enregistré avec précision — des livres propres sont ce qui transforme un brouillon d'IA en un modèle que vous pouvez défendre. Beancount.io fournit une comptabilité en texte brut qui vous donne une transparence et un contrôle complets sur vos données financières, chaque transaction étant versionnée et prête pour l'analyse. Commencez gratuitement et construisez votre prochaine prévision sur des chiffres auxquels vous faites réellement confiance.
