Exploiter l'automatisation pour traiter la forme, et restituer à l'humain son véritable métier : l'arbitrage, le dialogue et la décision.
📌 À retenir
L'IA industrialise la collecte et la mise en forme ; elle n'industrialise ni l'arbitrage, ni le dialogue, ni la décision. Et en supprimant le coût de production du reporting, elle rend visible la seule question qui compte : que mérite-t-il d'être mesuré ?
- Automatiser n'est jamais figer l'absurde : on passe le livrable au crash-test avant de l'automatiser, pas après.
- L'outil ne choisit pas les capteurs : c'est le travail des volets précédents (tri, conception), pas celui de la machine.
- Le temps rendu est un compte à régler : s'il n'est pas réalloué à l'arbitrage et au dialogue, il sera repris par la machine à rassurer.
Cette série nous avait amenés, volet après volet, du constat à la méthode :
- le coût du reporting (« Et si on arrêtait le massacre des forêts et des heures de travail ? »),
- la boucle anxiolytique qui l'auto-entretient (« Du reporting anxiolytique au dysfonctionnement systémique »),
- le tri (« Reprendre la main : le reporting stratégique du manager qui a du champ »),
- puis la conception d'indicateurs qui regardent le présent (« Du contrôle a posteriori au vrai pilotage »).
Reste la promesse que l'on nous brandit à chaque démonstration d'outil : l'IA va enfin régler le problème du reporting. Oui et non. Oui, elle fera le reporting - plus vite, plus propre, moins cher. Et c'est précisément le problème.
1. Le paradoxe du reporting gratuit
Tant que le reporting coûtait cher, son absurdité avait une excuse implicite : si des heures y passent, c'est que ça sert à quelque chose. Le coût était une fausse preuve d'utilité.
L'IA détruit cette excuse. Quand la collecte, la consolidation et la mise en forme ne coûtent presque plus rien, le reporting n'a plus de valeur parce qu'il coûte. Il ne lui reste que la valeur qu'il crée — et c'est celle-là que nous avions appris à auditer : que se passerait-il si personne ne le regardait plus ? Que ferait-on de différent lundi matin ?
Nous l'écrivions déjà dans l'article sur la boucle anxiolytique : automatiser un reporting absurde ne fait qu'accélérer la production de bruit informationnel. L'IA ne pose aucune des questions qui fondent la série — elle ne fait que rendre leur esquive plus difficile. Le crash-test du « Et alors ? » décide, la conception des capteurs équipe, l'IA exécute. Dans cet ordre, et dans cet ordre seulement.
2. Ce que l'IA prend : la forme
Le gisement est réel, et massif. Les enquêtes sur les équipes de pilotage convergent : elles passent près de la moitié de leur temps à collecter et valider des données, contre environ un tiers seulement à l'analyse et à l'action. C'est le « work about work » d'Asana, ce fameux « travail à propos du travail » qui étouffe le travail véritable — et c'est exactement la partie mécanique du coût TEA : le Temps, et l'attention d'opérateur de saisie.
Concrètement, l'automatisation (IA ou simple connecteur bien réglé) prend :
- la collecte et les rapprochements : ingestion des sources, consolidation, détection d'anomalies ;
- la mise en forme : tableaux, graphiques, déclinaisons par destinataire ;
- le premier jet des commentaires : l'IA générative pré-rédige l'analyse d'écarts, le contrôleur enrichit avec sa lecture du contexte ;
- la dérive de délai : des packs de reporting qui sortaient à J+12 sortent en quelques heures.
Ce que la machine produit reste un projet : les éditeurs eux-mêmes préviennent qu'un assistant IA branché sur des données mal préparées renvoie des résultats inexacts. L'IA traite la forme — et la forme, c'est précisément ce qui n'a jamais dû occuper un humain.
3. Ce que l'IA ne prend pas : le fond
Trois choses résistent, et elles sont le cœur du métier de manager.
| 🤖 Ce que l'IA prend (la forme) |
🧭 Ce que l'IA ne prend pas (le fond) |
|
| Collecte, consolidation, mise en forme | industrialisées, quasi gratuites | — |
| L'anxiété du sommet | — | nourrie, pas apaisée : la réponse est institutionnelle (seuils, exception, revues) |
| L'arbitrage | — | le jugement humain devient indispensable quand la confiance du modèle chute |
| Le dialogue | — | la valeur du rendre compte : l'échange, pas le document |
- L'anxiété du sommet.
→ La boucle décrite au deuxième volet n'est pas un problème de débit : le sommet qui a peur réclame plus de chiffres, pas de meilleurs chiffres. Une IA qui produit à l'infini ne l'apaise pas, elle la nourrit. La réponse à l'anxiété est institutionnelle (bandes de tolérance, reporting par exception, revues), pas technique. - L'arbitrage.
