Le 17 février 2026, la Banque des règlements internationaux (BRI), la Bundesbank et la Banque centrale européenne ont publié le rapport final de Project Spectrum, un projet qui utilise l'IA pour mieux suivre l'inflation en temps réel. Le sujet paraît loin des préoccupations d'une PME. Deux de ses enseignements s'appliquent pourtant directement à la façon dont une entreprise prépare ses prévisions financières.
Ce que fait réellement Project Spectrum
Pour suivre l'évolution des prix au jour le jour, la BCE dispose d'une base de prix collectés en ligne qui couvre 34 millions de produits différents. Le problème : les descriptions de produits sont brutes, hétérogènes, et doivent être rangées dans les bonnes catégories de l'indice des prix avant de pouvoir être analysées.
Project Spectrum a comparé deux méthodes pour faire ce classement. Interroger un grand modèle de langage produit par produit aurait demandé, selon la BRI, plus de six mois de calcul et plus de 500 000 euros. L'équipe a retenu une autre voie : transformer chaque description en représentation numérique (embedding) grâce à l'IA, puis la classer avec des algorithmes d'apprentissage automatique classiques. La précision est comparable, pour environ 1 500 euros et cinq jours de traitement.
Première leçon : la qualité d'une prévision dépend d'abord de la structuration des données
Le cœur du projet n'est pas la prévision elle-même, mais la transformation de données brutes et éparses en données structurées et exploitables. C'est aussi là que se joue la qualité des prévisions d'une PME.
Dans beaucoup d'entreprises, les données utiles existent mais ne sont pas exploitables en l'état : libellés de factures hétérogènes, catégories comptables approximatives, commandes saisies de façon différente selon les commerciaux, relevés bancaires non catégorisés. Avant toute prévision, l'IA peut rendre un service très concret : classer et normaliser ces données (catégoriser les transactions bancaires, rattacher les factures aux bons postes, harmoniser les références produits).
Deuxième leçon : le modèle le plus puissant n'est pas toujours le bon choix
Project Spectrum montre qu'une approche plus simple peut donner un résultat comparable pour un coût bien plus faible. Pour une PME, la leçon est directe : pour classer des transactions ou prévoir une trésorerie, un modèle statistique éprouvé, alimenté par des données propres, fait souvent mieux qu'un grand modèle de langage utilisé à tout faire. L'IA générative trouve sa place autour : préparation des données, explication des écarts, rédaction des commentaires de gestion.
Ce que les prévisions assistées par l'IA peuvent changer dans une PME
Les solutions de prévision classiques prolongent souvent le passé sans intégrer les signaux externes. Une prévision mieux outillée peut combiner les données internes (carnet de commandes, facturation, délais de paiement clients et fournisseurs) avec des indicateurs externes pertinents pour le secteur (prix des matières premières, saisonnalité, indices sectoriels).
Les usages les plus accessibles sont :
- La prévision de trésorerie : projeter les encaissements et décaissements à partir des échéances, du comportement de paiement réel des clients et des engagements connus, pour anticiper les besoins de financement court terme.
- L'anticipation du chiffre d'affaires : relier le carnet de commandes et le pipeline commercial à la saisonnalité observée.
- La planification des achats : ajuster les approvisionnements aux prévisions de ventes et aux délais fournisseurs.
Les entreprises à forte saisonnalité (distribution spécialisée, activités liées au tourisme, services aux collectivités) sont celles où une prévision hebdomadaire plus fiable a le plus d'effet sur les stocks, les effectifs temporaires et la négociation des découverts.
La transformation du rôle des équipes financières
Moins de temps passé à consolider des données et à produire des tableaux, davantage de temps consacré à interpréter les écarts et à identifier les leviers d'action : c'est l'effet attendu d'un outillage bien conçu.
L'IA ne remplace pas l'expertise financière. Les équipes restent indispensables pour contextualiser les prévisions, repérer les anomalies et traduire les chiffres en décisions. Les profils financiers qui maîtrisent ces outils peuvent ainsi jouer un rôle de conseil plus marqué auprès de la direction générale.
L'intégration dans les outils de gestion existants
Le déploiement ne demande pas de bouleverser les processus. L'approche raisonnable consiste à choisir un périmètre pilote (prévision de trésorerie, chiffre d'affaires ou achats) et à valider la fiabilité des prévisions avant d'étendre.
On commence par connecter les données de gestion courante (facturation, comptabilité, banque, CRM), avant d'ajouter progressivement des sources externes. La prévision devient alors un processus continu plutôt qu'un exercice trimestriel.
Par où commencer dans une PME
- Rassemblez 24 mois d'historique de facturation, d'encaissements et de relevés bancaires, et mesurez l'écart entre vos prévisions passées et la réalité.
- Automatisez d'abord la catégorisation et le rapprochement de ces données : c'est le prérequis de toute prévision fiable.
- Mettez en place une prévision de trésorerie à 13 semaines, mise à jour chaque semaine, et suivez son écart avec le réel pendant un trimestre.
Le guide IA par fonction en PME présente les usages côté finance, et le service intégration d'outils couvre la connexion de la comptabilité, de la banque et du CRM. Pour savoir par quelle prévision commencer, vous pouvez demander un diagnostic gratuit.
Article rédigé par Loïc Mabilon, cofondateur de Lumivi.
