Formation Intelligence artificielle appliquée à la finance

Jour 1

1. Ce que les outils d’IA savent faire en finance

• Modèles de langage, IA prédictive, automatisation : trois familles, trois usages distincts.
• Pourquoi un modèle de langage peut se tromper sur un calcul simple, et comment le contourner (exécution de code, tableur).
• Panorama des outils : assistants généralistes, IA intégrée à Microsoft 365 et aux logiciels financiers, solutions spécialisées.
• La matrice gain et risque appliquée aux tâches financières.
• Pratique : chaque participant positionne dix tâches de son poste sur la matrice et retient deux cas d’usage prioritaires.

2. Confidentialité, conformité et gouvernance

• Quelles données soumettre à quel outil : versions grand public et versions entreprise.
• RGPD, secret des affaires, informations privilégiées : les règles qui s’appliquent en finance.
• Règlement européen sur l’IA : niveaux de risque et obligations de l’entreprise utilisatrice.
• Les rubriques d’une charte d’usage de l’IA pour la fonction finance.
• Pratique : anonymisation d’un jeu de données comptables avant exploitation, puis contrôle de ce qui reste identifiable.

3. Formuler des requêtes efficaces

• Structure d’une requête : rôle, contexte, données, format de sortie, contraintes.
• Faire expliciter le raisonnement et les hypothèses pour pouvoir les vérifier.
• Itérer : corriger une réponse plutôt que tout recommencer.
• Constituer une bibliothèque de requêtes partagée au sein de l’équipe.
• Pratique : amélioration progressive d’une requête de commentaire d’écarts budgétaires, avec comparaison des résultats à chaque version.

4. Analyser et commenter les chiffres

• Analyse d’écarts entre budget et réalisé : identifier les postes à expliquer.
• Rédaction de commentaires de gestion à partir d’un tableau de résultats.
• Synthèse d’un rapport annuel, d’une note d’analyste ou d’un compte rendu de comité.
• Rapprocher chaque affirmation produite du chiffre source.
• Pratique : production du commentaire mensuel d’un reporting fourni, puis revue croisée entre participants pour repérer les erreurs.

Jour 2

5. L’IA dans Excel et la préparation des données

• Nettoyage et structuration de données hétérogènes : exports comptables, relevés bancaires, fichiers fournisseurs.
• Génération et explication de formules complexes.
• Copilot dans Excel et analyse de données en Python : possibilités et limites.
• Rapprochements assistés : lettrage, écarts, anomalies.
• Pratique : préparation d’un export de grand livre et détection d’écritures atypiques avec l’IA, suivie d’une vérification manuelle.

6. Documents et contrats

• Extraction d’informations dans des contrats : baux, contrats de financement, conditions générales.
• Revue de covenants bancaires et d’échéanciers.
• Préparation de notes de synthèse pour la direction.
• Limites : documents scannés, tableaux complexes, clauses ambiguës.
• Pratique : extraction des clauses financières clés d’un contrat de prêt fictif et contrôle systématique sur le texte source.

7. Prévision et détection d’anomalies

• Ce que les modèles prédictifs apportent aux prévisions de trésorerie et de chiffre d’affaires.
• Saisonnalité, tendance, variables explicatives : les notions utiles pour dialoguer avec une équipe data.
• Détection d’anomalies et prévention de la fraude : principes et exemples.
• Mesurer la fiabilité d’une prévision en la comparant à une méthode simple de référence.
• Pratique : comparaison d’une prévision produite avec l’IA et d’une prévision tendancielle sous Excel, puis analyse des écarts.

8. Déployer dans son service

• Assistants personnalisés et automatisations simples sans code.
• Choisir les premiers cas d’usage : volume, risque, facilité de contrôle.
• Mesurer le gain réel : temps passé, taux d’erreur, délai de clôture.
• Accompagner l’équipe : règles communes, partage des bonnes pratiques, montée en compétence.
• Pratique : conception d’un assistant pour une tâche récurrente et rédaction de sa feuille de route de déploiement sur six mois.