Une enquête de Board sur la prise de décision par l’IA révèle que la confiance des CFO dépasse la gouvernance

Board a identifié un conflit frappant au sein de la direction : 48 % des CFO suivent les conseils de l’IA lorsqu’ils contredisent leur propre jugement. L’enquête de Board sur la prise de décision par l’IA suggère que les directeurs financiers s’appuient désormais plus volontiers sur les grands modèles de langage que les CIO et les COO. Pourtant, les contrôles formels n’ont pas suivi le rythme de cette confiance.

Ce changement dépasse une simple nouvelle hausse de l’utilisation de l’IA au travail. Les grands modèles de langage, ou LLM, deviennent des éléments d’entrée pour des choix stratégiques portant sur les budgets, les prévisions, les recrutements, les stocks et les investissements. Ils remplacent également des sources auxquelles les dirigeants font confiance depuis des décennies.

L’enjeu central n’est donc pas l’IA contre les dirigeants humains. Il oppose l’adoption par les dirigeants à la responsabilité institutionnelle. Les entreprises intègrent l’IA à des décisions importantes avant que beaucoup soient en mesure d’en expliquer, d’en examiner ou d’en mesurer de manière fiable l’influence.

L’enquête de Board sur la prise de décision par l’IA révèle une nouvelle habitude au sein de la direction

Les LLM sont passés du statut d’assistants de productivité à celui de sources influentes de conseils stratégiques.

Board a interrogé 300 CFO, CIO et COO américains en mai et juin 2026. Chaque participant travaillait pour une organisation générant au moins 100 millions de dollars de chiffre d’affaires annuel.

L’entreprise a publié ses conclusions le 16 septembre dans son rapport sur l’intelligence de planification. Comme Board vend des logiciels de planification d’entreprise, ses conclusions méritent le même examen critique que toute recherche financée par un fournisseur. Néanmoins, les différences entre les fonctions révèlent une évolution importante du comportement des dirigeants.

Soixante et un pour cent des répondants ont cité les LLM parmi les sources externes qui influencent le plus leurs décisions stratégiques. Cela a placé ChatGPT, Claude, Gemini et Copilot devant toutes les sources traditionnelles répertoriées dans l’enquête.

Les pairs du secteur et les réseaux professionnels ont obtenu 42 %. Les fournisseurs de technologies ont obtenu 37 %, tandis que les consultants externes ont obtenu 28 %. Gartner a été cité par 14 % des répondants.

Ce résultat ne prouve pas que les dirigeants jugent l’IA plus précise que des conseillers expérimentés. Il montre que les résultats des LLM sont devenus exceptionnellement accessibles pendant le processus décisionnel. Un dirigeant peut demander un résumé, un scénario, une analyse critique ou une recommandation sans planifier une autre réunion.

Les CFO ont signalé l’utilisation la plus élevée parmi les trois fonctions. Soixante-neuf pour cent ont cité les LLM comme ressources influentes, contre 58 % des COO et 56 % des CIO.

La différence devient plus lourde de conséquences lorsque l’IA n’est pas d’accord avec le dirigeant. Quarante-huit pour cent des CFO ont déclaré suivre la recommandation de l’IA dans cette situation. Les chiffres correspondants étaient de 33 % pour les CIO et de 11 % pour les COO.

Dans les trois groupes, 31 % ont déclaré suivre les conseils de l’IA lorsqu’ils entrent en conflit avec leur jugement. Seuls 39 % ont indiqué disposer de procédures formelles de gouvernance et d’escalade pour les décisions pilotées par l’IA.

Ces chiffres décrivent deux évolutions liées. L’IA a gagné une place dans le processus décisionnel, tandis que les systèmes de responsabilité ressemblent encore à ceux conçus pour les logiciels conventionnels.

