Toutes les plateformes de planification ont maintenant leur discours sur l’IA. Les argumentaires ont convergé remarquablement vite : le logiciel lit la situation du client, produit l’analyse, et vous remet quelque chose qui ressemble à un plan terminé.
Les démonstrations sont impressionnantes. Elles répondent aussi à une question que les conseillers ne se posaient pas vraiment.
La capacité n’est pas la contrainte. Les modèles de langage savent produire des commentaires financiers clairs et plausibles depuis plusieurs années, et ils lisent aujourd’hui une pile de relevés plus vite que n’importe qui. La contrainte, c’est la responsabilité. C’est vous qui signez le plan. C’est vous qui êtes assis en face du client. Si un régulateur demande pourquoi vous avez recommandé une séquence de décaissement en particulier, « le modèle l’a suggéré » n’est pas une réponse.
Cette asymétrie devrait guider la façon dont les conseillers évaluent l’IA dans un logiciel de planification, et ce n’est généralement pas le cas.
L’écart de responsabilité
Quand un plan tourne mal, les conséquences ne se répartissent pas également entre vous et votre fournisseur de logiciel.
Le résultat du client est moins bon. Votre relation en absorbe le choc. Selon la gravité, votre régulateur et votre assureur en responsabilité professionnelle entrent en jeu. Le fournisseur, dans presque tous les cas, dispose d’une clause de limitation de responsabilité et poursuit son trimestre sans en être affecté.
Ce n’est pas une critique des fournisseurs. C’est simplement la structure de l’entente, et cela signifie que la question « l’IA peut-elle faire ceci ? » importe moins que « puis-je défendre ce qu’elle a produit ? ».
Ce sont deux questions différentes, et une seule apparaît dans une démonstration.
L’autonomie n’est pas le bon critère
La plupart des discours sur l’IA dans notre secteur se placent sur une seule échelle : quelle part du travail le logiciel accomplit-il seul ? Plus on avance sur cette échelle, plus la démonstration impressionne.
Il est plus utile d’y penser comme vous pensez déjà à votre équipe. Un bon associé dans votre cabinet abat beaucoup de travail. Il lit les relevés, saisit les données, prépare les scénarios, monte le rapport et signale ce qui cloche. Personne ne s’inquiète qu’il en fasse trop. Ce qui rend l’arrangement sûr, ce n’est pas qu’il en fasse peu. C’est que son travail passe par vous avant d’arriver au client, que les chiffres viennent du logiciel de planification plutôt que de sa tête, et que le dossier montre qui a fait quoi.
Appliquez le même test à l’IA, et la question change. Non plus « à quel point est-elle autonome ? », mais « qui approuve son travail, d’où viennent ses chiffres, et quelle trace laisse-t-elle ? ». Une IA qui en fait beaucoup dans ces conditions est plus utile qu’une IA qui en fait peu sans elles.
Là où l’IA aide réellement
Employée au bon endroit, l’IA accomplit un travail réel que rien d’autre ne fait aussi bien.
Recueillir. Lire un T4, un relevé de participation au RRQ ou au RPC, une police d’assurance ou une déclaration T2, puis reporter les montants dans les bons champs, c’est un travail lent et propice aux erreurs pour un humain. Il convient bien à un modèle, à condition que le conseiller confirme ce qui a été reporté avant que ça entre dans le plan.
Repérer ce qui manque. Les omissions sont plus difficiles à détecter que les erreurs, parce que rien à l’écran n’a l’air fautif. Un client avec une conjointe et aucune désignation de bénéficiaire sur son FERR. Un propriétaire d’entreprise avec une société de portefeuille dont la relève n’a jamais été modélisée. Un plan qui n’a jamais testé un scénario de décès prématuré. Chercher systématiquement une absence est réellement difficile pour un humain et bien adapté à un logiciel.
Répondre sur-le-champ. Le client demande ce qui arrive s’il demande sa rente du RRQ à 72 ans plutôt qu’à 65 ans, ou s’il prend sa retraite deux ans plus tôt. Une IA qui répond à partir des chiffres du plan, et qui prépare la question sous forme de scénario à réviser après la rencontre, garde la conversation en mouvement sans rien inventer.
Expliquer dans la langue du client. Transformer une projection en un texte que le client comprend, en français ou en anglais, est une force légitime. Les chiffres sont déjà fixés ; le modèle vous aide à les communiquer.
Remarquez ce que ces usages ont en commun. Dans chaque cas, l’IA prépare du matériel qu’un humain confirme, ou travaille sur des chiffres produits par autre chose. C’est une personne qui décide de ce qui entre dans le plan et de ce qui se rend au client.
Là où il ne faut pas lui faire confiance
Les chiffres eux-mêmes.
Les modèles de langage sont probabilistes. Lancez deux fois la même requête et vous pouvez obtenir des résultats différents. Cette propriété est un atout en rédaction et un défaut sérieux dans un moteur de projection, parce que la planification financière exige la garantie inverse : les mêmes données doivent produire les mêmes chiffres chaque fois, dans la projection, dans le graphique à l’écran et dans le rapport imprimé, ce mois-ci comme l’an prochain.
On ne peut pas vérifier ce qui ne se reproduit pas. Si un client demande pourquoi le plan du trimestre dernier affichait un montant différent d’aujourd’hui, « le modèle a calculé autrement » termine mal la conversation. Et une revue de conformité est précisément un exercice de reproduction.
