Procure-to-Pay : comment renforcer la résilience des processus à l’ère de l’IA ?
L’intelligence artificielle promet d’automatiser une part croissante du Procure-to-Pay. Analyse de documents, détection d’anomalies, contrôles, gestion des fournisseurs, rapprochement des factures et agents capables d’intervenir directement dans les workflows : les cas d’usage se multiplient.
Mais à mesure que l’IA gagne en autonomie, une question devient centrale : comment accélérer les processus sans en perdre la maîtrise ?
Après plus de 25 ans passés à accompagner la digitalisation des achats, Xavier Pierre-Bez, VP Business & Operations chez Corcentric, défend une position volontairement pragmatique au micro de Décision Achats : l’IA représente une avancée majeure pour le Procure-to-Pay, mais elle ne fait disparaître ni les problèmes de qualité des données, ni les enjeux de gouvernance, de conformité ou de contrôle.
« L’IA n’est pas un substitut à un bon processus. C’est un accélérateur. » explique Xavier.
Avec une conséquence assez simple : lorsque les fondations sont solides, l’IA démultiplie la performance, mais lorsqu’elles sont fragiles, elle peut aussi accélérer les erreurs.
L’IA ne change pas les fondamentaux du Procure-to-Pay
L’arrivée de l’intelligence artificielle peut donner l’impression que les règles historiques du Procure-to-Pay doivent être entièrement repensées.
En réalité, elles restent étonnamment stables.
Un processus performant continue de reposer sur quatre piliers :
-
- Des données fiables
- Un référentiel fournisseurs maîtrisé
- Une gouvernance claire
- Des contrôles adaptés
Ce que change l’IA, c’est plutôt sa capacité à révéler très rapidement les faiblesses existantes.
Une donnée fournisseur incorrecte reste incorrecte lorsqu’elle est utilisée par un modèle. Une mauvaise règle de validation reste une mauvaise règle. Un processus inutilement complexe ne devient pas performant simplement parce qu’un agent IA est capable de l’exécuter…
C’est pourquoi certaines entreprises qui pensent commencer un projet d’intelligence artificielle découvrent rapidement qu’elles doivent d’abord reprendre des chantiers beaucoup plus fondamentaux : nettoyage des données, harmonisation des processus, gouvernance des référentiels ou gestion des fournisseurs.
L’IA agit alors presque comme un révélateur du niveau réel de maturité Procure-to-Pay.
Plus l’IA agit, plus la gouvernance de la donnée devient stratégique
Cette dépendance à la donnée soulève une autre question : celle de sa maîtrise.
Lorsqu’une entreprise utilise une fonctionnalité d’IA intégrée à une solution Procure-to-Pay, la première question posée à l’éditeur ne devrait peut-être pas être : « Quel modèle utilisez-vous ? »
Mais plutôt : « Que deviennent mes données ? »
Pour une direction Achats, Finance ou IT, plusieurs questions deviennent incontournables :
- Où les données sont-elles hébergées ?
- Où sont-elles réellement traitées ?
- Qui peut y accéder ?
- Quelles technologies d’IA les exploitent ?
- Peuvent-elles servir à entraîner d’autres modèles ?
- Quels mécanismes d’isolation et de sécurité sont appliqués ?
- Quelles garanties contractuelles encadrent leur utilisation ?
- Peut-on retracer les traitements effectués ?
La souveraineté ne se limite donc pas à la localisation d’un datacenter. Elle touche à l’ensemble du cycle de vie de la donnée, à la transparence des traitements et à la capacité de l’entreprise à démontrer sa conformité.
Dans certains secteurs particulièrement réglementés ou sensibles, la question de la localisation et du traitement des données pourrait ainsi peser autant dans le choix d’une solution que les performances intrinsèques de son IA.
Attention au paradoxe de l’hyper-automatisation
L’un des débats les plus intéressants autour de l’IA appliquée au Procure-to-Pay concerne finalement moins la technologie que l’organisation.
Imaginons que demain chaque fonction possède ses propres agents : les Achats, la Finance, la Comptabilité, le Juridique, le contrôle de gestion…
Sur le papier, le gain de productivité paraît considérable.
Mais à mesure que ces agents prennent en charge les interactions opérationnelles, les collaborateurs risquent aussi d’interagir de moins en moins entre eux.
Or, les difficultés d’un processus Procure-to-Pay ne proviennent pas uniquement de tâches insuffisamment automatisées. Elles apparaissent aussi aux frontières entre les fonctions : lorsqu’une information est mal partagée, qu’une règle est comprise différemment ou qu’une situation exceptionnelle exige que plusieurs équipes trouvent ensemble une solution.
C’est là qu’apparaît un paradoxe.
