Construire un prévisionnel financier avec l'IA sans chiffres inventés

Vous ouvrez un tableur vide. Vous demandez à l'IA : « construis-moi un prévisionnel de trésorerie sur douze mois. » En quelques secondes, un tableau apparaît. Des colonnes propres, des totaux, des soldes à l'euro près. Tout semble juste. Et c'est précisément là que le piège se referme. Car un modèle de langage n'est pas une calculatrice : c'est un générateur de texte probabiliste, capable de produire des nombres plausibles mais faux, avec un aplomb déconcertant. Voici comment utiliser l'IA pour bâtir un prévisionnel fiable, sans jamais lui laisser inventer un seul chiffre.

« Fais-moi un prévisionnel » : la mauvaise consigne

La demande paraît naturelle. Elle est pourtant l'erreur d'usage la plus coûteuse. Quand vous confiez à un modèle génératif le soin de produire les montants, vous lui demandez exactement ce qu'il ne sait pas faire de façon fiable : calculer.

Le résultat a toutes les apparences du sérieux. Deux décimales, un solde de fin de mois, une projection de marge. Mais rien ne garantit que « 128 431,72 € » découle d'une addition réelle plutôt que d'une extrapolation vraisemblable. Un chiffre affiché avec une fausse précision inspire plus confiance qu'une fourchette honnête — et c'est justement ce qui le rend dangereux.

⚠️ Le piège n°1 : l'IA invente des nombres. Un modèle de langage complète une suite de mots — et de chiffres — par ce qui est statistiquement probable, pas par ce qui est arithmétiquement exact. Il ne vous dira pas « je ne sais pas ». Il produira un nombre crédible. C'est le mécanisme même de l'hallucination : le papier de recherche « Why Language Models Hallucinate » (2025) montre que ces modèles sont entraînés et évalués de façon à être récompensés lorsqu'ils devinent une réponse plutôt qu'ils admettent l'incertitude. Un chiffre inventé n'est donc pas aléatoire : il est plausible par construction.

Génération probabiliste contre calcul déterministe

Pour sortir du piège, il faut poser une frontière nette entre deux natures d'outils qui ne jouent pas dans la même catégorie.

📖 Déterministe vs probabiliste. Un tableur est déterministe : mêmes entrées, même résultat, à chaque fois. =SOMME(B2:B13) renverra toujours la même valeur. Un modèle de langage est probabiliste : il génère une sortie vraisemblable qui peut varier d'une exécution à l'autre, même pour une question identique.

Cette distinction n'est pas théorique. Elle dessine un partage des tâches très concret, illustré ci-dessous.

À gauche, ce que l'IA sait générer : la structure d'un budget, des suggestions de formule, la catégorisation de dépenses, la rédaction d'un rapport. À droite, ce qui doit rester calculé par le moteur déterministe du tableur : les sommes, les soldes, les ratios, les dates d'échéance. La flèche va dans un seul sens. L'IA propose une trame et des formules ; le tableur calcule. Jamais l'inverse. Coller un nombre écrit par l'IA directement dans un total, sans le faire passer par une formule vérifiable, revient à publier une hypothèse déguisée en fait.

Quand l'éditeur déconseille lui-même son IA pour le calcul

L'argument le plus solide ne vient pas d'un sceptique : il vient de l'éditeur du plus grand tableur du marché. La documentation officielle de Microsoft sur la fonction IA en cellule d'Excel est sans ambiguïté. Pour toute tâche exigeant exactitude ou reproductibilité, elle recommande d'utiliser les formules natives (SUM, AVERAGE, IF), pas l'IA. Elle déconseille explicitement de se servir des sorties génératives pour le reporting financier. Et surtout, elle reconnaît que les résultats de sa propre fonction peuvent changer dans le temps, même avec les mêmes arguments (documentation officielle). La FAQ officielle va plus loin : « évitez d'utiliser l'IA pour des décisions dans des domaines sensibles comme la finance » et « vérifiez tout ce que l'IA produit avant de vous y fier ».

