Déroulé de l’expérience

L’expérimentation a été conçue à partir d’une tâche standard du secteur bancaire : l’analyse de comptes annuels publiés à la BNB, dans une logique d’évaluation du risque.

L’objectif n’était pas de tester une technologie en tant que telle, mais de comparer deux modes de travail sur une même base de données, dans des conditions proches d’un usage réel.

Trois intentions ont structuré ce cadrage :

• reproduire une analyse bancaire classique, telle que pratiquée par un analyste crédit
• comparer cette approche avec une analyse assistée par intelligence artificielle
• mesurer les écarts observables en termes de temps, qualité d’analyse et posture de travail

Cette phase a permis de poser un cadre commun, garantissant la comparabilité des résultats.

Deux approches ont été mises en œuvre sur des comptes annuels identiques, afin d’observer les différences opérationnelles.

Approche sans IA

L’analyse traditionnelle repose sur une séquence structurée, réalisée manuellement, mobilisant à la fois des compétences techniques, analytiques et une forte capacité de concentration. Elle débute par une lecture détaillée des comptes annuels - bilan, compte de résultats et annexes - afin d’identifier les postes significatifs et de repérer d’éventuelles anomalies ou informations contextuelles importantes.

L’analyste procède ensuite à une extraction et une organisation des données clés, qu’il restructure généralement sous forme de tableaux ou de synthèses internes afin de rendre l’information exploitable. Cette étape constitue une transformation essentielle de données brutes en une base d’analyse cohérente, mais reste fortement dépendante de la rigueur et de la méthode de travail de l’individu.

Une fois les données structurées, l’analyste calcule les principaux indicateurs financiers, tels que les ratios de solvabilité, de liquidité et de rentabilité. Ces calculs sont réalisés manuellement ou à l’aide d’outils intermédiaires, ce qui peut introduire un risque d’erreur ou d’omission. L’analyse se poursuit par une phase d’interprétation, durant laquelle les résultats sont mis en perspective afin d’identifier des tendances, des points de vigilance ou des incohérences.

Enfin, l’ensemble est formalisé dans un rapport structuré, mettant en évidence les forces, les fragilités et, de manière plus ou moins explicite, un avis sur le niveau de risque. Ce processus repose sur un traitement séquentiel de l’information, où chaque étape dépend de la précédente. Il est reconnu pour sa robustesse, mais demeure chronophage et fortement dépendant de la disponibilité cognitive de l’analyste.

Approche avec IA

L’analyse assistée par intelligence artificielle repose sur une interaction structurée entre l’utilisateur et un outil capable de traiter rapidement des volumes importants de données et de produire une première analyse. Le processus débute par la transmission des comptes annuels et la formulation d’une demande précise, qui encadre le type d’analyse attendu, le niveau de détail et la posture d’interprétation.

L’IA procède ensuite à une lecture automatisée des documents et à une structuration immédiate des informations financières. Elle identifie les postes clés, reconstitue une vision cohérente de la situation et synthétise les éléments significatifs en quelques secondes. Sur cette base, elle calcule automatiquement les principaux ratios, met en évidence les tendances et peut détecter certains signaux faibles, comme des tensions de trésorerie ou des incohérences structurelles.

L’outil génère également une première interprétation des données, accompagnée de recommandations argumentées et, dans certains cas, de scénarios ou de points de vigilance. Ce contenu est directement exploitable, mais ne constitue pas une décision en soi.

Le rôle de l’utilisateur évolue alors de manière significative. Il ne produit plus l’analyse étape par étape, mais intervient en tant que superviseur et arbitre. Il vérifie la cohérence des résultats, les contextualise en fonction de la réalité de l’entreprise (secteur, dirigeant, stratégie) et prend la décision finale.

Dans cette approche, le processus devient moins linéaire et plus itératif. Le travail se déplace des tâches techniques vers des activités de cadrage, de validation, d’interprétation et de décision. Le gain de temps se concentre sur les phases de lecture, de calcul et de structuration, tandis que les dimensions à forte valeur - compréhension, jugement et pilotage du risque - restent profondément humaines et deviennent plus centrales.

