Scénario 69: Catégorisation des dépenses et liste des écarts

Pour qui et dans quelle situation

Ayşe est analyste achats dans une entreprise de vente au détail à İstanbul. Elle classe l’export mensuel des opérations par carte et des achats dans l’arborescence des catégories ; elle harmonise les différentes dénominations d’un même fournisseur.

Comment procède-t-on aujourd’hui

Les libellés sont nettoyés manuellement, le dictionnaire des catégories est consulté et les écarts importants sont soumis aux responsables. Des personnes différentes peuvent classer différemment les lignes ambiguës.

Comment procéder avec l’IA

1. Elle regroupe les codes de catégorie et les règles d’exception dans un seul fichier approuvé ; elle ne conserve qu’une seule opération par ligne.
2. Elle joint le CSV et le dictionnaire des catégories via Add photos & files ; elle demande les champs code de catégorie, règle correspondante, incertitude et contrôle humain [71] [79].
3. Elle fait calculer les totaux par catégorie et les écarts par période ; elle examine le code indiquant les colonnes utilisées et les hypothèses retenues [71].
4. Si l’organisation dispose de Copilot for Finance, elle compare les résultats avec l’écart de dépenses et le tableau des fournisseurs du scénario « procurement insight acceleration » de Microsoft ; elle ne considère pas la préversion comme une décision de mise en production [130].

Exemple de prompt

Associe chaque opération du fichier {export des dépenses} à {arborescence des catégories approuvée}. Indique le code de catégorie, la règle correspondante, la raison de l’incertitude et les cas nécessitant un contrôle humain. Si le libellé est insuffisant, ne fais pas de supposition. Présente les totaux par période avec les colonnes utilisées et les hypothèses retenues. Ne donne aucune approbation budgétaire ou d’achat.

Preuves et exemple réel

La bibliothèque de scénarios Microsoft illustre l’analyse des écarts de dépenses et la présentation des fournisseurs dans un tableau par service avec Copilot for Finance ; elle précise que le contenu est fourni à des fins de démonstration [130].

Points de vigilance

Data Analysis demande de vérifier les méthodes et les hypothèses [71]. Le scénario Microsoft présente les accès correspondants et certaines fonctionnalités en préversion [130]. NIST recommande de traiter les questions de fiabilité tout au long de l’utilisation et de l’évaluation [131]. Les décisions financières ne doivent pas être automatisées sans approbation humaine [123].

Sources de ce scénario

71. Data analysis with ChatGPT (help.openai.com)
79. Uploading files and audio to ChatGPT (help.openai.com)
123. OpenAI Usage policies effective October 29 2025 (openai.com)
130. Finance scenario procurement insight acceleration (adoption.microsoft.com)
131. Artificial Intelligence Risk Management Framework Generative Artificial Intelligence Profile (nist.gov)