→ Les études sur l'IA générative appliquée au pilotage sont claires : l'outil performe quand il augmente l'expert, et c'est justement quand la confiance du modèle est faible (c'est-à-dire quand la décision devient intéressante) que le jugement humain devient indispensable. L'IA excelle sur le routinier ; l'arbitrage commence là où le routinier s'arrête. - Le dialogue.
→ La valeur du rendre compte n'a jamais été dans le document, mais dans l'échange qu'il déclenche : la question inconfortable, la ressource arbitré, la décision assumée devant les autres. Aucun modèle ne tient cette place à la table.
4. Le temps rendu : un compte à régler
Le temps libéré par l'IA n'est pas un bonus : c'est un compte à régler.
Si on ne le réalloue pas explicitement - à l'arbitrage, au dialogue, à la décision, à l'observation du terrain - deux choses se produisent, toutes deux observables dans les organisations qui ont automatisé sans repenser :
- le sommet anxiolytique demande de nouveaux indicateurs, puisque la production est désormais « gratuite » (la loi de Goodhart trouve un terrain vierge) ;
- le temps rendu est aspiré par d'autres tâches administratives — il ne retourne pas de lui-même vers le terrain.
La règle de la série reste donc la même que pour les volets précédents, transposée à l'outil : l'IA traite la forme, l'humain garde le fond. L'automatisation est l'occasion rêvée de déplacer l'humain là où il est irremplaçable, à condition de décider avant où va le temps, exactement comme on décide avant où va un indicateur.
Conclusion et premier pas
L'IA fera le reporting. Elle ne dira jamais s'il méritait d'être fait : cette question-là restera la vôtre. Plus le geste devient gratuit, plus il engage celui qui le commande.
Votre défi pour la semaine prochaine : listez ce que l'IA (ou une simple automatisation) pourrait produire dans votre reporting d'ici trois mois. Puis passez chaque livrable de cette liste au crash-test du « Et alors ? » avant de l'automatiser. Automatisez les survivants, équipés comme des capteurs (seuil, destinataire, revue) — et jamais l'inverse : on ne bâtit pas une usine pour un produit qu'on n'achèterait pas à la main.
📚 Pour aller plus loin sur pragma-tic : la série sur le reporting
- Managers, où passe votre temps ? (contexte 2014)
- Reporting : Quand l'indicateur devient la cible - comprendre la loi de Goodhart (2016)
- Reporting : comment l'intégrer dans sa gestion du temps ? (2018)
- Reporting, contrôle et "rendre-compte" : le bilan 10 ans après (2025)
- Reprendre la main : Le reporting stratégique du manager qui a du champ (2025) — le crash-test du « Et alors ? »
- Reporting subi : comment reprendre la main et diviser par trois votre temps de rédaction (2025)
- Infographie - 6 Stratégies pour réduire le temps perdu en reporting subi (2025)
- Reporting - Et si on arrêtait le massacre des forêts et des heures de travail ? (2026)
- Du reporting anxiolytique au dysfonctionnement systémique : quand la machine à contrôler aveugle l'organisation (2026)
- Du contrôle a posteriori au vrai pilotage : concevoir des indicateurs qui regardent le présent (2026)
- L'IA fera le reporting. C'est bien le problème. (le présent article)
📚 Sources bibliographiques et références
- FP&A Trends Survey 2025 (OneStream)
Sujet : Les équipes de pilotage consacrent ~46 % de leur temps à collecter et valider les données, contre ~31 % à l'analyse et l'action.
👉 FP&A Trends Survey 2025 - Asana — Anatomy of Work Index
Sujet : Le « work about work » absorbe près de 60 % du temps des collaborateurs.
👉 Rapport Anatomy of Work par Asana - MIT Sloan Management Review — étude Xie & Choi sur l'IA générative en comptabilité
Sujet : L'IA accroît la productivité et la qualité du reporting quand elle augmente l'expert ; le jugement humain reste indispensable quand la confiance du modèle est faible.
👉 How generative AI can make accountants more productive - McKinsey — AI in finance: driving automation and business value
Sujet : Le temps libéré par l'IA doit être redéployé vers le rôle de partenaire business et l'exécution de la stratégie.
👉 How finance teams are putting AI to work today - Microsoft Learn — Copilot dans Power BI
Sujet : Avertissement de l'éditeur : sans modèle de données préparé, l'assistant IA peut renvoyer des résultats inexacts.
👉 Copilot for Power BI — Microsoft Learn - Charles Goodhart — Loi de Goodhart
Concept : « Lorsqu'une mesure devient un objectif, elle cesse d'être une bonne mesure. »
👉 Définition encyclopédique de la Loi de Goodhart (Wikipedia)

Aucun commentaire:
Enregistrer un commentaire