Chaque fonctionnalité d’IA dans un logiciel de planification financière finit par se heurter à la même question, généralement posée par quelqu’un de la conformité : d’où vient ce chiffre ?
La question paraît simple. Sa réponse détermine pourtant si un plan peut être reproduit, vérifié et défendu. Et à mesure que les modèles de langage entrent dans les outils de planification, la réponse n’est plus évidente à l’écran.
Un outil de planification avec IA peut produire un montant de deux façons fondamentalement différentes. Comprendre cette différence est ce qu’un conseiller peut savoir de plus utile au moment d’évaluer l’IA en planification financière.
Deux types de logiciels
Un moteur déterministe est le cœur traditionnel d’un logiciel de planification. Il prend des données (âges, soldes, historique de cotisations, règles fiscales, hypothèses) et leur applique des règles explicites, codées, pour produire un résultat. Avec les mêmes données, il produit le même résultat, chaque fois. Si le retrait minimum d’un FERR à 71 ans est de 5,28 % du solde au 1er janvier, le moteur applique 5,28 %. Si le client habite en Ontario, il applique l’impôt sur l’administration des successions de l’Ontario ; s’il déménage en Alberta, il applique plutôt les frais d’homologation plafonnés de l’Alberta.
Un modèle de langage fonctionne autrement. Il génère du texte en prédisant ce qui est susceptible de suivre, à partir de régularités apprises dans un très grand corpus. Il est remarquablement doué pour lire des documents, résumer, expliquer et répondre à des questions en langage naturel. Il peut aussi produire des chiffres, et ils ont souvent l’air justes. Mais il n’applique pas de règles codées, et rien ne garantit que la même question donne deux fois la même réponse.
Les deux sont utiles. Pour des choses différentes.
Pourquoi les projections exigent le déterminisme
La planification financière fait une promesse que la plupart des logiciels ne font pas : les mêmes données client doivent produire les mêmes chiffres dans la projection, dans le graphique à l’écran, dans le rapport imprimé et dans le plan que vous rouvrirez l’an prochain.
C’est cette promesse qui rend un plan vérifiable. Une revue de conformité est un exercice de reproduction : on reprend les données, on suit la logique, on arrive au même résultat. Si le résultat dépend de la façon dont un modèle a formulé sa réponse ce jour-là, il n’y a rien à suivre.
Prenons un cas concret. Un couple retraité en Colombie-Britannique a des FERR, deux rentes du RPC, la PSV pour chacun et un compte non enregistré. La question : faut-il décaisser les FERR plus vite vers la fin de la soixantaine pour réduire l’exposition à l’impôt de récupération de la PSV plus tard, et réduire le solde imposable du FERR au deuxième décès ?
Y répondre correctement exige une projection année par année : des minimums de FERR qui augmentent avec l’âge, les paliers d’imposition fédéraux et britanno-colombiens, le fractionnement du revenu de pension, l’impôt de récupération de la PSV à 15 % au-delà du seuil et la disposition réputée au décès. Chacun de ces éléments est une règle. Un moteur déterministe les applique de façon constante. Un modèle de langage à qui l’on demande de « faire le calcul » peut produire une réponse assurée, bien présentée, et subtilement fausse à la 14e année, sans que rien sur la page ne vous en avertisse.
Le danger n’est pas que le modèle se trompe de façon évidente. C’est qu’il se trompe de façon plausible.
Ce que les modèles de langage font bien
Rien de tout cela ne plaide pour tenir les modèles de langage à l’écart des logiciels de planification. Ça plaide pour leur confier le bon travail.
Lire des documents. Un T4, un avis de cotisation, un relevé de participation au RRQ, une déclaration T2. Extraire des montants de documents variés et parfois brouillons, c’est une tâche que les modèles de langage font bien, pourvu que le conseiller confirme le résultat avant qu’il entre dans le plan.
Expliquer les résultats. Une fois la projection produite par le moteur, un modèle peut l’expliquer en français ou en anglais clair : pourquoi le revenu imposable bondit à 72 ans, pourquoi la stratégie de dividendes de la société de portefeuille réduit l’impôt à vie, à quoi ressemble la succession selon chaque scénario.