Gordon Pothier, CFO de Board, a déclaré à CFO Dive que les responsables financiers sont généralement plus conservateurs et sceptiques. Il a soutenu que leur adoption témoigne de la force de l’élan actuel autour de l’IA. Son conseil le plus important concernait les désaccords : les dirigeants devraient soumettre la recommandation à une analyse rigoureuse au lieu de l’accepter automatiquement.

Cette distinction est importante. Consulter un LLM n’est pas la même chose que déléguer une décision. Toutefois, suivre sa recommandation en cas de conflit rapproche la technologie d’une autorité décisionnelle, même si un humain donne son approbation finale.

Pourquoi les CFO se tournent vers les LLM aujourd’hui

Les dirigeants adoptent l’IA parce que leurs cycles de planification ne peuvent pas suivre la vitesse des décisions auxquelles ils sont confrontés.

Les résultats plus larges de Board décrivent une organisation aux prises avec des informations obsolètes. Quatre-vingt-cinq pour cent des répondants ont signalé une pression accrue pour prendre des décisions plus rapidement au cours de l’année précédente. Seuls 27 % ont déclaré que leurs organisations pouvaient replanner en temps réel.

Les trois quarts ont déclaré qu’environ la moitié ou plus de leurs décisions de planification reposaient sur des données âgées de plus de 30 jours. Quatre-vingt-trois pour cent ont affirmé que leurs conseils d’administration avaient agi sur la base de prévisions dont ils savaient qu’elles étaient obsolètes. Quarante pour cent ont signalé des conséquences commerciales importantes liées à ces décisions.

Ces conclusions apportent le contexte manquant à la prise de décision des CFO avec l’IA. Les équipes financières ne sont pas simplement attirées par une interface conversationnelle. Elles cherchent à réduire le délai entre l’évolution d’une situation et la réponse d’un dirigeant.

La planification traditionnelle exige souvent de recueillir des données opérationnelles, de réconcilier les définitions, de mettre à jour un modèle et de préparer une présentation. Lorsque les prévisions révisées parviennent aux administrateurs, les hypothèses qui les sous-tendent peuvent déjà avoir changé.

Un LLM semble offrir une voie plus rapide. Il peut résumer des rapports, comparer des scénarios, extraire des hypothèses et formuler des questions en quelques secondes. Les systèmes connectés peuvent aussi récupérer des informations internes et intégrer des signaux externes.

Cette rapidité crée une véritable valeur lorsque la tâche est exploratoire. Un responsable financier peut demander quelles hypothèses contribuent le plus à une baisse de marge. Le modèle peut aider à identifier les scénarios nécessitant une analyse plus approfondie.

Le danger apparaît lorsque des résultats formulés avec aisance sont pris pour des éléments de preuve à jour. Un LLM ne sait pas automatiquement si les données de vente sous-jacentes sont complètes ou correctement gouvernées. Il peut produire une explication assurée à partir de prévisions obsolètes aussi facilement qu’à partir de prévisions actuelles.

Le rapport de Board contient un signe préoccupant de ce problème. Cinquante-neuf pour cent ont déclaré que leur investissement dans l’IA dépasse actuellement la valeur qu’il génère. Pourtant, 92 % de ce groupe prévoyaient toujours d’augmenter leurs dépenses au cours des 12 mois suivants.

Vingt et un pour cent supplémentaires ont déclaré que leurs entreprises présentent les performances de l’IA de manière plus positive aux conseils d’administration, aux investisseurs et aux pairs que ce que la réalité justifie. Ce résultat suggère que la pression en faveur de l’adoption n’est pas entièrement motivée par des rendements vérifiés.

Pothier a résumé la pression des pairs par une question : « Ai-je vraiment envie d’être le CFO qui ne suit pas la vague ? » Cette préoccupation est compréhensible, mais elle ne constitue pas un argument commercial.

David Marmer, Chief Product Officer de Board, a proposé une approche plus disciplinée. Acheter davantage d’IA, a-t-il déclaré, ne résoudra pas le problème fondamental de planification. Les organisations doivent relier l’IA à des décisions précises, à des hypothèses et à des personnes responsables.