C’est pourquoi l’architecture compte davantage que la liste de fonctionnalités. Un moteur déterministe qui calcule les chiffres, avec une IA qui lit, vérifie et explique le résultat de ce moteur, vous donne les deux : une analyse défendable et une assistance réellement utile. Un modèle qui produit directement les chiffres vous donne l’aisance sans la traçabilité, soit la pire combinaison possible, parce que c’est celle qui paraît la plus convaincante.
Quatre garde-fous qui rendent l’IA défendable
Si la responsabilité est la contrainte, les garde-fous sont ce qui transforme un outil impressionnant en un outil utilisable avec de vrais clients. Quatre comptent plus que les autres.
Le conseiller approuve chaque changement. L’IA peut proposer, rédiger et préparer. Rien de ce qu’elle fait ne devrait entrer dans le plan avant que vous l’acceptiez. Un outil qui écrit en silence dans un dossier client échoue de la pire façon : vous l’apprenez plus tard, et souvent par le client.
Chaque chiffre vient du moteur. Le modèle devrait citer les montants produits par le moteur déterministe et ne jamais en générer un lui-même. Quand il explique pourquoi l’impôt de récupération de la PSV frappe une année donnée, le revenu qu’il cite doit être celui de la projection.
Il y a une trace. Un fil vérifiable par client, qui montre ce qui a été demandé, ce que l’IA a proposé et ce que vous avez approuvé, assure la continuité pour votre équipe et donne à la conformité quelque chose à lire. Sans lui, l’assistance de l’IA ne laisse aucune trace au dossier, ce qui pose problème la première fois qu’on vous demande comment une recommandation a été établie.
Les données clients restent là où elles doivent être. Pour un conseiller canadien, c’est une question de vie privée avant d’être une question d’IA. Où les données sont-elles stockées ? Servent-elles à entraîner des modèles ? La réponse doit se trouver par écrit, pas seulement dans une démonstration.
La direction réglementaire
Les régulateurs canadiens n’ont pas publié de règles propres à l’IA en planification, et les conseillers devraient surveiller ce dossier plutôt que présumer qu’il restera silencieux. Mais les obligations existantes indiquent déjà clairement la voie.
Vous devez connaître votre client, disposer d’un fondement raisonnable pour une recommandation, et pouvoir l’expliquer. Aucune de ces obligations ne se transfère au fournisseur parce qu’un modèle est intervenu. Au contraire, utiliser un outil que vous ne pouvez pas expliquer les rend plus difficiles à respecter. Il s’agit d’une observation générale et non d’un avis juridique ; votre service de conformité et les lignes directrices de votre régulateur, que ce soit l’AMF, l’OCRI ou un autre, restent la référence pour ce qui s’applique à votre inscription.
La norme pratique à imposer à un logiciel est simple : peut-il montrer son travail ? Non pas « a-t-il de l’IA », mais « quand je demande pourquoi ce chiffre est ce qu’il est, l’outil répond-il, et la réponse est-elle la même chaque fois ? ».
Les questions à poser à un fournisseur
Six questions qui traversent la plupart des démonstrations d’IA.
L’IA produit-elle les chiffres, ou les lit-elle ? C’est la question la plus clarifiante, et les fournisseurs y répondent très différemment.
Si je relance le même client deux fois, ai-je le même résultat ? Demandez une démonstration plutôt qu’une confirmation.
Puis-je retracer n’importe quel chiffre jusqu’à ses hypothèses ? Choisissez un élément en profondeur dans la projection et remontez-le.
Que se passe-t-il quand l’IA se trompe ? Un outil qui soumet ses suggestions à votre approbation échoue sans danger. Un outil qui modifie le plan de son propre chef, non.
Quelle trace laisse-t-elle ? Demandez à voir l’historique d’un client : ce qui a été demandé, ce qui a changé, et qui l’a approuvé.
Où vont mes données clients, et servent-elles à l’entraînement ? Obtenez la réponse dans le contrat ou la politique de confidentialité, pas seulement pendant l’appel de vente.
La position à tenir
L’IA a sa place dans un logiciel de planification. Les conseillers qui la refusent consacreront du temps à un travail qui pourrait être délégué, et communiqueront moins clairement que des collègues qui l’emploient bien.
Mais la valeur est dans l’assistance supervisée, pas dans l’autonomie. Le secteur commercialise l’autonomie parce qu’elle se démontre mieux. Le modèle le plus utile est celui sur lequel votre cabinet fonctionne déjà : des gens compétents qui font du vrai travail, révisé par la personne qui signe.
C’est autour de ce modèle que nous avons conçu Finn, l’associé en planification financière de PlanBase. Il recueille, bâtit, vérifie et rédige ; chaque chiffre vient du moteur déterministe ; vous approuvez chaque changement ; et chaque client a un fil que votre équipe et la conformité peuvent consulter. Le conseiller répond de la recommandation, donc le conseiller doit en demeurer l’auteur. Un logiciel qui respecte cette contrainte est plus utile qu’un logiciel qui fait semblant de l’effacer, et considérablement plus facile à défendre quand on vous demande d’expliquer votre travail.
Finn travaille pour le conseiller, jamais directement pour le client. Chaque chiffre dont il discute provient du moteur déterministe de PlanBase, rien n’entre dans le plan sans votre approbation, et les données clients sont stockées au Canada et ne servent jamais à entraîner des modèles d’IA.