ChatGPT pour la finance : exemples, prompts et contrôles

Voici un exemple fictif en milliers d’euros. Les charges sont présentées en montants positifs ; le solde est une différence simplifiée, pas un EBITDA comptable.

Prompt à adapter :

À partir de ce tableau fictif en k€, rédige un commentaire de 120 mots maximum. Reprends les écarts calculés. Distingue les faits, les hypothèses et les questions à poser. N’invente aucune cause ni donnée absente. Termine par deux questions pour le responsable commercial et le responsable des charges.

Résultat attendu : constater que la baisse du CA et la hausse des charges réduisent le solde. Une perte de client, une hausse salariale ou un effet saisonnier doivent rester des hypothèses tant que vous ne les avez pas documentés. Un pourcentage avec un budget nul doit être indiqué comme non calculable.

Le modèle de données et les contrôles amont sont décrits dans le guide du reporting automatisé.

Fournissez le type de document attendu, la période et la raison exacte du rejet. Retirez les identifiants inutiles avant le test. Le cas Armanino publié par Anthropic décrit un outil de rédaction des explications envoyées lorsqu’une pièce d’audit est incorrecte.

Rédige une demande courtoise de moins de 100 mots. Pièce reçue : balance de juin. Pièce attendue : balance de juillet, après clôture. Explique la différence et précise le document à transmettre. N’ajoute ni montant, ni échéance, ni engagement non fourni.

Vérifiez le destinataire, la pièce et la période avant l’envoi. Ce brouillon ne doit pas déclencher automatiquement une relance. Le détail du cas et de ses limites distingue l’outil déployé des gains estimés par l’éditeur.

Travaillez sur une version validée du reporting, après autorisation d’accès. Définissez la décision à préparer : recrutement, financement ou arbitrage de dépenses.

À partir des seuls indicateurs et commentaires fournis, propose cinq questions qu’un administrateur pourrait poser. Pour chacune, cite la ligne ou le passage qui la motive, précise l’information manquante et distingue risque constaté et hypothèse. Ne recommande aucune décision sans les données nécessaires.

Rapprochez les questions du prévisionnel de trésorerie. Une rentabilité positive n’exclut pas un besoin de financement à court terme.

Oui : la documentation OpenAI sur l’analyse de données décrit l’analyse de fichiers et l’utilisation de code. Il faut distinguer le texte généré d’un calcul exécuté par un outil. Demandez le code ou les formules, les colonnes utilisées et les exclusions.

Vérifiez séparément les totaux, les signes, les devises, les lignes vides et les doublons. Rejouez le calcul dans Excel, un script contrôlé ou la BI. La présence de code ne valide ni les hypothèses ni la qualité du fichier. Ne déléguez pas la signature des comptes, l’approbation d’un paiement ou une décision fiscale à la réponse du modèle.

Commencez sur des données fictives ou publiques. Pour les données internes, l’entreprise doit autoriser l’outil, ses accès et la finalité du traitement. Retirer un nom ne suffit pas toujours à anonymiser un fichier : des montants, dates et fonctions peuvent permettre de retrouver une personne.

OpenAI documente le non-entraînement par défaut des données Business, Enterprise et API. Cela ne signifie pas absence de conservation ni autorisation de transmettre tout document. Contrôlez également les droits, la durée de conservation, les connecteurs et les conditions contractuelles. La validation du DPO ou du responsable de la sécurité dépend du contexte de l’entreprise.

Inscrivez dans votre charte les usages autorisés, les données exclues, le responsable de relecture et la conduite à tenir en cas d’erreur. Utilisez notre grille de choix des LLM pour comparer les environnements sur vos propres documents.