C’est là qu’une base de connaissances IA organisée devient pertinente. Le modèle a besoin d’un contexte traçable, et non d’un amas de documents non contrôlé. La qualité des décisions dépend de la connaissance des informations utilisées, de leur date de mise à jour et de leur responsable.

La prise de décision des CFO avec l’IA soumet la finance à de nouvelles pressions

Les responsables financiers doivent désormais défendre à la fois la valeur économique de l’IA et l’intégrité des décisions influencées par l’IA.

Les CFO occupent une position inhabituelle dans cette transition. Ils approuvent les dépenses technologiques, suivent les rendements, supervisent la planification et remettent souvent en question les projections optimistes. Ils deviennent aussi des utilisateurs fréquents de la technologie qu’ils doivent évaluer.

Ce double rôle explique pourquoi les conclusions de Board comptent au-delà des départements financiers. Une recommandation de CFO influence l’allocation du capital, les effectifs, les prix, les acquisitions et la communication avec les investisseurs. Les erreurs peuvent se propager dans l’entreprise avant que quiconque n’en reconnaisse la source commune.

Les responsables financiers subissent également la pression de conseils d’administration qui attendent des réponses plus rapides. Un LLM peut produire une réponse immédiate lorsque les administrateurs demandent un autre scénario. Un cycle de planification conventionnel peut prendre plusieurs jours.

Cette commodité modifie les attentes. Dès qu’une équipe de direction voit une réponse générée par l’IA en quelques minutes, il devient plus difficile de défendre un processus plus lent. Cela reste vrai même lorsque le processus plus lent comprend des validations essentielles.

Les CIO font face à une pression différente. Ils doivent sécuriser les systèmes, contrôler les accès, choisir les modèles et gérer la fiabilité technique. Pourtant, Board a constaté que les CIO étaient moins susceptibles que les CFO de citer les LLM comme influences stratégiques.

Les COO ont signalé une volonté encore plus faible de suivre des conseils contradictoires de l’IA. Leur travail concerne souvent des contraintes physiques, les conditions des fournisseurs et les opérations de terrain qu’un modèle généraliste ne peut pas observer directement.

Ces différences entre les fonctions créent des frictions organisationnelles. La finance peut accepter un scénario généré par l’IA que les opérations jugent irréaliste. Les responsables technologiques peuvent rejeter un flux de travail parce que le modèle ne dispose pas d’un accès approuvé ou de contrôles d’audit.

Board a également constaté une adoption inégale de l’IA agentique, qui désigne des systèmes capables de planifier et d’exécuter des tâches en plusieurs étapes avec une intervention limitée. Soixante-six pour cent des CIO et 60 % des CFO ont signalé une utilisation active dans de véritables processus métier. Seuls 38 % des COO ont déclaré la même chose.

Les rendements déclarés ont suivi une tendance similaire. Soixante-treize pour cent des CIO et 71 % des CFO ont affirmé obtenir des rendements clairs et mesurables de l’IA agentique. Ce chiffre est tombé à 52 % chez les COO.

Ces pourcentages sont autodéclarés et proviennent d’une recherche financée par un fournisseur. Ils n’établissent pas un calcul commun du rendement entre les entreprises. Néanmoins, l’écart suggère que chaque fonction dirigeante peut évaluer l’IA à travers un prisme opérationnel différent.

L’organisation financière a donc besoin d’un mécanisme d’examen partagé. Chaque recommandation importante devrait identifier les données sources, le modèle, les hypothèses et le responsable humain. Les équipes devraient également consigner ce qui a changé après l’entrée de la recommandation dans le processus.

Cet enregistrement est important lorsque les résultats déçoivent. Sans lui, les dirigeants ne peuvent pas distinguer une défaillance du modèle de données médiocres, d’une mauvaise mise en œuvre ou d’une décision exécutive qui a ignoré le système.

