Près de 4 directeurs financiers sur 10 s’attendent à ce que l’IA générative soit rentable en deux ans

PYMNTS a fait son apparition dans Google News avec un résultat marquant : près de quatre directeurs financiers interrogés sur dix s’attendent à des retours très positifs de l’IA générative dans les deux ans. Cette confiance peut sembler être une victoire pour l’IA d’entreprise. Les données sous-jacentes racontent une histoire plus complexe.

Les dirigeants financiers constatent de meilleurs résultats dans des applications ciblées. Ils allongent également le délai nécessaire pour intégrer l’IA générative à l’échelle de toute leur organisation. Cette contradiction apparente distingue la valeur opérationnelle précoce d’un rendement financier complet.

L’enquête auprès des directeurs financiers d’entreprise a porté sur 60 responsables financiers d’entreprises américaines réalisant au moins 1 milliard de dollars de chiffre d’affaires annuel. PYMNTS Intelligence a mené l’enquête du 15 au 19 décembre 2025. Ses conclusions décrivent un groupe restreint et concentré de grandes entreprises, et non l’ensemble des entreprises américaines.

Ces directeurs financiers ont signalé de meilleurs résultats pour des tâches allant des flux de travail automatisés aux réponses clients. Ils ont également relevé moins d’inconvénients qu’il y a six mois. Pourtant, leurs prévisions concernant le délai d’intégration complète ont presque doublé.

Cette tension compte davantage que le pourcentage mis en avant dans le titre. Les directeurs financiers ne se demandent pas seulement si un modèle peut rédiger un texte, analyser des dossiers ou produire une prévision. Ils déterminent si l’IA peut fonctionner au sein de flux de travail gouvernés et créer une valeur économique durable.

La principale confrontation n’oppose donc pas les optimistes de l’IA aux sceptiques. Elle met en balance la promesse de gains rapides et ciblés avec la réalité d’un changement organisationnel lent. Les gagnants relieront ces deux horizons temporels sans assimiler des estimations de productivité à des rendements audités.

Ce que révèle réellement le titre de Google News

L’enquête montre une confiance croissante dans des applications d’IA spécifiques, et non la preuve qu’une transformation à l’échelle de l’entreprise est presque achevée.

PYMNTS a constaté que les attentes des directeurs financiers en matière de ROI de l’IA générative s’étaient davantage dispersées en décembre 2025. Un groupe plus important anticipait des retours très positifs dans un ou deux ans. Un autre prévoyait un chemin bien plus long avant d’obtenir un rendement économique complet.

Cette répartition est plus instructive qu’une moyenne unique. Elle suggère que les dirigeants financiers ont cessé de considérer chaque projet d’IA générative comme le même investissement. Un assistant documentaire et un système de prévision à l’échelle d’une entreprise impliquent des coûts, des risques et des exigences de mise en œuvre différents.

Cette distinction explique également pourquoi les attentes favorables en matière de ROI peuvent progresser alors que les prévisions d’intégration s’allongent. Une équipe peut gagner du temps dans la recherche ou le reporting avant que son entreprise ne repense un processus financier entier. La valeur précoce ne nécessite pas une transformation institutionnelle immédiate.

PYMNTS a indiqué que la satisfaction atteignait entre 80 % et 100 % pour les cas d’usage déjà déployés par les entreprises interrogées. Les évaluations se sont particulièrement améliorées pour la génération de code, les flux de travail automatisés, l’innovation produit et les réponses clients en temps réel. Ces chiffres reflètent les évaluations des répondants, et non des rendements financiers audités de manière indépendante.

Les directeurs financiers interrogés ont également signalé moins d’inconvénients perçus. La moyenne est passée de 6,92 inconvénients en juillet 2025 à 4,23 en décembre. Parmi les plus grandes entreprises, elle est passée de 7,52 à 3,44.

Plusieurs préoccupations opérationnelles ont diminué en parallèle. La part citant des erreurs et des problèmes de résultats est passée de 80 % à 35 %. Les préoccupations liées à l’intégration et à la mise en œuvre ont reculé de 70 % à 45 %, tandis que celles concernant les coûts et la maintenance sont passées de 78,3 % à 23,3 %.

Ces évolutions étayent une interprétation crédible. L’expérience aide les grandes entreprises à résoudre certains problèmes qui paraissaient redoutables lors des premiers pilotes. Les équipes mettent en place des contrôles, choisissent des cas d’usage plus ciblés et apprennent là où une vérification humaine reste nécessaire.