Observation et feedback

À l’issue des deux approches, un temps d’observation et de retour d’expérience a été organisé avec les participants.

Trois constats principaux ont émergé :

• un changement de posture cognitive : passage d’une logique de production à une logique d’interprétation et de validation
• un déplacement du temps de travail : réduction du temps technique au profit du temps consacré à la décision
• une augmentation de la vigilance vis-à-vis des résultats générés par l’IA, nécessitant un regard critique renforcé

Ces observations suggèrent que la transformation ne se limite pas à un gain de productivité, mais engage une évolution plus profonde du rôle et des compétences mobilisées.

Résultats clés

L’expérimentation a permis de mesurer des écarts significatifs entre les deux approches analysées. Les principaux résultats observés sont les suivants :

• Temps moyen sans IA : entre 3 et 5 heures par dossier
• Temps moyen avec IA : entre 20 et 40 minutes par dossier
• Gain moyen estimé : environ 85 % de réduction du temps d’analyse
• Volume annuel estimé : 450 dossiers par an pour un analyste
• Gain annuel estimé : environ 1 500 heures

Ces données mettent en évidence un déplacement majeur du temps de travail, avec une réduction importante des tâches techniques au profit des activités à plus forte valeur ajoutée.

Notre lecture - Ces résultats suggèrent une transformation significative, à la fois en termes de productivité et de nature du travail réalisé.

Ils indiquent que l’intelligence artificielle permet d’accélérer fortement la lecture des données, leur structuration et leur première interprétation.

Cependant, ces données ne permettent pas d’affirmer une amélioration systématique de la qualité des analyses produites, une autonomie complète de l’intelligence artificielle et une disparition du rôle de l’humain dans le processus décisionnel

L’analyse humaine reste nécessaire pour contextualiser les résultats, interpréter les signaux faibles et arbitrer dans des situations complexes ou incertaines.

Limites & prudence - Plusieurs éléments invitent à une lecture prudente de ces résultats. D'une part, l'échantillon était limité par le nombre restreint de cas analysés avec un contexte simulé (conditions contrôlées, non représentatives de l’ensemble des situations réelles) ainsi que la dépendance à la qualité des données et du prompt (la pertinence des résultats dépend fortement des informations fournies et de la structuration de la demande).

Ces limites soulignent la nécessité de poursuivre les expérimentations, notamment en conditions réelles et sur des volumes plus importants.

Analyse e-net. lab : signaux faibles & implications

Angle 1 : transformation des tâches - L’expérimentation met en évidence une évolution nette dans la nature des tâches réalisées.

L’intelligence artificielle permet d’automatiser une partie significative des activités répétitives, notamment la lecture des données financières, le calcul des ratios et la structuration de l’information Cette automatisation modifie l’équilibre du travail.

Cela implique une montée en valeur des tâches d’interprétation et d’analyse critique, une réduction du temps consacré aux opérations techniques et un besoin accru de validation humaine des résultats produits. L’activité ne disparaît pas, elle se déplace vers des fonctions à plus forte valeur décisionnelle. "La transformation ne consiste pas à faire moins, mais à faire autrement : l’enjeu n’est plus d’exécuter, mais d’arbitrer avec discernement." indique Nicolas Pourbaix.

Angle 2 : recomposition du métier - Au-delà des tâches, c’est la structure même du métier qui évolue. Dans une approche traditionnelle, le banquier agit principalement comme un analyste de données, chargé de produire une analyse à partir d’informations financières. Dans un environnement assisté par IA, son rôle tend à évoluer vers celui de pilote du risque, centré sur l’interprétation et la décision.