Un rôle humain utile ne consiste pas seulement à approuver le résultat final. Il consiste à remettre en question le cadrage, à vérifier les éléments de preuve et à décider si la question se prêtait à une assistance par l’IA. La responsabilité commence avant l’apparition de la réponse.

L’adoption a progressé plus vite que la qualité décisionnelle démontrée

Une forte utilisation de l’IA ne prouve pas qu’elle a amélioré les décisions aux conséquences financières les plus importantes.

Des recherches indépendantes renforcent cette distinction. Une enquête Gartner menée auprès de 204 responsables financiers a révélé que 45 % des investissements dans l’IA financière mettaient l’accent sur la productivité. Seuls 20 % se concentraient principalement sur la qualité des décisions.

Les conclusions sur l’IA dans la finance mettent en évidence un écart entre l’activité et la valeur pour l’entreprise. Une préparation plus rapide des documents ou des rapprochements peut créer des gains d’efficacité utiles. Toutefois, ces gains n’améliorent pas automatiquement les décisions de tarification, d’investissement ou de risque.

La productivité est plus facile à mesurer. Une équipe peut comparer le temps passé avant et après l’automatisation. La qualité décisionnelle ne devient souvent visible que plusieurs mois plus tard, et les conditions externes peuvent masquer le résultat.

Ce problème de mesure complique l’enquête de Board sur la prise de décision par l’IA. Les dirigeants peuvent déclarer que les LLM les influencent, mais l’influence n’est pas un résultat. L’enquête ne détermine pas si suivre un modèle a conduit à une meilleure décision.

Les éléments recueillis par la Federal Reserve Bank of Richmond apportent un contexte utile. Ses données sur l’IA en entreprise reposaient sur 603 réponses collectées à la fin de 2025, auxquelles s’ajoutaient 145 réponses complémentaires.

Les entreprises ont signalé des bénéfices en matière d’efficacité de production, de rapidité des décisions et de résultats. Toutefois, les chercheurs ont trouvé peu d’éléments indiquant que l’IA avait sensiblement modifié les effectifs globaux ou les coûts. Les répondants anticipaient également peu d’effet à court terme sur l’emploi total.

Ces résultats sont compatibles avec des gains opérationnels significatifs. Ils sont aussi moins spectaculaires que les affirmations selon lesquelles l’IA aurait déjà transformé l’économie des entreprises.

Capgemini a interrogé 500 dirigeants de niveau C-suite en août et septembre 2025. Seuls 17 % ont déclaré utiliser activement l’IA comme pratique standard à plusieurs étapes de la prise de décision stratégique. Quarante-deux pour cent supplémentaires l’utilisaient de manière sélective.

L’étude sur la prise de décision des dirigeants a révélé que 47 % faisaient état d’améliorations notables ou supérieures de la qualité des décisions. Cinquante-neuf pour cent ont signalé des gains similaires concernant le temps et le coût des décisions.

Pourtant, la même étude a révélé que seuls 1 % s’attendaient à ce que l’IA prenne certaines décisions stratégiques de manière autonome dans les trois ans. Les dirigeants semblent à l’aise avec l’assistance, mais pas avec l’abandon de leur responsabilité formelle.

Cette limite est facile à décrire, mais difficile à faire respecter. Un dirigeant peut rester le décideur officiel tout en s’appuyant fortement sur le cadrage d’un modèle. L’humain peut examiner la réponse sans reconstruire le raisonnement qui la sous-tend.

Les LLM peuvent également encourager le biais d’automatisation, c’est-à-dire la tendance à privilégier les recommandations des machines même lorsque des éléments contraires existent. La fluidité conversationnelle rend cet effet plus difficile à détecter, car la recommandation ressemble à un conseil humain raisonné.

La question du sondage Board sur les conflits constitue donc sa mesure la plus importante. Un directeur financier qui suit l’IA malgré son désaccord personnel peut avoir découvert des éléments qu’il avait initialement négligés. Ce même comportement peut aussi refléter une déférence envers une réponse persuasive mais non étayée.