Répondre aux questions à partir du plan. Quand un client demande « et si on vendait l’immeuble locatif en 2028 ? », le modèle peut interpréter la question et le moteur la calculer. Le modèle explique ensuite la réponse du moteur en citant ses chiffres.
Repérer les lacunes. Un modèle peut lire un plan terminé et remarquer que le client propriétaire d’une société de portefeuille n’a aucune convention d’actionnaires au dossier, ou qu’un des conjoints n’a pas désigné de titulaire remplaçant pour son CELI.
Dans chaque cas, le modèle travaille sur du langage. Le moteur travaille sur des chiffres.
L’architecture qui fonctionne
Le principe qui s’en dégage est simple : le moteur calcule, le modèle lit et explique.
Concrètement, cela veut dire quelques choses précises.
Le modèle ne génère jamais de chiffre lui-même. Quand il cite un montant, ce montant vient du résultat du moteur pour ce client. Si le moteur ne l’a pas produit, le modèle doit le dire plutôt qu’estimer.
Les changements passent par le moteur. Quand le modèle prépare un scénario, il fixe des données d’entrée. Le moteur produit les résultats. Le conseiller révise les deux avant que quoi que ce soit soit enregistré dans le plan.
La trace est visible. Le conseiller, et quiconque révise le dossier plus tard, peut voir ce qu’on a demandé au modèle, les données qu’il a proposées et ce que le moteur a produit.
Ce partage des tâches donne le meilleur des deux. Le plan reste reproductible et défendable parce que les chiffres viennent de règles explicites. Le conseiller profite quand même d’un modèle qui lit, explique et rédige rapidement.
Pourquoi c’est encore plus important au Canada
La planification au Canada comporte une quantité inhabituelle de détails propres à chaque juridiction, ce qui augmente l’enjeu de la provenance des chiffres.
Treize régimes fiscaux provinciaux et territoriaux s’ajoutent au régime fédéral. Le Québec a son propre régime de rentes et sa propre déclaration de revenus. L’homologation va des frais plafonnés de l’Alberta à l’impôt de 1,5 % de l’Ontario sur la valeur de la succession au-delà de 50 000 $, et un testament notarié au Québec évite carrément la vérification. Les clients incorporés ajoutent la déduction pour petite entreprise, les comptes d’impôt remboursable et la réduction liée au revenu passif.
Un modèle de langage généraliste a lu beaucoup de textes sur la fiscalité canadienne, dont une bonne part est périmée, approximative ou américaine. Lui demander d’appliquer ces règles directement, c’est s’exposer exactement au genre d’erreur silencieuse qu’une projection ne peut pas se permettre. Un moteur déterministe conçu pour les règles canadiennes n’a pas ce problème, parce que les règles y sont codées, versionnées et testables.
Les questions à poser à un fournisseur
Quand l’IA cite un chiffre, d’où vient-il ? La seule bonne réponse : du moteur.
Si je pose deux fois la même question, les chiffres seront-ils identiques ? Demandez une démonstration.
L’IA peut-elle modifier le plan sans mon approbation ? Elle ne devrait pas.
Puis-je voir ce que l’IA a fait dans un dossier client ? Il devrait y avoir une trace vérifiable.
Quelles règles le moteur couvre-t-il ? Posez des questions précises sur le RRQ, l’homologation par province et les structures de sociétés.
À retenir
L’IA en planification financière est réellement utile, et les conseillers qui l’emploient bien communiqueront plus vite et plus clairement que les autres. Mais les chiffres d’un plan sont d’une autre nature que les mots qui les entourent. Ils portent des exigences de reproductibilité et d’explication qu’un modèle de langage, par conception, ne peut pas satisfaire seul.
Laissez l’arithmétique au moteur. Confiez au modèle la lecture, l’explication et la rédaction. C’est ainsi que Finn fonctionne dans PlanBase : chaque chiffre qu’il explique vient du moteur déterministe, et rien n’entre dans le plan avant que le conseiller l’ait approuvé.
Le moteur de PlanBase modélise les règles fédérales, provinciales et territoriales des treize juridictions canadiennes, y compris le RRQ et l’impôt du Québec : les mêmes données produisent les mêmes chiffres chaque fois.