Les directions financières entendent beaucoup parler d'agents en ce moment : des systèmes d'IA qui ne se contentent pas de répondre aux questions, mais qui agissent au sein d'un workflow. La promesse est convaincante : orientez un agent vers vos rapprochements, vos clôtures, vos analyses des écarts, et laissez-le travailler. Moins d'heures perdues dans des tâches manuelles, des réponses plus rapides, moins de dépendance envers la personne qui connaît le processus.
Voici la question qui détermine si tout cela fonctionne : sur quoi l'agent agit-il réellement ?
La plupart des calculs financiers n'ont qu'une seule bonne réponse
La majeure partie de ce que fait la finance n'est pas ambiguë. Un calcul de redevances n'a qu'une seule bonne réponse. Une répartition fiscale n'a qu'une seule bonne réponse. Le rapprochement entre le paiement d'un partenaire de livraison et un relevé de point de vente n'a qu'une seule bonne réponse, qui se trouve généralement dans une formule de tableur, et non quelque chose qu'un modèle de langage (LLM) devrait déduire à chaque fois. Il s'agit d'un travail déterministe, régi par des règles que la fonction finance connaît déjà plutôt que par des décisions de jugement que le modèle serait apte à prendre. La valeur ajoutée d'un agent ne réside pas dans le calcul, mais dans sa capacité à agir rapidement sur des calculs déjà corrects et à pouvoir montrer le détail de son raisonnement quand on lui demande pourquoi.
Ce « pourquoi » est le point où la plupart des initiatives d'IA dans la finance rencontrent des difficultés, car personne ne peut retracer la réponse jusqu'à la règle qui l'a produite.
La logique n'est pas absente, elle n'est simplement pas encadrée
Rien de tout cela ne constitue un problème nouveau. La finance encode des formules de redevances, des règles de répartition et des procédures de clôture depuis aussi longtemps que les feuilles de calcul existent, généralement dans un fichier qu'une ou deux personnes seulement comprennent parfaitement. C'était autrefois un risque gérable : un analyste part, quelqu'un reconstruit la feuille de calcul et le travail continue.
Confier ce même processus à un agent augmente les enjeux, car les règles doivent désormais résider dans un endroit où tout le monde, y compris l'IA, peut réellement les voir. C'est ce que fait une couche de logique métier : elle offre à la logique que la finance possède déjà un endroit où résider, où elle est visible, reproductible et auditable, au lieu d'être piégée dans un fichier qu'une seule personne comprend.
À quoi cela ressemblait chez Papa Johns
Papa Johns exploite plus de 6 000 restaurants dans le monde via un modèle de franchise, et chaque commande reçue par l'intermédiaire d'un partenaire de livraison comme UberEats ou DoorDash doit être rapprochée correctement, car le résultat détermine ce que le franchisé reçoit réellement. Une erreur de rapprochement ne reste pas isolée — elle se répercute sur les paiements des franchisés et sur les chiffres qui alimentent la clôture.
L'équipe avait déjà investi dans Google Cloud et BigQuery, mais la logique de rapprochement elle-même résidait là où la logique financière se trouve habituellement : dispersée entre des systèmes, des feuilles de calcul et des tableaux de bord, et réassemblée manuellement à chaque cycle de clôture. Michael Wyant, vice-président Enterprise Data and Corporate Solutions chez Papa Johns, a identifié le problème : « La pièce manquante a été la logique métier propre à la finance. »
C'est donc par là que l'équipe a commencé. Non pas en déployant un agent, mais en rendant la logique de rapprochement elle-même visible et encadrée au sein d'Alteryx One, avec une exécution native sur BigQuery. Résultat : une réduction des tâches manuelles financières allant jusqu'à 400 heures par an, avec des contrôles SOX documentés automatiquement au lieu de devenir obsolètes dans un fichier séparé. Ce n'est qu'une fois cette base établie que l'agent de rapprochement optimisé par Gemini est devenu un outil auquel l'entreprise pouvait réellement se fier pour obtenir une réponse.
Ce que les agents y gagnent une fois les fondations en place
Papa Johns n'a pas obtenu d'agent IA en le demandant simplement. L'entreprise y est parvenue en rendant la logique sous-jacente accessible et fiable, de la même manière, pour un agent, un auditeur ou une nouvelle recrue. La connexion émergente entre des plateformes comme Alteryx et Google Cloud via le Model Context Protocol (MCP) laisse présager davantage de solutions de ce type : des agents capables d'agir sur des données encadrées avec le contexte et les autorisations appropriés déjà intégrés, plutôt qu'un accès brut à tout ce qu'ils pourraient trouver.
Rien de tout cela ne remplace le discernement que l'équipe Finance apporte au processus. Cela signifie que le jugement est appliqué une fois, consigné clairement et utilisé de la même manière à chaque fois, au lieu de dépendre de la mémoire d'une seule personne sur la façon dont il est censé fonctionner.
Questions à se poser avant la prochaine discussion de votre équipe sur les agents
Avant la prochaine discussion de votre équipe sur les agents, posez la question par laquelle cet article a commencé, mais en l'appliquant à vos propres workflows : sur quoi l'agent agirait-il réellement ? Papa Johns a répondu à cette question en rendant la logique de rapprochement visible avant de la confier à un agent. C'est la discipline qu'il vaut la peine d'appliquer à votre clôture, à votre audit ou partout où votre équipe envisage d'utiliser des agents.
Papa Johns, Alteryx et Google Cloud expliquent exactement comment ils ont mis en place cette base, et ce qu'il a fallu pour confier le résultat à un agent, dans ce webinaire à la demande . Si votre équipe doit répondre aux mêmes questions sur les agents, ce webinaire est fait pour vous.