L’enquête ne révèle pas quelle explication s’applique. Cette distinction non résolue devrait empêcher les lecteurs de considérer le chiffre de 48 % comme une preuve de progrès ou de témérité.

La gouvernance est le maillon faible de l’utilisation de l’IA par les dirigeants

Le déficit de responsabilité devient particulièrement dangereux lorsque l’IA influence une décision qui ne peut pas être facilement annulée.

Seuls 39 % des répondants de Board ont indiqué disposer de processus formels de gouvernance et d’escalade pour les décisions pilotées par l’IA. Cela signifie que le recours des dirigeants s’étend alors que de nombreuses organisations ne disposent pas d’une réponse définie aux recommandations contradictoires, peu claires ou à haut risque.

La gouvernance n’exige pas de soumettre chaque prompt à un comité. Elle impose d’adapter le niveau d’examen aux conséquences de la décision.

Préparer des questions pour une réunion comporte peu de risques directs. Recommander une valorisation d’acquisition, une politique de crédit, une réduction des effectifs ou une hypothèse de résultats en comporte bien davantage. Ces décisions nécessitent des données traçables et un examen indépendant.

Le problème de gouvernance n’est pas hypothétique. Deloitte a interrogé 200 directeurs financiers d’entreprises nord-américaines générant au moins 1 milliard de dollars de chiffre d’affaires annuel. Quatre-vingt-treize pour cent ont déclaré que leur entreprise utilisait l’IA dans des opérations clés.

Quatre-vingt-seize pour cent ont exprimé leur confiance dans leurs cadres de gouvernance. Pourtant, 59 % ont identifié l’équilibre entre vitesse de déploiement et gestion des risques comme leur principal défi de gouvernance. La transparence des coûts, la cybersécurité et les contenus protégés constituaient également des préoccupations importantes.

L’enquête sur la gouvernance de l’IA a révélé que 19 % des directeurs financiers se considéraient comme les premiers responsables de la gouvernance de l’IA. Les responsables financiers se situaient ainsi derrière les CIO et les responsables de la sécurité, mais devant les CEO et les conseils d’administration.

La confiance dans un cadre ne démontre pas que les employés le suivent de manière cohérente. Les organisations ont besoin de preuves que les contrôles fonctionnent lors de décisions réelles, notamment lorsque les dirigeants subissent une pression temporelle.

Capgemini a constaté que 71 % des répondants s’inquiétaient des risques juridiques et de sécurité. Soixante-neuf pour cent ont cité la difficulté à expliquer les décisions influencées par l’IA, tandis que 60 % ont signalé l’insuffisance des données d’entreprise.

Cinquante-deux pour cent s’inquiétaient de leur capacité à vérifier la qualité ou la pertinence des résultats. Trente pour cent ont spécifiquement cité le risque de prendre une décision erronée sur la base de l’IA.

Ces préoccupations définissent les contrôles minimaux nécessaires à l’utilisation par les dirigeants. Les modèles doivent accéder à des informations approuvées, révéler les sources utilisées et conserver les dossiers de décision. Une personne qualifiée doit remettre le résultat en question avant toute action.

Les organisations ont également besoin d’une règle d’escalade en cas de désaccord. Si le jugement d’un dirigeant entre en conflit avec l’IA, la réponse ne devrait pas dépendre du côté qui paraît le plus sûr de lui.

Un examen pourrait comparer les sources du modèle aux documents sous-jacents. Il pourrait demander à une seconde équipe de reproduire l’analyse sans voir la recommandation. Les cas à forts enjeux peuvent nécessiter un examen juridique, de sécurité ou métier.

Les entreprises devraient également distinguer les LLM publics des systèmes d’entreprise sécurisés. Saisir des prévisions confidentielles dans un service non approuvé peut créer des risques en matière de confidentialité et de conservation des données. Même les systèmes approuvés peuvent produire des réponses incorrectes à partir de données internes incomplètes.

