Introduction

Mon premier essai avec Claude sur Excel ? Instructif, mais franchement frustrant.

J’avais créé un modèle de suivi de missions consulting, un fichier que j’utilise régulièrement pour piloter la charge, les jalons et la facturation. Je me suis dit : pourquoi ne pas tester Claude pour l’optimiser ? Mon brief initial tenait en trois mots : « Optimise ce fichier ».

Résultat : visuellement bluffant. Mise en forme impeccable, colonnes bien alignées, couleurs cohérentes. Puis j’ai regardé en détail. Des chiffres en dur partout. Aucune formule dynamique. Des règles de gestion cassées. Des dépendances entre onglets perdues. Il m’a fallu quatre à cinq itérations pour obtenir un fichier réellement fonctionnel. Et surtout, une question : aurais-je été plus rapide seule ?

Selon McKinsey (2024), 58 % des utilisateurs d’IA générative constatent une courbe d’apprentissage plus longue que prévu. Mais 87 % constatent un gain net après quelques mois. Avec le recul, j’ai compris : Claude fonctionne très bien, à condition d’être bien guidé. Voici mes cinq erreurs, et surtout, comment les éviter pour transformer l’IA en véritable levier de performance pour la fonction finance.

1. Pourquoi mon brief flou a généré des résultats inutilisables

« Optimise ce fichier ». Trois mots. Aucun contexte. Aucune règle. Aucune contrainte.

Claude a interprété. Il a restructuré, reformatté, ajouté des colonnes calculées. Mais il a aussi remplacé les formules par des valeurs fixes, ignoré les règles de gestion métier (par exemple, le calcul du taux jour en fonction du statut du consultant), et cassé les liens entre onglets. Le résultat était propre, mais faux. C’est un point clé : un Excel visuellement parfait peut être financièrement incorrect.

Selon Gartner (2024), la majorité des échecs en IA générative vient d’instructions mal formulées, pas de limitations techniques. Claude supporte des fichiers jusqu’à 30 MB chacun et jusqu’à 20 fichiers uploadés par session (DataStudios.org, août 2025), ce qui permet l’analyse de modèles multi-feuilles et de datasets contenant des centaines de milliers de lignes. Le problème n’est donc pas la capacité technique, mais la qualité du brief.

Ce que j’aurais dû faire : expliquer mon usage réel (suivi hebdomadaire de la charge par consultant), préciser mes règles métier (taux jour variable selon le profil, seuils d’alerte à 80 % et 100 % de charge), et donner des exemples concrets de cas limites (que se passe-t-il si un consultant est en intercontrat ?). Un bon modèle Excel commence par un bon cadrage. Avec l’IA, c’est encore plus vrai. Chez Penon Partners, nous appliquons cette logique à tous nos projets de transformation finance : la qualité du livrable dépend d’abord de la clarté du besoin.

2. Ma valeur ajoutée a changé : l’architecture, pas l’exécution

Pendant que Claude travaillait, je me sentais inutile. Puis j’ai compris : mon rôle change. Je ne construis plus uniquement des fichiers. Je définis leur logique.

Claude exécute. Mais il ne comprend pas le métier. Il ne sait pas qu’un taux jour doit être cohérent avec le statut du consultant, qu’un jalон manqué décale automatiquement la facturation, ou qu’un intercontrat doit être isolé dans un onglet dédié. Ma valeur ajoutée devient l’architecture du modèle : définir les inputs (quelles données ? quel format ? quelle fréquence ?), les outputs (quels tableaux ? quels KPI ?), les règles de gestion (quelles formules ? quels seuils ?), et les exceptions (quels cas limites ? quelles erreurs possibles ?).

C’est exactement la logique d’une « finance factory » appliquée à Excel. Mon expertise ne disparaît pas. Elle monte en abstraction. Je passe moins de temps à écrire des formules, et plus de temps à structurer la logique métier. C’est d’ailleurs ce que nous constatons chez Penon Partners sur nos missions de transformation digitale : l’IA ne remplace pas l’expertise finance, elle la redéploie vers des tâches à plus forte valeur ajoutée.

3. Les risques que j’ai sous-estimés (et comment les anticiper)

Mon test m’a aussi montré plusieurs risques importants. Premier risque : la perte de contrôle. Un fichier peut sembler correct sans l’être. Les erreurs sont moins visibles, surtout si les formules sont remplacées par des valeurs fixes. Deuxième risque : la dépendance à l’outil. Sans compréhension du modèle, difficile de corriger ou faire évoluer le fichier. Troisième risque : les problèmes d’auditabilité. Difficile d’expliquer la logique si elle n’a pas été conçue clairement. Quatrième risque : l’illusion de compétence. L’outil donne une impression de maîtrise sans garantir la qualité.

À noter également : Claude ne peut pas écrire, lire ou exécuter les macros VBA (NineTwoThree.co, 2025), ce qui constitue une limitation significative pour les organisations utilisant des systèmes bancaires hérités ou des processus automatisés basés sur VBA. Si votre modèle repose sur des macros complexes, Claude ne pourra pas les reproduire ni les optimiser.