Toutefois, la diminution des préoccupations signalées ne les fait pas disparaître. Une préoccupation liée aux erreurs de 35 % reste importante dans le reporting financier, la conformité ou la trésorerie. Une préoccupation d’intégration de 45 % indique encore un travail substantiel entre systèmes et données.

L’étude repose également sur des perceptions auto-déclarées par 60 dirigeants. Cette conception permet d’identifier des évolutions de sentiment et de pratique, mais elle ne peut pas établir de causalité. Elle ne prouve pas que l’IA générative a produit une amélioration donnée de marge.

Le titre doit donc être lu comme le signe d’attentes qui mûrissent. Près de quatre directeurs financiers sur dix anticipent de solides retours à court terme parce qu’ils peuvent distinguer les déploiements utiles d’une transformation à grande échelle. Leur optimisme est devenu plus sélectif, et non moins sérieux.

C’est le premier changement important dans l’enquête de PYMNTS auprès des directeurs financiers. Les dirigeants financiers croient de plus en plus que l’IA générative fonctionne dans des contextes définis. Ils affrontent désormais la question plus difficile : ces contextes peuvent-ils devenir des systèmes opérationnels répétables et contrôlés ?

Les gains rapides de l’IA se heurtent à une intégration lente

Le ROI de l’IA générative semble le plus rapide lorsque les entreprises circonscrivent la tâche, définissent le point de référence et confient la responsabilité à des employés redevables.

Un cas d’usage ciblé présente des limites visibles. Une équipe financière peut mesurer le temps nécessaire pour produire un rapport récurrent avant le déploiement et comparer ce point de référence aux résultats ultérieurs. Elle peut également enregistrer les corrections, le temps de révision et le coût d’exploitation du modèle.

L’intégration à l’échelle de l’entreprise n’offre pas une telle simplicité. Elle touche aux autorisations d’accès, aux définitions de données, aux chaînes d’approbation, aux contrats logiciels, aux rôles des employés et aux obligations réglementaires. Un modèle peut être performant alors que le processus qui l’entoure reste inadapté à l’automatisation.

Cette différence aide à expliquer les délais plus longs observés dans les recherches de PYMNTS. En décembre 2025, les répondants s’attendaient à ce qu’une intégration complète prenne près de deux fois plus de temps qu’ils ne l’avaient anticipé entre juillet et septembre. Une plus grande expérience a renforcé la confiance dans les cas d’usage et accru la prudence face au passage à l’échelle.

Deloitte a constaté une fracture similaire dans ses conclusions sur le ROI de l’IA. Ses recherches ont inclus 1 854 dirigeants en Europe et au Moyen-Orient, complétées par 24 entretiens détaillés.

Parmi les utilisateurs d’IA générative de cette recherche, 15 % ont déclaré avoir déjà obtenu un ROI significatif et mesurable. 38 % supplémentaires anticipaient de tels retours dans l’année suivant l’investissement. Pourtant, 62 % ont indiqué qu’un cas d’usage type de l’IA atteignait un ROI satisfaisant en deux à quatre ans.

Cette répartition souligne un problème de mesure crucial. Des retours « significatifs » et « satisfaisants » peuvent correspondre à des seuils différents. Une entreprise peut constater des gains de productivité utiles avant de récupérer les coûts complets de mise en œuvre et de changement organisationnel.

L’IA agentique rend le problème de calendrier plus aigu. Un agent d’IA est un logiciel capable de planifier et d’exécuter des actions en plusieurs étapes dans le cadre d’autorisations définies. Deloitte a constaté que 57 % des répondants utilisaient l’IA agentique, mais seulement 10 % ont déclaré un ROI actuel significatif.

La moitié de ces utilisateurs d’IA agentique anticipaient des retours dans les trois ans. Un autre tiers prévoyait un délai de trois à cinq ans. Une plus grande autonomie accroît la valeur potentielle, mais augmente aussi les exigences d’intégration et de contrôle.

Les fonctions financières illustrent pourquoi. Un modèle peut résumer des explications d’écarts avec un accès limité et une révision obligatoire. Un agent qui modifie une prévision ou lance un ajustement requiert des autorisations, des règles de validation, des journaux et un responsable désigné.