La gouvernance doit couvrir le contexte de la décision, et pas seulement le modèle. Une recommandation techniquement exacte peut tout de même ignorer les effets sur les employés, les obligations contractuelles ou l’évolution des conditions du marché.

C’est pourquoi la supervision humaine doit s’accompagner d’une véritable autorité. Un examinateur incapable de retarder ou de rejeter une recommandation ne sert que de décoration. Une supervision efficace confie à quelqu’un la responsabilité de se demander si l’organisation doit agir.

Trois signaux montreront si la confiance des dirigeants est justifiée

La prochaine phase de l’IA en entreprise sera évaluée à l’aune des dossiers de décision, des retours mesurables et d’une gouvernance applicable.

Le premier signal sera de savoir si les entreprises commencent à mesurer la qualité des décisions séparément de la productivité. Une analyse plus rapide a de la valeur, mais elle ne peut pas rester le principal indicateur indirect d’un meilleur jugement.

Les équipes financières devraient suivre un ensemble défini de décisions influencées par l’IA. Elles peuvent consigner la recommandation, l’alternative envisagée, la justification humaine et le résultat final. Cela crée des preuves qui vont au-delà des enquêtes auprès des utilisateurs et des affirmations des fournisseurs.

Une amélioration de la précision des prévisions renforcerait l’argument en faveur de la prise de décision des directeurs financiers avec l’IA. Des annulations répétées, des corrections ou des erreurs inexpliquées l’affaibliraient. La mesure pertinente n’est pas la fréquence d’utilisation de l’IA par les dirigeants, mais la fiabilité avec laquelle elle améliore les résultats choisis.

Le deuxième signal sera de savoir si la gouvernance formelle rattrape l’usage. Board a constaté que seuls 39 % des dirigeants disposaient de processus établis de gouvernance et d’escalade. Les prochaines enquêtes devront montrer si ce chiffre augmente parallèlement à l’adoption.

Un système crédible définira quelles décisions exigent une validation humaine et quelles sources de données le modèle peut utiliser. Il conservera une trace lorsque les conseils de l’IA entrent en conflit avec le jugement des dirigeants.

Les défaillances de gouvernance compromettraient le récit de l’adoption. Elles pourraient inclure l’exposition de données confidentielles, des affirmations financières non étayées, un examen réglementaire ou des décisions que personne ne peut expliquer après coup.

Le troisième signal sera de savoir si la hausse des investissements produit des rendements que les conseils d’administration peuvent vérifier. Board a constaté que 59 % estimaient que l’investissement actuel dans l’IA dépassait la valeur obtenue. La quasi-totalité de ce groupe prévoyait néanmoins d’augmenter ses dépenses.

Cette dynamique peut se poursuivre pendant un cycle d’investissement précoce. Elle devient plus difficile à défendre lorsque les projets restent déconnectés du chiffre d’affaires, de la réduction des risques, de la précision des prévisions ou de gains opérationnels mesurables.

Les conseils d’administration devraient se demander si les dépenses augmentent parce qu’un cas d’usage validé se développe. Ils devraient distinguer cette raison d’un investissement motivé par l’anxiété concurrentielle.

L’enquête de Board sur la prise de décision par l’IA saisit un changement réel, mais pas une victoire acquise pour l’IA. Les LLM sont devenus des sources majeures d’information pour les dirigeants avant que les organisations ne se soient accordées sur la manière de gouverner leur influence.

Pour les travailleurs du savoir, la leçon immédiate est tout aussi pratique. L’IA peut élargir les éléments disponibles pour une décision, mais sa réponse devrait rester reliée à des sources vérifiables. Des outils tels que ask remio peuvent soutenir ce processus en ancrant les questions dans les connaissances propres à l’utilisateur.

Le test est simple : votre organisation peut-elle reconstituer pourquoi une décision influencée par l’IA a été prise une fois le résultat connu ? Si ce n’est pas le cas, le prochain investissement devrait renforcer le contexte, la mesure et la responsabilité avant d’ajouter davantage d’autorité automatisée.