LLM en finance : ce que les grands modèles de langage peuvent faire pour vos chiffres, et ce qu'ils ne feront jamais

Le comparatif des trois modèles grand public

Nous utilisons les trois principaux modèles en mission. Voici ce que nous en avons retenu, sans sponsor ni affiliation — et sans classement : le bon modèle est celui qui colle à votre usage.

ChatGPT (OpenAI). Le plus connu et le plus recherché, et très à l'aise sur la génération de formules Excel et de scripts courts. Son point faible : une tendance à répondre avec assurance même quand il se trompe, ce qui impose une relecture rigoureuse de tout ce qui ressemble à un chiffre.

Claude (Anthropic). À l'aise sur les documents longs : un reporting de plusieurs dizaines de pages, une documentation de processus, un dossier de due diligence, dont il produit une synthèse fidèle. C'est l'usage sur lequel nous le mobilisons le plus.

Gemini (Google). Le mieux intégré à l'écosystème Google — Sheets, Docs, Drive — ce qui compte si votre reporting vit dans Google Workspace. La question du choix ne se pose presque plus pour une équipe déjà équipée là.

Le choix dépend donc moins du modèle que de votre stack et de votre cas d'usage. Une équipe sur Google Workspace prendra Gemini. Une équipe qui produit des synthèses de documents longs regardera Claude. Une équipe qui veut automatiser des formules Excel prendra ChatGPT. Dans les trois cas, prenez l'offre professionnelle : c'est la condition pour que vos données ne servent pas à entraîner les modèles — les trois éditeurs documentent ce point, les liens sont en sources.

Ce que les LLM font bien sur vos chiffres

Ils lisent vite et sans fatigue. Un LLM parcourt un dossier de plusieurs centaines de pages et en extrait les points saillants en quelques minutes, ce qui prend une journée à un humain. En due diligence financière, cela change le rythme de travail : notre checklist due diligence reste la référence sur le fond, le LLM accélère la revue documentaire.

Ils rédigent des premiers jets corrects. Commentaires de variance, notes de synthèse, comptes rendus : le premier jet d'un LLM bien cadré fait gagner l'essentiel du temps de rédaction — la relecture, elle, ne se délègue pas.

Ils traduisent entre les langages. Du comptable vers le managérial, du français vers l'anglais pour un board international, du technique vers le commercial : c'est un usage sous-estimé et très fiable.

Ce qu'ils ne feront jamais

Un LLM ne comprend pas vos chiffres, il les manipule comme du texte. Il ne sait pas qu'un écart de trésorerie de 200 000 € est grave dans une PME de 3 millions de chiffre d'affaires et anecdotique dans un groupe de 300 millions. Ce contexte, c'est le métier du DAF. C'est aussi pourquoi nous écrivons dans notre guide de la direction financière augmentée que l'IA augmente le DAF au lieu de le remplacer : elle le débarrasse de la production pour qu'il se consacre au jugement.

La question de la confidentialité, tranchée

Trois niveaux d'exposition, trois réponses. Données publiques ou anonymisées : n'importe quel modèle grand public convient. Données internes non sensibles (processus, documentation) : offre professionnelle avec non-entraînement des données. Données sensibles (paie, clients, chiffres non publiés) : modèle hébergé en environnement contrôlé, ou pas de LLM du tout. Cette gradation doit figurer noir sur blanc dans votre charte d'utilisation — la méthode complète est dans notre guide ChatGPT pour la finance, et le cadre juridique dans les fiches pratiques IA de la CNIL (en sources).