Les entreprises doivent également décider de ce qui constitue de la valeur. PYMNTS a constaté qu’en décembre, l’amélioration de l’expérience client et des marges figurait parmi les principales mesures de ROI. La réduction des coûts, l’expansion des revenus et la baisse des dépenses d’investissement attiraient également davantage l’attention.

La réduction des effectifs est devenue un indicateur moins courant. Ce changement affaiblit le récit le plus simple de l’automatisation. Les directeurs financiers perçoivent de plus en plus la valeur à travers des cycles plus rapides, de meilleures décisions et un meilleur service, plutôt qu’à travers la seule suppression directe de main-d’œuvre.

Ces bénéfices restent difficiles à comparer. Les heures économisées ne se transforment pas automatiquement en profit. Une analyse plus rapide n’a d’importance que si les employés réaffectent ce temps à des décisions utiles ou à un travail supplémentaire.

Un modèle crédible de ROI de l’IA générative doit donc prendre en compte les résultats acceptés, l’effort de révision, les taux d’échec et les effets commerciaux en aval. Il doit inclure l’infrastructure, l’intégration, la gouvernance, la formation et la gestion des fournisseurs. Ignorer ces coûts produit un résultat attrayant, mais incomplet.

C’est pourquoi l’accès aux connaissances compte dans les déploiements quotidiens. Les employés ont besoin d’un contexte fiable avant que l’IA puisse produire un travail utile. Une base de connaissances IA consultable peut réduire les frictions de recherche, mais la vérification humaine protège toujours les décisions importantes.

Les premiers gains sont réels lorsque les équipes les mesurent avec soin. La collision commence lorsque les dirigeants supposent que ces gains pourront passer à l’échelle sans repenser les flux de travail. Chaque système, autorisation et partie prenante supplémentaire introduit une condition de réussite supplémentaire.

Les directeurs financiers doivent désormais défendre à la fois vitesse et contrôle

Les dirigeants financiers subissent la pression de financer rapidement l’IA tout en préservant les contrôles qui rendent les systèmes financiers fiables.

Traditionnellement, les directeurs financiers contestent les investissements dépourvus de retours mesurables. L’IA générative les place dans une position inhabituelle. Ils doivent agir comme gardiens de l’allocation du capital alors que les concurrents, les conseils d’administration et les équipes opérationnelles exigent une adoption plus rapide.

Cette pression est déjà visible. Une enquête de juillet 2026 a indiqué que 92 % des directeurs financiers et hauts responsables financiers ressentaient une pression pour démontrer des retours acceptables de l’IA. L’étude sur la pression exercée sur les dirigeants financiers a couvert 1 505 dirigeants dans quatre pays.

La moitié de ses répondants ont déclaré que leurs agents d’IA n’avaient généré qu’un ROI mesurable limité. Seuls 7 % ont indiqué que leur organisation donnait la priorité à la gouvernance de l’IA plutôt qu’à la vitesse d’adoption. Ces résultats révèlent le risque de laisser les calendriers de déploiement dépasser la redevabilité.

Seuls 44 % se disaient pleinement confiants dans leur capacité à expliquer les actions d’un agent d’IA à un auditeur ou à un régulateur. 30 % supplémentaires ont déclaré que les contrôles internes n’avaient pas été mis à jour au cours de l’année précédente. Ces lacunes comptent lorsque les logiciels commencent à influencer des transactions ou des jugements financiers.

L’auditabilité signifie qu’une entreprise peut reconstituer ce qu’un système a fait, quelles informations il a utilisées et qui a approuvé le résultat. Les logiciels conventionnels suivent une logique prédéfinie. Les systèmes génératifs peuvent produire des résultats variables ; les organisations ont donc besoin de dossiers plus solides concernant les instructions, les sources, les révisions et les approbations.

La même enquête a révélé que seuls 28 % exigeaient des journaux d’audit documentés montrant comment un agent d’IA était parvenu à ses décisions. 23 % supplémentaires ont déclaré que la responsabilité d’une erreur d’IA ne serait pas claire ou ne serait attribuée à personne. Il s’agit de déficiences de gouvernance, et non de détails techniques mineurs.

Une erreur de modèle dans un brouillon interne a une conséquence gérable. Une erreur inexpliquée en matière fiscale, de reporting ou de conformité peut créer une exposition financière et juridique. L’environnement de contrôle doit correspondre à l’impact de l’action.

