IA et fonctions support : ce que ça change concrètement pour les DAF, DRH et DSI

Le sujet est saturé d’annonces et pauvre en retours d’expérience. Dans les PME et ETI que nous accompagnons, les usages qui tiennent dans la durée sont plus modestes que les promesses, et plus utiles.

Trois constats reviennent, fonction par fonction.

Côté finance : le contrôle avant l’analyse

Les gains les plus tangibles ne sont pas dans la prévision mais dans le traitement. Reconnaissance et affectation automatique des factures fournisseurs, rapprochements bancaires, détection d’anomalies dans les écritures, préparation des relances client.

L’effet ne se mesure pas en postes supprimés, mais en temps déplacé : moins de saisie, plus de contrôle et d’analyse. Le point de vigilance est toujours le même, la qualité des référentiels : un outil qui apprend sur des données mal structurées reproduit les erreurs plus vite.

Côté RH : gain réel, prudence nécessaire

Les usages installés concernent la rédaction, le tri et la réponse : offres d’emploi, comptes rendus d’entretien, réponses aux questions récurrentes des salariés, première lecture des candidatures.

Deux limites structurent la pratique. La première est juridique : les décisions individuelles ne peuvent pas être déléguées à un traitement automatisé, et l’usage de données personnelles impose un cadre documenté. La seconde est humaine : un processus de recrutement entièrement automatisé dégrade l’expérience candidat au moment où la marque employeur compte le plus.

Sur les sujets RH, l’intelligence artificielle fait gagner du temps sur la forme. Elle ne prend aucune décision qui engage l’entreprise.

Côté SI : la gouvernance devient le sujet

Pour le directeur des systèmes d’information, la question n’est plus l’outil mais l’encadrement. Les usages arrivent par les métiers, souvent sans validation, avec des données d’entreprise qui circulent vers des services externes.

Le travail utile est peu spectaculaire : recenser les usages réels, définir ce qui peut être partagé et ce qui ne peut pas l’être, retenir un nombre limité d’outils validés, former les équipes, tracer. C’est un chantier de gouvernance classique, appliqué à une technologie nouvelle.

Par où commencer, concrètement

La méthode qui fonctionne tient en quatre étapes. Choisir un processus répétitif et mesurable, pas un cas d’usage spectaculaire. Mesurer son coût actuel en temps. Tester sur un périmètre restreint pendant six à huit semaines. Décider d’industrialiser ou d’arrêter, sur la base du chiffre et non de l’impression.

Cette discipline évite le principal écueil observé : des expérimentations multiples, jamais évaluées, qui laissent l’organisation avec le sentiment d’avoir avancé sans que rien n’ait changé.

Questions fréquentes

Faut-il un budget important pour commencer ?

Non. Les premiers gains proviennent le plus souvent d’outils déjà présents dans les logiciels existants, sur des processus répétitifs et bien délimités.

L’IA supprime-t-elle des postes en finance ou en RH ?

Dans les PME, l’effet observé est un déplacement du temps de travail, de la saisie vers le contrôle et l’analyse, plus qu’une réduction d’effectifs.

Quels risques juridiques sur les données ?

L’usage de données personnelles impose un cadre documenté, et les décisions individuelles ne peuvent pas reposer sur un traitement entièrement automatisé. Le cadrage doit précéder le déploiement.

Qui doit piloter le sujet dans une PME ?

La direction générale avec le SI, en associant les directions finance et RH. Laisser chaque métier avancer seul crée des usages non maîtrisés et des données qui circulent sans contrôle.