Le rapport repose sur une enquête menée auprès de 1 013 dirigeants seniors de la fonction finance, dans 20 pays et 13 secteurs, au sein d’organisations réalisant un chiffre d’affaires d’au moins 250 millions de dollars US (500 millions aux États-Unis). L’enquête a été conduite en ligne en mars 2026, sur les zones Amériques, EMEA et Asie-Pacifique. Les répondants étaient des membres du comité exécutif et leurs rapports directs, dans les fonctions finance, risque et audit, technologie et direction générale, tous ayant une connaissance directe de l’usage de l’IA dans leur fonction finance.
L’étude prolonge une recherche KPMG de 2024 sur l’IA dans le reporting financier (n = 2 900), en élargissant le périmètre à l’ensemble de la fonction finance, gouvernance, contrôles et capital humain inclus. KPMG précise que les comparaisons entre 2024 et 2026 sont à lire comme directionnellement comparables, le périmètre des questions ayant différé entre les deux vagues. Les données sont non pondérées.
Trois catégories d’IA sont mesurées séparément dans l’enquête : l’IA (simulation de l’intelligence humaine par des machines programmées pour penser et apprendre), l’IA générative (réseaux de neurones avancés produisant du contenu nouveau à partir de larges jeux de données) et l’IA agentique (systèmes capables de planifier, raisonner, agir et apprendre de façon autonome ou semi-autonome pour atteindre des objectifs). Maturité d’adoption, résultats de performance et schémas de déploiement diffèrent selon le type.
Le fil interprétatif retenu par KPMG est son cadre « Trusted AI ». Les auteurs principaux sont Nikki McAllen (Global Head of Finance Advisory), Sebastian Stöckle (Global Head of Audit Innovation & AI), Christian Stender (Global Head of AI for Tax & Legal), Neil Morris (Global Head of Assurance) et Bryan McGowan (Global Trusted AI Leader).
Le constat central : l’IA comme moteur de décision, pas comme levier de coût
L’usage actif de l’IA dans la fonction finance a plus que doublé en deux ans, passant de 30 % à 75 % des organisations. Plus des trois quarts des organisations (76 %) recourent à l’IA dans la planification financière, le reporting et l’analyse commerciale. 71 % déclarent que l’IA atteint ou dépasse leurs attentes de retour sur investissement dans la fonction finance, et 70 % constatent une amélioration de la qualité de la prise de décision au cours de l’année écoulée.
KPMG distingue toutefois nettement l’ampleur de l’adoption et la performance exceptionnelle : la part des organisations déclarant que l’IA dépasse leurs attentes n’est que de 23 %, groupe plus étroit que ne le laisse penser le chiffre de satisfaction global. Ce constat fait écho au KPMG Global AI Pulse du premier trimestre 2026 au niveau de l’entreprise : l’adoption de l’IA progresse plus vite que la capacité des organisations à la traduire en performance à grande échelle.
Là où les gains apparaissent, ils se concentrent dans des domaines à forte composante de jugement plutôt que dans les processus transactionnels : qualité de décision, précision des prévisions et réactivité. Les organisations déployant de l’IA agentique rapportent une performance supérieure d’au moins 32 points sur les indicateurs financiers clés, et de près de 40 points sur la précision des prévisions et le ROI. Le rapport résume ce mouvement par sa formule centrale : dans la finance, l’IA opère comme un moteur de décision, non comme un levier de coût. KPMG souligne que la mesure traditionnelle du ROI (argent investi, argent économisé) ne capte pas l’endroit où l’IA produit aujourd’hui réellement de la valeur dans la finance.
Pour l’IA agentique, les sources de valeur mesurable les plus citées sont la capacité de croissance (36 %), l’expérience client (35 %) et une réactivité accrue (32 %). KPMG note que les organisations qui prennent de l’avance ne sont pas celles qui adoptent l’IA le plus largement (la plupart le font déjà), mais celles qui atteignent la phase dite d’« orchestration », en dirigeant l’IA vers les tâches où le jugement compte le plus : planification, prévision, évaluation des risques. L’avantage compétitif s’est déplacé de l’adoption de l’IA vers son orchestration.
Où les gains se concentrent, et où les secteurs divergent
Les gains de performance se regroupent dans le travail à forte intensité décisionnelle : qualité de décision (70 %), rapidité de décision (71 %) et précision des prévisions (64 %). Les processus transactionnels s’améliorent aussi, mais dans des marges plus faibles. KPMG explique que le travail de jugement portait la faiblesse accumulée la plus lourde de la fonction finance (données incohérentes, outillage sous-investi, jugement manuel intégré aux chiffres), ce qui laisse à l’IA davantage de marge de progression.