Autrement dit : la fonction IA intégrée au tableur est conçue pour rédiger et suggérer, pas pour tenir vos comptes. Les études indépendantes confirment cette prudence. L'étude Stanford SCALE (2025) mesure, parmi les réponses fausses de modèles de langage sur des tâches de raisonnement mathématique, 33,4 % d'erreurs de calcul et 34,7 % d'erreurs de précision ou d'arrondi. À nuancer : ces chiffres portent sur des exercices de mathématiques généraux, pas sur un prévisionnel de trésorerie. Ils donnent un ordre de grandeur, pas une statistique « finance ». Mais la leçon tient : l'erreur numérique n'est pas un accident, c'est une propriété du modèle.

Le risque n'épargne pas les grands cabinets. En 2025, un rapport commandé au cabinet Deloitte par le gouvernement australien s'est révélé truffé de références académiques inexistantes et d'une citation de jugement fabriquée — le tout généré avec de l'IA, sans vérification suffisante, jusqu'à la publication. L'affaire s'est soldée par un remboursement partiel (sources : Fortune, The Register). Ce n'était pas un prévisionnel financier au sens strict, mais l'exemple documenté le plus net d'un livrable professionnel corrompu par des faits inventés restés incontrôlés.

Ce que l'IA fait vraiment bien dans un prévisionnel

Rien de tout cela ne condamne l'IA. Bien cadrée, elle fait gagner un temps considérable — sur tout ce qui n'est pas du calcul.

💡 Le bon prompt. Ne demandez pas « calcule mes prévisions ». Demandez « propose-moi la structure d'un suivi budgétaire mensuel : quelles catégories, quelles lignes, et quelle formule Excel copier dans chaque colonne de total ». Vous récupérez une trame et des formules. Vous saisissez vos vrais chiffres. Le tableur calcule.

C'est exactement l'usage que met en avant Google dans son billet officiel sur la planification budgétaire (février 2026) : structurer un suivi de budget, écrire des formules financières, rédiger — pas fournir les montants. À noter : la fonction statistique FORECAST de Google Sheets, qui projette par régression linéaire, est déterministe et n'a rien à voir avec l'IA générative de la fonction =AI(). Ne confondez pas les deux.

Deuxième usage solide : la catégorisation de données réelles. Des outils de trésorerie comme Agicap ou Fygr classent automatiquement des transactions bancaires existantes et bâtissent un prévisionnel sur des flux prévisibles (loyers, salaires, impôts, échéances de dette). Agicap avance « plus de 90 % des flux catégorisés dès la première semaine » — chiffre marketing repris par la presse spécialisée, à prendre comme un ordre de grandeur, pas comme une étude indépendante. Ici, l'IA classe des données déjà là ; elle n'en invente pas. Troisième usage : la reformulation. Les rapports en langage naturel générés à partir de chiffres déjà calculés (les Smart Reports d'Agicap, par exemple) reformulent un résultat existant sans le recalculer.

Côté FP&A d'entreprise, plusieurs plateformes intègrent désormais une couche IA : Pigment, Datarails (positionné « Excel-native »), ou Causal (rejoint le groupe LucaNet en 2024, toujours vendu sous son nom). Leurs tarifs — souvent cités entre plusieurs dizaines et plusieurs centaines de milliers de dollars par an — proviennent de sites tiers, pas de grilles publiques officielles : traitez-les comme des ordres de grandeur. Le point commun à tous ? Le calcul arithmétique final reste confié à un moteur déterministe, jamais à une sortie générative brute. Datarails le dit d'ailleurs lui-même : la valeur vient de modèles propres et d'une gouvernance saine, pas seulement de l'IA.