Pour ce métier, le développement de nouvelles compétences analytiques, orientées vers la compréhension globale plutôt que le calcul est essentiel avec un renforcement du jugement professionnel et de la capacité d’arbitrage ainsi qu'une importance accrue de la contextualisation (secteur, dirigeant, dynamique de marché).

Le métier ne se simplifie pas : il se déplace vers des niveaux de responsabilité plus élevés. "Pour nous, le métier ne disparaît pas, il se redéfinit : l’analyste devient un décideur, capable d’interpréter et de piloter le risque dans un environnement incertain." conclut Nicolas.

Angle 3 : gouvernance et risques - L’intégration de l’IA dans les processus d’analyse introduit de nouveaux types de risques, moins visibles mais structurants.

Parmi les principaux risques identifiés, il y a biais algorithmiques dans les analyses produites, la dépendance progressive aux outils automatisés ainsi que la perte de compréhension fine des mécanismes financiers. Ces éléments nécessitent une adaptation des pratiques et des cadres de pilotage.

La mise en place d’un cadre éthique et de gouvernance clair est indispensable avec le maintien d’une supervision humaine active et informée. De plus, il faudra investir dans le développement de compétences continues pour maîtriser les outils et leurs limites

L’enjeu n’est pas uniquement technique, mais organisationnel et stratégique. L’intégration de l’IA ne peut être laissée sans cadre : elle impose une gouvernance claire, où la responsabilité humaine reste centrale face aux décisions produites.

Nos enseignements

Au-delà du cas étudié, cette expérimentation permet d’identifier des enseignements qui dépassent le seul métier bancaire. Ils constituent des repères utiles pour comprendre les transformations en cours dans d’autres secteurs et fonctions.

1. Les tâches évoluent plus vite que les métiers. Les activités opérationnelles se transforment rapidement sous l’effet de l’IA, tandis que les intitulés de métiers restent stables. Cette dissociation crée un décalage qui nécessite une relecture régulière des rôles et des responsabilités.

2. Le gain de temps ne supprime pas le besoin humain. La réduction du temps technique ne signifie pas une suppression de l’intervention humaine. Elle déplace l’effort vers des activités d’interprétation, de validation et de prise de décision, qui restent essentielles.

3. L’IA déplace la valeur vers la décision. En automatisant la production d’analyse, l’IA repositionne la valeur sur la capacité à comprendre, arbitrer et décider. La compétence clé devient la qualité du jugement, plus que la capacité d’exécution.

4. Les risques changent de nature. Les risques ne disparaissent pas avec l’IA, ils se transforment. Aux risques opérationnels traditionnels s’ajoutent des risques liés aux biais, à la dépendance technologique et à la perte de maîtrise des processus.

5. La formation devient un enjeu central. L’évolution des tâches et des responsabilités implique un besoin accru de formation. Il ne s’agit pas uniquement d’apprendre à utiliser des outils, mais de développer une compréhension critique et une capacité d’adaptation continue.

Ce que montre cette expérimentation, ce n’est pas une amélioration de l’analyse financière. C’est une transformation du rôle humain face au risque.

Aller plus loin ?

• Atelier Déclic IA pour les dirigeants et managers (Comprendre l’intelligence artificielle en tant que dirigeant / manager)
• Atelier d'expérience "Comprendre et maîtriser l’IA pour réussir dans un monde en transformation ?"
• Sortie en mars 2026: 3 livres, parcours 'Se dépasser avec l’IA' (Penser - Comprendre - Agir avec l’intelligence artificielle sans perdre le discernement)
• Pourquoi l’IA peut creuser les différences et comment organiser une montée en compétences équitable et durable ? Réponse dans cette publication sur les compétences et inégalités.
• L’avenir ne se subit pas. Il se pilote avec discernement, responsabilité et humanité : Lancement de la saison 2026 de l'appel à l'innovation.
• Thème de l'appel à l'innovation 2027 : La santé mentale, à l’équilibre et à l’épanouissement durable des dirigeants, entrepreneurs et parties prenantes (Date : le mardi 26 janvier 2027).