Cela ne signifie pas que chaque cas d’usage nécessite les mêmes restrictions. Une synthèse à faible risque peut faire l’objet d’une révision plus légère qu’une allocation de capital ou un reporting externe. Des contrôles fondés sur le risque permettent aux entreprises d’avancer rapidement lorsque les conséquences restent limitées.

Les directeurs financiers doivent également clarifier la responsabilité. Les équipes technologiques peuvent exploiter des modèles, mais elles ne peuvent pas définir chaque résultat financier acceptable. Les équipes financières comprennent l’importance relative et les exigences d’approbation, tandis que les équipes de sécurité comprennent les accès et l’exposition des données.

Une gouvernance réussie réunit ces responsabilités avant le déploiement. Le responsable métier définit le résultat attendu et la tolérance à l’erreur. Les équipes technologiques maintiennent le système, et les fonctions de gestion des risques vérifient que les contrôles fonctionnent comme prévu.

Les conclusions de PYMNTS suggèrent que les grandes entreprises progressent dans ce domaine. Les préoccupations déclarées concernant les erreurs, les coûts et la mise en œuvre ont fortement diminué en six mois. La hausse des évaluations d’efficacité indique qu’une exposition contrôlée peut renforcer la confiance institutionnelle.

Toutefois, la confiance peut devenir dangereuse lorsqu’elle remplace les tests. La satisfaction déclarée ne révèle pas à quelle fréquence les employés corrigent discrètement les résultats. Elle peut aussi exclure les pilotes abandonnés, ce qui peut faire paraître les déploiements actifs plus performants qu’ils ne le sont.

Les organisations devraient suivre l’ensemble de l’entonnoir. Cela comprend les tâches tentées, les résultats produits, les résultats acceptés, les révisions, les escalades et les échecs. Un modèle qui génère rapidement des brouillons mais exige des vérifications approfondies peut déplacer le travail plutôt que l’éliminer.

La pression sur les directeurs financiers s’intensifiera à mesure que les budgets augmenteront. Bain a interrogé plus de 100 directeurs financiers internationaux et a constaté que 83 % prévoyaient d’augmenter les dépenses d’IA d’entreprise de plus de 15 % sur deux ans. Ses plans de dépenses en IA ont également montré que 42 % s’attendaient à des hausses supérieures à 30 %.

Selon Bain, seuls 15 % à 25 % avaient déployé l’IA à grande échelle dans l’ensemble des fonctions financières. Au total, 31 % étaient satisfaits de leurs résultats. La satisfaction dépassait 60 % parmi les entreprises du quartile supérieur en matière de maturité de l’IA.

Cet écart fait de la maturité opérationnelle le facteur décisif. Acheter davantage d’accès ne crée pas des données, des flux de travail ou des contrôles matures. Les directeurs financiers doivent financer le travail organisationnel qui transforme un modèle en capacité fiable.

Ce que les chiffres ne prouvent toujours pas

Les éléments disponibles justifient un optimisme prudent, mais ils n’établissent pas une échéance universelle de deux ans pour le ROI de l’IA générative.

L’échantillon de PYMNTS est volontairement restreint. Chaque répondant dirigeait la fonction finance d’une entreprise américaine réalisant au moins 1 milliard de dollars de chiffre d’affaires annuel. Les grandes entreprises disposent de ressources, de données et d’équipes techniques dont les petites organisations peuvent ne pas bénéficier.

L’échantillon ne compte également que 60 directeurs financiers. Un répondant représente environ 1,7 point de pourcentage. Une faible variation des réponses peut donc entraîner un mouvement visible des parts déclarées.

Cette limite n’invalide pas l’étude. Elle signifie que les lecteurs devraient éviter de transformer ses résultats en prédiction pour toutes les entreprises. L’enquête doit plutôt être considérée comme un aperçu de la direction financière des grandes entreprises.

La formulation temporelle mérite aussi de la prudence. Les répondants devaient indiquer quand les rendements deviendraient « très positifs », et non quand tous les coûts de mise en œuvre seraient récupérés. Différents dirigeants peuvent appliquer des seuils différents à cette expression.

PYMNTS a présenté un portefeuille plus large de mesures du ROI, incluant les marges, l’expérience client, la réduction des coûts et le chiffre d’affaires. Cette approche reflète la manière dont les entreprises créent réellement de la valeur. Elle rend aussi les comparaisons plus difficiles, sauf si chaque entreprise définit son calcul de façon cohérente.