Les écarts sectoriels sont marqués. La banque et la technologie sont en tête sur l’efficacité de la clôture et la précision des prévisions, là où des données structurées et une discipline réglementaire avaient déjà bâti le socle dont l’IA a besoin. La santé et les biens de consommation accusent un retard à deux chiffres sur la qualité de décision, l’efficacité de la clôture et la précision des prévisions. Sur la seule précision des prévisions, l’écart entre la banque (71 %) et la santé (44 %) atteint 27 points. KPMG attribue cet écart non à l’effort ou à l’ambition, mais aux données : sources fragmentées, intégrations plus lentes, systèmes hérités qui limitent ce sur quoi l’IA peut agir.
L’écart le plus large oppose les organisations qui déploient l’IA agentique (stades « Scaling », « Orchestrating » et multi-agents) à celles qui n’en sont qu’au stade de planification ou sans projet : 76 % contre 44 %, soit un avantage de 32 points en moyenne sur les indicateurs, et près de 40 points sur les indicateurs les plus déterminants (précision des prévisions et ROI). La banque est en tête sur cinq des six indicateurs financiers ; la santé est en retard sur cinq des six. Là où le travail était déjà standardisé (réduction des erreurs), l’écart se resserre ; là où la finance était la plus opérationnelle, l’écart se creuse. KPMG estime que cet écart ne se résorbera pas de lui-même : les secteurs ayant bâti plus tôt des données propres et des contrôles serrés capitalisent désormais sur chaque investissement IA, et l’avance s’élargit.
Le détail des écarts sectoriels (plus haut et plus bas secteur par indicateur), trié par ampleur de l’écart :
| Indicateur | Secteur le plus bas | Secteur le plus haut | Écart | Moyenne |
| Efficacité de la clôture | Santé 47 % | Banque 76 % | 29 pts | 65 % |
| Précision des prévisions | Santé 44 % | Banque 71 % | 27 pts | 64 % |
| ROI | Santé 47 % | Banque 70 % | 23 pts | 64 % |
| Qualité de décision | Santé 56 % | Banque 77 % | 21 pts | 70 % |
| Rapidité de décision | Santé 62 % | Banque 78 % | 16 pts | 71 % |
| Réduction des erreurs | Santé 50 % | Technologie 65 % | 15 pts | 62 % |
Lecture : % d’organisations rapportant une amélioration modérée ou significative sur 12 mois. Sont exclus les secteurs à effectif inférieur à 30 : Assurance (n = 27), Secteur public (n = 24), Sciences de la vie (n = 10), Private Equity (n = 2). La santé (n = 32) est donnée à titre directionnel.
Gouvernance et contrôles : un moteur de performance
KPMG affirme que la gouvernance, souvent présentée comme un frein à l’adoption de l’IA, produit l’effet inverse selon les données. Les organisations capables de produire des preuves d’audit relatives à l’IA de façon efficace et sans perturbation (qualifiées de « assurance-ready », prêtes à l’assurance) rapportent un taux d’amélioration significative trois à six fois supérieur à celui des organisations qui ne le peuvent pas. L’écart se vérifie sur chaque indicateur financier mesuré : de 33 % contre 6 % sur la réduction des erreurs, à 42 % contre 14 % sur la confiance dans le passage à l’échelle.
La préparation à l’assurance apparaît comme un prédicteur de la performance plus puissant que le seul suivi d’indicateurs (KPI). KPMG en tire que la confiance, opérationnalisée par la gouvernance et les contrôles, est un moteur direct de performance. Ce qui sous-tend ce résultat est une discipline opérationnelle : mesure, supervision humaine, et pistes d’audit qui transforment la confiance en preuve.
Le cadre « Trusted AI » de KPMG, publié pour la première fois en 2023 et mis à jour en 2025 pour l’IA agentique, repose sur trois principes (orienté valeurs, centré sur l’humain, digne de confiance), opérationnalisés par dix piliers éthiques : équité, transparence, explicabilité, redevabilité, intégrité des données, fiabilité, sécurité, sûreté, confidentialité, durabilité.
Mesure et supervision humaine
La mesure conserve son importance. Les organisations qui suivent formellement des indicateurs liés à l’IA surperforment celles qui ne le font pas : sur le ROI, l’écart est de 10 points entre suiveurs de KPI (68 %) et non-suiveurs (58 %). KPMG établit toutefois une hiérarchie claire : savoir quoi mesurer aide, mais ce sont les contrôles et les preuves permettant d’agir sur cette mesure qui produisent les résultats.
