IA en cabinet comptable : la ligne rouge du chiffre

Un cabinet comptable qui commence à tester l'IA générative se heurte vite à la même question : jusqu'où l'utiliser sans y laisser sa crédibilité. La recherche en ligne renvoie des dizaines de pages sur le sujet, souvent construites autour de la même liste de prompts, rarement construites autour de la vraie frontière : ce que l'outil sait faire, et ce qu'il ne sait pas faire, quel que soit le prompt.

Ce que l'IA fait bien, sans discussion possible

Sur l'écrit, l'IA générative tient largement ses promesses dans un cabinet. Une relance client qui reste ferme sans être cassante, une note explicative qui traduit un point technique pour un dirigeant non initié, un premier jet de procédure interne : ce sont des tâches de rédaction, et une IA bien cadrée les traite en quelques minutes là où elles en prenaient vingt.

Le point commun de ces usages est simple à énoncer, plus difficile à tenir : le texte produit ne contient aucune information que vous n'avez pas vous-même fournie. L'IA reformule, structure, adapte un ton. Elle ne complète jamais un trou d'information avec une supposition, du moins pas si on le lui a explicitement interdit. C'est exactement ce que travaille le programme Finance Fondation dès sa deuxième semaine : rédiger une relance en quinze minutes, ferme et respectueuse, sans jamais inventer un motif ou une échéance que le dossier ne contient pas.

Pourquoi un modèle de langage ne calcule pas

La confusion la plus fréquente tient en une phrase : on demande à l'IA de calculer parce qu'elle sait parfaitement écrire une formule mathématique. Ce sont deux choses différentes. Un modèle de langage génère le mot suivant le plus probable compte tenu de ce qui précède, il ne fait pas tourner une opération arithmétique dans une mémoire fiable comme le ferait un tableur. Sur une addition à deux chiffres, l'écart entre les deux méthodes ne se voit presque jamais. Sur une série de vingt lignes budgétaires, il finit par apparaître, et rien dans la réponse ne signale qu'un chiffre approché s'est glissé au milieu des chiffres exacts.

C'est le réflexe que travaille un exercice du programme Finance Fondation construit autour d'un tableau d'écarts budgétaires : plutôt que de demander à l'IA de calculer une moyenne ou un total, on lui demande d'aller lire la ligne où ce total figure déjà. Le modèle est bien plus fiable pour retrouver une valeur déjà écrite dans un document que pour refaire un calcul sur plusieurs lignes à la volée. Le geste qui protège n'est donc pas de se méfier de l'IA en bloc, c'est de savoir sur quelle opération précise elle est fiable : lire, oui, recalculer, non.

L'exemple qui devrait convaincre un sceptique

Le cas le plus parlant ne vient pas d'un calcul faux, mais d'une décision inventée. Dans un exercice du même programme, une contrôleuse de gestion demande à l'IA de transformer ses notes de clôture mensuelle en compte-rendu propre. Les notes mentionnent un point resté ouvert : une provision pour créances douteuses, à trancher avec le directeur administratif et financier. Le premier jet de l'IA ne se contente pas de reformuler, il ajoute une ligne que personne n'a écrite : « Décision : provisionner 8 000 euros sur les créances douteuses. »

Rien dans le texte ne signale que cette phrase est différente des autres. Elle est écrite avec la même assurance que le reste, dans le même style soigné. C'est précisément ce qui la rend dangereuse : un compte-rendu qui circule avec une décision et un montant que personne n'a validés engage le service qui l'a signé, pas celui qui l'a rédigé.

Où la mettre, où l'interdire

La ligne qui sépare les deux colonnes de droite n'est pas affaire de prudence excessive, elle correspond à ce que l'outil sait réellement faire. Un texte se génère par approximation successive et ça ne pose pas de problème pour une reformulation. Un chiffre qui engage un tiers ne supporte aucune approximation, ce qui exclut par construction de le confier à un modèle qui fonctionne par prédiction.

Le prompt qui pose la limite, une fois pour toutes

Le garde-fou le plus simple à mettre en place tient dans un prompt système posé une bonne fois, plutôt que rappelé à chaque échange : interdiction explicite de recalculer un chiffre, obligation de signaler toute donnée manquante plutôt que de la deviner, obligation de citer la ligne source d'une valeur reprise. Un tel cadre change concrètement le comportement du modèle, comme le montre l'exercice de la clôture : une fois qu'on lui interdit d'inventer un montant et qu'on exige qu'il colle strictement aux notes fournies, le compte-rendu redevient fidèle, sans qu'aucune information n'ait disparu au passage.

Pour les cabinets qui vont plus loin, le niveau Finance Maîtrise enseigne le chaînage de prompts pour construire un audit express en plusieurs étapes vérifiables, chacune contrôlable séparément. Le principe reste identique à celui d'une relance simple : l'IA structure et signale, elle ne tranche jamais un montant à la place du financier.

Cette répartition entre tâches fiables et tâches à risque ne se limite pas à la comptabilité, elle traverse chaque métier différemment. Notre série sur l'IA par métier détaille comment elle se pose côté RH, où neuf tâches tiennent et quatre font courir un risque comparable, avec les mêmes réflexes de vérification à adapter au contexte de chaque service.

Un cabinet qui pose cette frontière une fois, dans un prompt et dans les habitudes de relecture, gagne du temps sur l'écrit sans jamais transiger sur ce qui compte le plus dans le métier : un chiffre qui tient.