Une entreprise peut devenir extrêmement efficace dans l’exécution de ses processus et, simultanément, devenir moins résiliente lorsqu’elle rencontre une situation que ses systèmes n’avaient pas prévue.
Des agents pourraient parfaitement communiquer entre eux tandis que les collaborateurs perdraient progressivement la compréhension globale du processus.
Or, la résilience ne consiste pas seulement à exécuter vite.
Elle suppose aussi de pouvoir comprendre, expliquer et adapter un processus lorsque l’environnement change.
De l’« acheteur augmenté » à l’« organisation augmentée »
C’est précisément pour cette raison que parler d’« acheteur augmenté » paraît insuffisant.
Le Procure-to-Pay n’appartient pas uniquement aux Achats. Il implique les Achats, mais aussi la Finance, la Comptabilité, le contrôle de gestion, le Juridique, les métiers opérationnels et les fournisseurs.
L’enjeu n’est donc pas d’augmenter une seule fonction grâce à l’IA.
Il est d’augmenter l’ensemble du système.
On peut faire une analogie avec l’automobile hybride. La transition vers l’électrique n’a pas entraîné la disparition immédiate du moteur thermique. L’hybridation a constitué une étape pragmatique permettant de combiner deux technologies et leurs avantages respectifs.
L’IA pourrait suivre une trajectoire comparable dans l’entreprise.
À court et moyen terme, le modèle le plus performant ne sera probablement ni 100 % humain, ni 100 % autonome. Il combinera des systèmes extrêmement performants pour analyser, suggérer, contrôler et automatiser avec des collaborateurs capables d’apporter expertise métier, jugement et compréhension du contexte.
Le sujet n’est donc pas de retirer progressivement l’humain du processus, mais de décider où son intervention crée le plus de valeur.
Les agents IA doivent devenir des acteurs à part entière du contrôle interne
Cette évolution oblige également à revoir la façon dont on pense le contrôle interne.
Prenons le principe classique de séparation des tâches. Une entreprise n’accepterait généralement pas qu’un même collaborateur puisse créer un nouveau fournisseur, approuver l’engagement de dépense correspondant et valider ensuite son paiement.
Une telle concentration de pouvoirs ferait peser un triple risque :
- Un risque de fraude : une seule personne pourrait créer un fournisseur fictif, engager une dépense à son profit et déclencher le paiement sans qu’aucun regard extérieur ne vienne l’en empêcher.
- Un risque d’erreur : sans second contrôle, une coquille dans un IBAN, un doublon ou un montant erroné passent plus facilement à travers les mailles.
- Un risque de conformité : l’entreprise serait incapable de démontrer à ses auditeurs que ses contrôles internes fonctionnent.
C’est précisément pour cela que la séparation des tâches existe : aucune personne ne doit pouvoir, seule, initier, approuver et finaliser une opération sensible.
Pourquoi accepterait-elle qu’un même agent IA puisse réaliser ces différentes opérations ?
L’arrivée des agents ne doit donc pas faire disparaître les règles de contrôle existantes.
Un agent IA doit être considéré comme un nouvel acteur du processus, avec ses propres droits et responsabilités. Et être soumis, comme un utilisateur humain, à des exigences de :
- Séparation des tâches
- Habilitation
- Traçabilité
- Contrôle
- Auditabilité
« Plus le degré d’autonomie accordé à l’IA augmente, plus cette piste d’audit devient essentielle », argumente Xavier.
Autrement dit, l’automatisation ne diminue pas nécessairement le besoin de contrôle. Elle en modifie la nature.
« Ce serait une erreur de ne considérer l’intelligence artificielle que comme un nouveau risque à maîtriser », conclut-il.
En parallèle, l’IA devient un puissant outil de détection des risques
Elle peut également devenir l’un des outils les plus puissants du dispositif de contrôle.
Là où des équipes ne peuvent vérifier manuellement qu’une partie des transactions ou documents, l’IA peut analyser de très grands volumes d’informations pour rechercher des :
- Doublons
- Fournisseurs présentant des facteurs de risque
- Comportements inhabituels
- Incohérences documentaires
- Anomalies dans les circuits de validation
- Schémas potentiellement associés à des fraudes
- Problèmes de conformité
Elle peut donc déplacer progressivement le contrôle interne d’une logique d’échantillonnage vers une logique de surveillance beaucoup plus large.
Mais cette capacité doit conserver une limite claire :
« L’IA détecte. L’humain décide. » poursuit Xavier.
Au moins pour les décisions sensibles, la capacité de l’IA à identifier un signal ne doit pas être confondue avec la responsabilité de décider de ses conséquences.
Demain, à qui appartiendra l’intelligence du processus ?
Une autre évolution pourrait à terme transformer l’architecture même du Procure-to-Pay.