La supervision humaine fait partie de cette équation : 33 % des organisations interrogées renforcent la supervision humaine « dans la boucle » en réponse directe à des préoccupations liées à l’IA. Dans la finance, où le contrôle réglementaire et le jugement professionnel façonnent chaque production, l’implication humaine dans les flux IA produit des résultats plus fiables et bâtit la confiance nécessaire au passage à l’échelle.
Un cas client illustre ce point dans le rapport : un fabricant multinational de semi-conducteurs déployait de l’IA générative sans approche définie de la sécurité, de la sûreté ou de la confidentialité ; KPMG a construit une matrice de risques et de contrôles alignée sur les référentiels ISO 42001, NIST AI RMF et NIST CSF 2.0, et évalué la conformité des fournisseurs via une attestation SOC 2.
L’écart de maturité d’assurance
KPMG identifie la préparation à l’assurance comme le prédicteur de performance le plus fort de l’étude, tout en constatant que moins de la moitié des organisations en disposent. 42 % de l’ensemble des organisations sont solidement prêtes à l’assurance pour leurs processus financiers assistés par IA ; cette part monte à 60 % parmi les leaders de l’IA agentique (stades « Orchestrating » et multi-agents, n = 314). KPMG souligne que, même au plus haut niveau de maturité, un écart significatif subsiste.
L’écart se loge dans ce qui sous-tend la mesure. La plupart des organisations suivent les résultats, mais peu ont construit les pistes d’audit, la documentation et les preuves expliquant comment ces résultats sont produits. Seules 29 % suivent formellement les cas où l’adoption de l’IA échoue, d’où une visibilité partielle : les organisations voient ce que l’IA produit, mais pas pourquoi elle échoue ni où elle est exposée.
Les vulnérabilités qui alimentent la demande de préparation à l’assurance n’ont pas changé en deux ans : cybersécurité, qualité et exactitude des données étaient les premières préoccupations des dirigeants finance en 2024 et le restent en 2026. Ce qui a changé, c’est l’exposition : l’IA n’est plus expérimentale, et le coût d’une erreur a augmenté avec l’adoption. Un second cas client est cité : une banque dont le reporting financier reposait sur des valorisations assistées par IA fournies par un tiers, sans parcours d’assurance défini ; l’évaluation de pré-préparation menée par KPMG a couvert la gouvernance de l’IA, le sourcing des données et la conception du modèle.
Qualité des données et capital humain
La qualité des données est à la fois la barrière la plus citée et l’opportunité la plus citée de l’étude. 36 % des organisations désignent l’amélioration de la qualité des données, de leur intégration et de l’interopérabilité des systèmes comme leur plus grande opportunité pour extraire davantage de valeur de l’IA en finance. KPMG observe que les équipes finance ne savent souvent pas par où commencer : les indicateurs mesurés ne correspondent pas toujours à ceux qui comptent, les ressources sont limitées, et peu d’organisations ont mis en place un cadre ou un outillage IA pour prioriser.
Attendre des données propres avant de déployer l’IA est, selon KPMG, une stratégie qui ne sera pas payante. Les fonctions qui progressent concentrent le nettoyage sur les données prioritaires dont dépendent leurs cas d’usage, et non sur l’ensemble du patrimoine de données. Elles laissent par ailleurs l’IA agentique redéfinir ce que « bonne donnée » signifie : plutôt que de traiter les données « au milieu », l’IA agentique peut atteindre directement les systèmes sources et traiter les attributs à la source.
Sur le capital humain, KPMG constate que très peu d’organisations adoptent une approche d’« effectif total » (humain et IA). 38 % forment leurs équipes finance et audit interne aux processus assistés par IA ; seules 28 % recrutent des profils différents. La stratégie dominante consiste à reconvertir les personnes en place plutôt qu’à repenser qui doit composer la fonction. L’aisance avec les données (capacité à évaluer la qualité des données, interpréter les sorties et communiquer les résultats en termes exploitables par le métier) émerge comme le besoin de compétence le plus critique. KPMG ajoute deux autres besoins, à mesure que l’IA comprime le temps disponible pour les décisions complexes : le jugement éthique, pour savoir quand agir sur la base d’un modèle, et l’esprit critique, pour interroger des sorties qui « semblent » justes.
Le rapport présente données et capital humain comme deux contraintes distinctes appelant des réponses distinctes. La donnée est la contrainte structurelle : hors secteurs régulés, la plupart des organisations ont sous-investi dans la gouvernance des données pendant des années, d’où prolifération, sources disparates et information bloquée sur des disques durs individuels. La capacité du capital humain détermine si la fonction peut réinventer sa cadence opérationnelle autour de l’IA, et pas seulement former des utilisateurs.
