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 fluides et plausibles depuis plusieurs années déjà. 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.
Là où l’IA aide réellement
Rien de tout cela n’est un argument contre l’IA en planification. Employée au bon endroit, elle accomplit un travail réel que rien d’autre ne fait aussi bien.
Réviser plutôt que produire. Un modèle qui lit un plan terminé et signale ce qui paraît incohérent, omis ou digne d’un second regard fait quelque chose d’utile et peu risqué. S’il soulève un faux signal, vous l’écartez. Le coût d’un faux positif se compte en secondes. Comparez-le au coût d’un mauvais chiffre que vous n’avez pas vu.
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 un conjoint et aucune désignation de bénéficiaire. Un propriétaire d’entreprise 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.
Expliquer dans la langue du client. Transformer une projection en un texte que le client comprend, en français ou en anglais, à un niveau de lecture qui lui convient, est une force légitime. Les chiffres sont déjà fixés ; le modèle vous aide à les communiquer.
Faire émerger les bonnes questions. Lire un dossier et proposer ce que vous n’avez pas encore exploré est utile précisément parce que c’est consultatif plutôt qu’autoritaire.
Remarquez ce que ces usages ont en commun. Dans chaque cas, l’IA travaille sur des chiffres qui existent déjà, produits par autre chose, et un humain décide quoi en faire.
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 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 la fluidité sans la traçabilité, soit la pire combinaison possible, parce que c’est celle qui paraît la plus convaincante.
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.
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
Cinq 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 des suggestions à votre jugement échoue sans danger. Un outil qui écrit silencieusement dans le plan, non.
Où vont mes données clients, et servent-elles à l’entraînement ? Pour un conseiller canadien, c’est une question d’hébergement des données et de vie privée avant d’être une question d’IA.
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 automatisable, et communiqueront moins clairement que des collègues qui l’emploient bien.
Mais la valeur est dans l’assistance, pas dans l’autonomie. Le secteur commercialise actuellement l’autonomie parce qu’elle se démontre mieux, et parce que « notre IA révise le plan que vous avez bâti » est un argument plus difficile à vendre que « notre IA bâtit le plan ».
C’est aussi l’argument honnête. 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 révise les plans plutôt que de les produire. Chaque chiffre dont Finn discute provient du moteur déterministe de PlanBase : les mêmes données produisent les mêmes résultats chaque fois.