Aujourd’hui, de nombreux éditeurs enrichissent leurs plateformes avec leurs propres fonctionnalités d’intelligence artificielle. Cette approche présente un avantage évident : l’IA est directement intégrée dans le contexte métier et les workflows de la solution.
Mais les entreprises les plus matures pourraient parallèlement chercher à construire leur propre couche d’intelligence via les fameux MCP, connectée à plusieurs applications et nourrie par leurs données, leurs règles et leur connaissance métier.
Les deux modèles ne sont d’ailleurs pas incompatibles.
Une entreprise pourra consommer certaines capacités spécialisées de ses éditeurs tout en conservant une couche d’intelligence transverse dont elle maîtrise davantage la gouvernance.
Car à mesure que les modèles d’IA se développent, la vraie différenciation pourrait se déplacer.
« La valeur ne résidera pas nécessairement dans le modèle lui-même, mais dans les données, les règles de gestion et la connaissance métier qui l’alimentent », explique Xavier.
Pour les Directions Achats, cette évolution rapproche progressivement la gouvernance de la donnée de la gestion des fournisseurs stratégiques : dépendance, réversibilité, sécurité, maîtrise du risque et capacité à changer de technologie deviennent des questions structurantes.
Ne pas construire son Procure-to-Pay autour de l’IA du moment
C’est d’autant plus important que le rythme d’évolution de l’intelligence artificielle rend les paris technologiques difficiles.
Modèles génératifs, IA agentique et systèmes toujours plus autonomes se développent rapidement. Les technologies considérées aujourd’hui comme avancées pourraient être largement dépassées dans quelques années, voire plus tôt.
Chercher aujourd’hui à déterminer quel modèle dominera demain présente donc un intérêt limité.
Une approche plus résiliente consiste à protéger ce qui restera stratégique indépendamment de la technologie utilisée : les données, les processus, les règles métier, le contrôle interne et la gouvernance.
Les entreprises ont donc intérêt à construire des architectures capables d’intégrer les prochaines évolutions de l’IA plutôt qu’à rendre leur processus Procure-to-Pay dépendant d’un modèle particulier.
Procure-to-Pay 2027 : trois fondations à sécuriser avant de parler d’agents IA
Que devrait alors faire une Direction Achats qui souhaite préparer son Procure-to-Pay pour 2027 ?
Avant de sélectionner des agents ou de multiplier les projets d’intelligence artificielle, trois chantiers paraissent prioritaires.
1. Fiabiliser et gouverner la donnée
Les informations fournisseurs, achats, commandes, contrats et factures doivent être suffisamment fiables pour alimenter les automatisations dans la durée.
L’enjeu ne consiste pas simplement à nettoyer ponctuellement la donnée pour lancer un projet IA. Il faut mettre en place les responsabilités et mécanismes permettant de maintenir sa qualité dans le temps.
2. Sécuriser les processus et le contrôle interne
Qui peut créer un fournisseur ? Qui engage une dépense ? Qui l’approuve ? Que peut exécuter automatiquement un agent ? Quelles décisions nécessitent une validation humaine ?
Ces règles doivent être explicites avant d’augmenter le degré d’automatisation.
La séparation des tâches, les droits d’accès et la traçabilité deviennent encore plus importants lorsque des acteurs non humains entrent dans les workflows.
3. Définir sa gouvernance technologique et sa souveraineté
Enfin, l’entreprise doit comprendre les dépendances qu’elle crée en adoptant certaines technologies d’IA.
Cela signifie savoir où ses données sont traitées, comment elles sont utilisées, quelle intelligence appartient à l’éditeur, quelle intelligence appartient à l’entreprise et dans quelles conditions il sera possible de changer de modèle ou de fournisseur.
Les Directions Achats devront demain piloter la donnée et l’IA avec le même sérieux qu’elles pilotent leurs fournisseurs stratégiques.
Le futur du Procure-to-Pay sera moins autonome qu’augmenté
La question n’est finalement pas de savoir si l’intelligence artificielle va transformer le Procure-to-Pay, car elle le fait déjà.
La question est plutôt de déterminer quelle forme d’organisation nous voulons construire autour d’elle.
Une organisation dans laquelle les agents exécutent toujours plus d’opérations mais où les équipes perdent progressivement la compréhension des processus ?
Ou une organisation dans laquelle l’IA automatise ce qu’elle sait faire efficacement, détecte les risques et élimine les tâches à faible valeur, tandis que les collaborateurs conservent la maîtrise des décisions, des règles et des situations complexes ?
La seconde voie est probablement moins spectaculaire que la promesse d’une entreprise entièrement autonome.
Mais elle est aussi beaucoup plus robuste.
Le futur du Procure-to-Pay n’est pas l’entreprise autonome. C’est l’organisation augmentée, résiliente, maîtrisée et capable d’utiliser l’IA comme un levier de performance durable.