Un gain d’expérience client peut compter financièrement, mais le lien exige des preuves. Les dirigeants doivent montrer si un meilleur service a modifié la rétention, la conversion, les coûts de support ou un autre résultat mesurable. Sinon, le bénéfice reste un indicateur intermédiaire.

Le calendrier de l’enquête appelle également à la prudence. PYMNTS a recueilli les réponses pendant cinq jours en décembre 2025. Le titre est entré plus tard dans le cycle actuel de Google News, mais les réponses sous-jacentes ne constituent qu’un instantané.

Les modèles, les contrats et les stratégies d’entreprise ont changé depuis ce travail de terrain. Certains projets ont progressé, tandis que d’autres ont rencontré des problèmes de coût ou de sécurité. Un titre d’actualité ne devrait pas rendre invisible la date de l’enquête.

Des études indépendantes décrivent également des niveaux de réussite très différents. Une étude sur l’adoption en entreprise menée par Wharton et GBK Collective a interrogé 801 décideurs d’entreprise en 2025. Elle a constaté que 72 % mesuraient formellement le ROI de l’IA générative.

Trois répondants sur quatre de cette étude ont déclaré des rendements positifs. Quatre sur cinq s’attendaient à ce que les investissements soient rentables en environ deux à trois ans. Ces résultats renforcent l’optimisme tout en étendant l’horizon attendu au-delà de la fenêtre de deux ans du titre.

La recherche de Wharton a également révélé que 82 % utilisaient l’IA générative au moins chaque semaine, tandis que 46 % l’utilisaient quotidiennement. L’usage régulier était clairement devenu courant parmi les décideurs d’entreprise. L’adoption, toutefois, ne mesure pas la même chose que l’impact économique.

L’étude a aussi identifié une contrainte humaine. Quatre-vingt-neuf pour cent ont convenu que l’IA générative améliorait les compétences des employés, mais 43 % percevaient un risque de baisse de maîtrise des compétences. L’IA peut améliorer les résultats tout en affaiblissant l’expertise si les employés cessent de pratiquer les tâches essentielles.

Les responsables financiers doivent tenir compte de cette possibilité. Un analyste plus rapide qui conserve son jugement représente une valeur durable. Un processus plus rapide qui érode la capacité à détecter les erreurs crée un passif caché.

D’autres recherches constatent des lacunes opérationnelles notables même lorsque les rendements semblent favorables. Une enquête financière de 2026 a signalé une adoption de l’IA de 97 % parmi les répondants et des rendements positifs pour plus de 75 % des investissements. Pourtant, 45 % consacraient encore plus de 60 % de leur temps à des tâches manuelles.

Cet écart dans l’adoption par les fonctions financières montre pourquoi les affirmations générales nécessitent du contexte. Un département financier peut déclarer des rendements positifs de l’IA tout en continuant à dépendre de feuilles de calcul, de rapprochements manuels et de rapports exigeants en main-d’œuvre.

L’interprétation la plus sceptique est que les enquêtes optimistes mesurent plus facilement les attentes et les réussites sélectionnées que la transformation totale. L’interprétation la plus favorable est que la valeur ciblée arrive avant un changement organisationnel visible.

Les deux peuvent être vraies. L’IA générative peut générer des rendements intéressants sans refondre un département financier entier. L’erreur consiste à considérer les premiers succès comme la preuve que chaque processus doit désormais être automatisé.

Les directeurs financiers devraient exiger des preuves au niveau des cas d’usage et une agrégation au niveau du portefeuille. Les expérimentations échouées doivent figurer dans le calcul aux côtés des déploiements réussis. Les exclure gonfle la performance apparente du programme global.

Ils devraient aussi distinguer les améliorations récurrentes des gains ponctuels. Un modèle peut aider à résorber un retard, mais ce bénéfice ne se répétera pas indéfiniment. Un ROI durable exige un travail continu, des coûts récurrents plus faibles, de meilleures décisions ou des effets soutenus sur les revenus.

Le titre est utile parce qu’il reflète un véritable tournant dans le sentiment des dirigeants. Il ne devient trompeur que lorsqu’il est dépouillé des limites de l’échantillon, des choix de mesure et des délais d’intégration plus longs. Ces détails déterminent si l’attente de deux ans est crédible.