📖 Honnêteté de méthode. Les capacités décrites ici sont relevées sur la documentation officielle des éditeurs au 5 juillet 2026. Le rendu réel sur votre jeu de données dépend de votre exécution et de vos vérifications. Cet article n'est pas un conseil financier : un prévisionnel qui engage la trésorerie doit être validé par un responsable financier ou comptable identifié.

Tracer chaque nombre à sa source

La règle qui protège un prévisionnel est simple, et vérifiable par n'importe quel lecteur : aucun chiffre ne sort du document s'il n'est pas traçable à une source primaire. Un modèle financier correct sépare toujours les hypothèses des calculs. Les bonnes pratiques de modélisation (Corporate Finance Institute) recommandent un onglet « hypothèses » dédié, jamais mélangé aux formules.

Le principe tient en trois colonnes. Chaque hypothèse est reliée à une source vérifiable et à une valeur retenue. Un taux de croissance ? Il vient d'une moyenne calculée sur douze mois d'historique comptable. Un délai de paiement clients ? Il vient d'un contrat et du relevé bancaire réel. Des charges fixes ? Elles viennent du grand livre. Un chiffre sans origine identifiable n'est pas une donnée : c'est une dette d'audit. L'IA peut vous aider à remplir la colonne « source » en repérant les documents pertinents ; elle ne remplit jamais la colonne « valeur » à votre place.

Le pipeline qui protège votre prévisionnel

Mise bout à bout, la méthode dessine un flux à cinq étapes, ponctué de points de vérification humaine.

On part des données réelles (exports comptables, relevés). On documente les hypothèses avec leur source. On laisse l'IA générer la structure et les formules. Le tableur calcule de façon déterministe. Enfin, un responsable financier revoit avant toute diffusion. À chaque jonction, un contrôle : comparer le prévisionnel à l'historique (analyse de variance), le confronter à des ratios connus (poids de la masse salariale, délai moyen d'encaissement), signaler tout écart aberrant.

Ajoutez-y trois scénarios — pessimiste, central, optimiste — documentés avec leurs hypothèses respectives. L'absence de scénario pessimiste est un angle mort classique, symptôme du biais d'optimisme. La littérature de planification de trésorerie le recommande explicitement.

Cette rigueur n'est pas un luxe. Selon Gartner, 59 % des directions financières déclaraient utiliser l'IA en 2025 — mais surtout pour la gestion de connaissance et l'automatisation, pas pour la prévision elle-même ; ne lisez donc pas ce chiffre comme « 59 % font leurs prévisionnels avec l'IA ». En parallèle, une étude McKinsey (reprise par CFO Dive) rapporte que 51 % des répondants ayant adopté l'IA en finance ont connu au moins une conséquence négative, dont près d'un tiers liée à l'exactitude. Contrepoint honnête : dans la même étude, 67 % des utilisateurs restent plus optimistes qu'un an avant. L'IA progresse ; les incidents aussi. La différence se joue sur la méthode.

🎯 À retenir. L'IA générative excelle à structurer, rédiger et catégoriser un prévisionnel. Elle reste, par construction, sujette à l'erreur numérique. La règle d'or : aucun nombre ne sort du document sans être tracé à une source primaire et passé par un calcul déterministe. L'IA propose la trame ; le tableur calcule ; l'humain valide.

Pour aller plus loin

Un prévisionnel fiable repose d'abord sur des données propres et bien préparées. Pour aller plus loin sur les étapes voisines de cette méthode :

• Avant de projeter, il faut fiabiliser l'existant : nettoyer un jeu de données avec l'IA sans en altérer les valeurs.
• Une fois les chiffres calculés, présentez-les sans les trahir : transformer des données en graphiques avec l'IA.
• Pour comprendre pourquoi un modèle produit un chiffre inventé mais crédible : pourquoi l'IA hallucine — la lecture qui éclaire tout cet article.
• Et pour bâtir vos propres garde-fous : les nœuds de vérification humains dans un flux IA.