Concrètement, comment s’en prémunir ? Vérifier systématiquement les formules (ne jamais faire confiance à une première version), documenter les règles clés dans un onglet dédié, tester les cas limites (données manquantes, valeurs incohérentes, doublons), et garder une logique simple et traçable. Chez Penon Partners, nous appliquons ces principes sur tous nos projets de refonte de processus finance : la traçabilité et la documentation ne sont pas des options, ce sont des prérequis.

4. Le vrai sujet : mesurer le ROI de l’IA sur Excel

Au début, j’ai perdu du temps. Clairement. Créer le bon brief, itérer, corriger, c’est plus long que faire soi-même sur un petit modèle. Mais le gain ne vient pas de la première version. Il vient des itérations suivantes.

L’IA devient rentable quand le modèle est complexe (plusieurs onglets, dizaines de formules imbriquées, règles de gestion multiples), qu’il est réutilisé régulièrement (hebdomadaire ou mensuel), et qu’il nécessite plusieurs évolutions (ajout de KPI, changement de périmètre, nouvelles règles). Elle ne vaut pas le coup quand le besoin est simple (un tableau croisé dynamique suffit), le délai est court (urgence immédiate), ou le niveau de contrôle doit être total (reporting réglementaire, audit externe).

La tarification de Claude varie de 20 $/mois (Pro) à 100-160 $/mois (Max) (NineTwoThree.co, 2025). Le tier Max est nécessaire pour les fenêtres de contexte de 200 000 tokens et le routage prioritaire Opus. Pour une équipe finance de 5 à 10 personnes, l’investissement reste modeste comparé au gain de temps sur des modèles complexes. Mais il faut mesurer le ROI réel : temps gagné, erreurs évitées, capacité à faire évoluer les modèles rapidement. C’est exactement l’approche que nous recommandons dans notre framework ROI des projets IA : mesurer, itérer, ajuster.

5. Les 5 tips qui ont transformé ma façon de travailler avec Claude

Tip 1 : Créez un « cadre Excel » clair. Formalisez votre logique avant de lancer Claude : types de formules autorisées, règles de gestion, structure des onglets, format des données. Cela réduit drastiquement les erreurs et accélère les itérations. Concrètement, je crée désormais un onglet « Règles » dans chaque modèle, avec les hypothèses clés, les seuils, et les cas limites.

Tip 2 : Structurez votre brief. Un bon brief contient quatre éléments : objectif (que doit faire le fichier ?), contraintes (quelles règles respecter ?), sources (quelles données en entrée ?), résultat attendu (quels outputs ?). Par exemple : « Créer un tableau de suivi de charge hebdomadaire par consultant, avec calcul automatique du taux d’occupation, seuils d’alerte à 80 % et 100 %, et consolidation mensuelle par practice. »

Tip 3 : Itérez de manière ciblée. Une correction à la fois. Validation systématique. Ne demandez pas « corrige tout », mais « corrige la formule de l’onglet Charge, colonne E, pour qu’elle prenne en compte le statut du consultant ». Cela évite les régressions et permet de garder le contrôle.

Tip 4 : Testez les exceptions. Données manquantes, valeurs incohérentes, doublons, cas limites. Claude génère et débogue le code Power Query M de manière fluide (NineTwoThree.co, 2025), mais il ne devine pas vos cas métier spécifiques. Testez systématiquement les scénarios atypiques.

Tip 5 : Donnez des exemples. Un modèle existant vaut mieux qu’une longue explication. Si vous avez déjà un fichier qui fonctionne, uploadez-le et demandez à Claude de le reproduire avec les nouvelles règles. C’est beaucoup plus efficace qu’une description abstraite. Chez Penon Partners, nous appliquons cette logique sur tous nos projets : partir de l’existant, identifier ce qui fonctionne, et itérer.

Conclusion

Mon premier test avec Claude sur Excel a été frustrant. Mais surtout révélateur. Le problème n’était pas l’outil. C’était ma manière de travailler avec lui.

Aujourd’hui, je structure avant d’exécuter, je teste avant de valider, je pense architecture avant formules. Mon rôle évolue. Moins d’exécution. Plus de conception. Et surtout une conviction : l’IA ne remplace pas Excel. Elle change la manière de l’utiliser.

Pour les équipes finance, c’est une opportunité. À condition de ne pas perdre le contrôle. Les utilisateurs de forums FP&A rapportent que des tâches traditionnellement longues d’une semaine (construction d’un tableau de flux de trésorerie indirect) sont comprimées en un après-midi avec Claude (NineTwoThree.co, 2025). Mais cette performance n’est accessible qu’avec un brief structuré, des règles claires, et une validation systématique.

L’IA générative transforme la fonction finance. Mais elle ne dispense pas de l’expertise métier. Elle la redéploie. C’est exactement ce que nous accompagnons chez Penon Partners : aider les équipes finance à monter en compétence sur ces nouveaux outils, tout en gardant la maîtrise de leurs processus et de leur qualité.