Tous les quelques mois, un titre annonce que la comptabilité est la prochaine sur la liste de l’automatisation, et tous les quelques mois une équipe financière découvre sans bruit que les parties du métier qu’une machine pouvait prendre n’étaient pas celles qui comptaient le plus. La comptabilité analytique est un bon cas d’école, parce qu’elle se coupe proprement en deux. Une moitié est mécanique : extraire les données, les rapprocher, refaire ce mois-ci la même répartition que le mois dernier. L’autre moitié est un jugement sur ce que le chiffre obtenu veut dire et sur la question de savoir si quelqu’un doit agir dessus. Une seule de ces moitiés est réellement menacée.
L’IA va-t-elle remplacer le comptable analytique ?
Non, mais elle va remplacer une grande part de ce à quoi les comptables analytiques consacrent aujourd’hui leur semaine. Extraire, rapprocher et recalculer s’automatisent déjà, et c’est l’essentiel de la routine. Ce qui reste, et qui prend de la valeur à mesure que la routine disparaît, c’est de décider quels coûts sont réellement provoqués par quoi, de juger si un chiffre est assez solide pour fixer un prix dessus, et de défendre ce jugement devant des gens qui vont agir en conséquence.
Ce que l’IA prend vraiment en charge
La couche mécanique s’en va, et c’est une bonne chose. Extraire des lignes de coûts d’un ERP, les rapprocher d’un WMS ou d’un CRM, repérer l’écriture imputée au mauvais service, relancer une répartition quand un centre de coûts est restructuré : tout cela est du travail de motif sur des données structurées, et c’est exactement ce que les machines font bien. Le commentaire des écarts prend le même chemin. La première version de la documentation aussi, que personne ne voulait écrire à la main et qui demande désormais un après-midi plutôt que quinze jours. Un comptable analytique qui passe l’essentiel du mois à assembler et à rapprocher fait un travail qui vaudra moins chaque année.
La part qui n’a jamais quitté la maison
Un modèle de coûts n’est juste que si ses chiffres décrivent votre exploitation, et les chiffres qui comptent le plus ne figurent dans aucun jeu d’entraînement. Votre capacité pratique, les minutes dont une équipe dispose réellement une fois retirés les congés, la formation et les temps morts, existe dans vos plannings et nulle part ailleurs. Vos volumes d’inducteurs, les changements de série, les lignes de commande ou les demandes de support que votre activité a réellement produits le trimestre dernier, existent dans vos systèmes et nulle part ailleurs. Un modèle à qui l’on demande d’estimer l’un ou l’autre produira quelque chose qui sonne précis et qui est une supposition habillée en fait. Il n’a aucun mécanisme pour le signaler, parce qu’il a été construit pour paraître fluide, pas pour avertir qu’il ne peut pas vérifier.
Pourquoi la moitié jugement est la moitié rare
Demandez à un modèle de choisir un inducteur pour les frais informatiques et il proposera très souvent l’effectif, parce que c’est ce qu’utilisaient les manuels qu’il a lus. L’effectif est commode et presque jamais causal : deux services de même taille peuvent consommer des quantités d’assistance informatique très différentes selon le nombre de systèmes qu’ils touchent. Choisir correctement exige de savoir comment le travail se fait réellement dans votre entreprise, et cette connaissance vit dans les opérations, pas dans la littérature. La conséquence d’un mauvais choix n’a rien d’académique. C’est un prix fixé trop bas sur le produit qui consomme le plus d’assistance, ou un client abandonné parce qu’une mauvaise répartition l’a fait paraître non rentable.
Le rôle qui émerge à la place
Ce qui remplace le producteur de chiffres, c’est le propriétaire du modèle. Ce rôle conçoit la structure, décide quels inducteurs sont défendables, fixe les règles de rafraîchissement du modèle et audite ce que l’automatisation a produit avant que cela n’atteigne une décision. C’est plus proche de l’ingénierie que de la tenue de comptes, et c’est une vraie promotion en périmètre : moins d’heures à faire apparaître le chiffre, beaucoup plus à déterminer s’il mérite d’être cru. Les équipes financières qui ont bien automatisé se retrouvent avec moins de personnes à assembler et davantage assises dans les conversations où les décisions de prix et de portefeuille se prennent vraiment.
La question n’a jamais été de savoir si une machine peut produire un coût. Elle est de savoir qui est responsable quand quelqu’un fixe un prix dessus.
Ce qu’il faut apprendre pour être du bon côté
Trois choses, dans l’ordre. D’abord la méthode : si vous comprenez pourquoi un inducteur doit être causal et comment se construit un taux de coût de capacité, vous distinguez une bonne ébauche produite par l’IA d’une ébauche seulement plausible, et cette compétence ne se périme pas. Ensuite l’audit : apprenez à retracer chaque chiffre d’un modèle jusqu’à un rapport ou un système précis, et à qualifier d’hypothèse tout ce qui ne se retrace pas. Enfin la communication : un chiffre que personne dans l’entreprise ne défendra ne change aucune décision, aussi bien calculé soit-il. Aucune des trois n’est menacée par de meilleurs modèles. Toutes les trois prennent de la valeur à mesure que le travail mécanique disparaît.
Le diagnostic de rentabilité est gratuit, prend quelques minutes et s’appuie sur vos données réelles. Il vous dit où vous gagnez et où vous perdez de l’argent.
À lire également : l’avenir de la gestion des coûts avec l’IA et construire un modèle TDABC avec l’IA.