De l’adoption à la performance : quatre priorités
KPMG dégage quatre priorités, présentées comme interconnectées et formant un cycle qui se renforce lui-même.
- Recadrer l’IA autour de la valeur, pas des tâches. Diriger l’investissement vers les domaines aux rendements les plus forts : planification, prévision, évaluation des risques et analyse commerciale ; prioriser les cas d’usage où le jugement humain est central.
- Intégrer la mesure dans l’exécution. Dépasser le simple suivi de KPI pour bâtir l’infrastructure de préparation à l’assurance qui rend la mesure actionnable ; le dividende de performance lié à la mesure se compose lorsqu’il est associé aux contrôles permettant d’agir.
- Traiter la gouvernance et les contrôles comme le ticket d’entrée. Investir dans la gouvernance, les pistes d’audit et la capture de preuves en parallèle du déploiement ; à défaut, les organisations s’exposent à des perturbations, des retards réglementaires et une érosion de la confiance des parties prenantes.
- Façonner l’effectif total, pas seulement la formation. La reconversion est nécessaire mais insuffisante ; les fonctions finance ont besoin de profils opérant à l’intersection de l’intelligence organisationnelle, de l’expertise finance et de l’aisance avec les données, dotés du jugement éthique, de l’esprit critique et de la gestion des risques. KPMG recommande aux directeurs financiers d’établir un véritable plan d’effectifs, rafraîchi tous les six à neuf mois.
Ces conditions correspondent aux trois fronts du cadre Trusted AI de KPMG, traduits en termes de fonction finance : préparation et conformité, transformation du risque, surveillance du risque.
Conclusion de l’étude
Le rapport conclut que l’IA délivre sa plus grande valeur en finance lorsqu’elle est traitée comme une capacité opérationnelle, et non comme un ensemble d’outils ou de cas d’usage isolés. Les organisations enregistrant des gains durables dirigent l’IA vers le travail de jugement (planification, prévision, évaluation des risques, analyse commerciale), où l’IA fonctionne comme un moteur de décision plutôt que comme un levier de coût.
L’adoption seule ne suffit pas. L’écart de performance observé tout au long de la recherche reflète les conditions opérationnelles entourant l’IA : les organisations dotées d’une gouvernance, de contrôles et d’une préparation à l’assurance plus solides surperforment durablement les autres. KPMG présente la confiance, rendue possible par la mesure, l’auditabilité, l’explicabilité et la supervision humaine, non comme un sous-produit de la conformité mais comme une condition préalable au passage à l’échelle.
Le même schéma structurel se retrouve sur les données et le capital humain : une mauvaise qualité de données limite ce sur quoi l’IA peut agir, et les lacunes d’aisance avec les données, d’esprit critique et de jugement éthique limitent l’interprétation et l’application des sorties. KPMG estime que l’IA en finance a atteint un point d’inflexion : l’avantage compétitif appartiendra de plus en plus aux organisations qui alignent leur modèle opérationnel finance autour de l’IA et savent maintenir cet alignement à mesure que l’IA devient plus capable, plus autonome et plus profondément intégrée à la décision quotidienne.
Précisions méthodologiques à conserver
Plusieurs limites sont explicitement signalées par KPMG et doivent accompagner toute reprise des chiffres :
- Les secteurs Technologie et Services financiers sont surreprésentés par rapport au marché (ensemble 58 % de l’échantillon : 36 % et 22 % respectivement). Les chiffres d’adoption globaux sont donc en partie façonnés par les secteurs les plus avancés.
- Les comparaisons 2024 / 2026 sont directionnelles : la formulation des questions et les options de réponse diffèrent entre les vagues.
- Plusieurs effectifs sectoriels sont faibles et donnés à titre directionnel (santé n = 32) ou exclus des analyses (Assurance, Secteur public, Sciences de la vie, Private Equity).
- Les données sont non pondérées ; les totaux peuvent ne pas atteindre 100 % en raison des arrondis ou des questions à choix multiples.
- Définition de « prêt à l’assurance » : organisations déclarant pouvoir produire des preuves d’audit relatives à l’IA de façon efficace et sans perturbation.
Source unique de cette synthèse : KPMG International, Global AI in Finance 2026 — The Decision Advantage: How AI is producing value across the finance function, mai 2026 (publication n° 140492-G). Enquête conduite en mars 2026 auprès de 1 013 dirigeants seniors.
Synthèse par Croissance Investissement