Trois signaux mettront à l’épreuve le retour sur investissement à deux ans

La prochaine phase sera jugée à l’aune de résultats opérationnels audités, d’une adoption à l’échelle de la production et de preuves que les contrôles suivent le rythme.

Le premier signal sera un changement dans la manière dont les entreprises rendent compte de la valeur de l’IA. Les estimations de productivité et les enquêtes auprès des employés ont été utiles durant l’expérimentation. Les conseils d’administration s’attendront de plus en plus à des mesures liées aux marges, aux revenus, au fonds de roulement, à la réduction des erreurs ou aux cycles de transaction achevés.

Une communication plus solide inclurait les coûts d’exploitation et la revue humaine. Elle distinguerait les gains de temps bruts de la valeur financière réellement obtenue. Elle identifierait également si le résultat provient de l’IA générative, de l’automatisation conventionnelle ou d’une refonte plus large des processus.

Si les entreprises commencent à communiquer des résultats financiers reproductibles, les prévisions à court terme de PYMNTS gagneront en crédibilité. Si les communications restent limitées à l’utilisation et aux heures économisées estimées, le déficit de vérification persistera.

Le deuxième signal sera le passage des pilotes à une production contrôlée. Bain a constaté que seuls 15 % à 25 % des directeurs financiers interrogés avaient déployé l’IA à grande échelle dans la finance. Il reste donc une grande distance entre l’expérimentation et les opérations normalisées.

Un déploiement en production devrait signifier davantage qu’un accès à l’échelle de l’organisation à un chatbot. Il exige une intégration avec des données approuvées, des tâches définies, une surveillance, des règles d’escalade et des responsables désignés. Les employés ont également besoin d’instructions claires pour contester les résultats peu fiables.

Les taux de mise à l’échelle révéleront si les cas d’usage les plus solides peuvent résister à la véritable complexité opérationnelle. Une hausse des déploiements gouvernés et reproductibles renforcerait la thèse des deux ans. Un inventaire croissant de pilotes bloqués l’affaiblirait.

Le troisième signal sera de savoir si les indicateurs de gouvernance s’améliorent parallèlement à l’adoption. L’enquête financière de juillet a révélé une faible utilisation de journaux d’agents documentés et une incertitude généralisée concernant la responsabilité. Ces lacunes deviennent plus importantes à mesure que les systèmes reçoivent davantage d’autonomie.

Surveillez les contrôles internes mis à jour, les pistes d’audit obligatoires, les plans d’incident testés et une responsabilité explicite pour les erreurs d’IA. Ces mesures ne garantissent pas un ROI positif. Elles réduisent le risque qu’un seul échec efface les gains de nombreuses tâches réussies.

Les améliorations de la gouvernance rendraient également la mesure financière plus fiable. Une entreprise ne peut pas calculer correctement la valeur si elle n’enregistre pas le comportement du système, les corrections et les exceptions. Les contrôles créent les preuves nécessaires pour étayer une affirmation de ROI.

Le titre de Google News marque donc un point d’étape, et non une ligne d’arrivée. Près de quatre directeurs financiers sur dix s’attendent à des rendements très positifs dans les deux ans, tandis que la même recherche montre que l’intégration complète prend plus de temps.

Cette dissociation est rationnelle. Les entreprises n’ont pas besoin de transformer chaque flux de travail avant de tirer de la valeur d’applications ciblées. Elles ont besoin d’une mesure rigoureuse avant de considérer cette valeur comme un rendement durable à l’échelle de l’entreprise.

Pour les développeurs, la leçon est de concevoir pour la traçabilité, la revue et des actions limitées. Pour les acheteurs d’entreprise, elle consiste à évaluer les résultats des flux de travail plutôt que les démonstrations de modèles. Les travailleurs du savoir devraient examiner si l’IA améliore leur jugement ou accélère seulement les premiers brouillons.

La question décisive n’est plus de savoir si l’IA générative peut aider les équipes financières. C’est déjà le cas dans de nombreuses tâches définies. La question est de savoir si les organisations peuvent transformer ces gains en performance financière reproductible et gouvernée.

Au cours des deux prochaines années, observez ce que les directeurs financiers déclarent une fois que les coûts de mise en œuvre, les corrections et le travail de contrôle sont inscrits au bilan. Ces preuves détermineront si l’optimisme d’aujourd’hui devient un avantage opérationnel ou une nouvelle prévision qui a avancé plus vite que la réalité.