ERP avec IA : ce que cela signifie vraiment en 2026

En 2026, presque tous les ERP du marché affirmeront avoir de l’IA. Le problème est que “avoir de l’IA” peut signifier des choses très différentes, avec des impacts opérationnels radicalement distincts.

Il y a des ERP qui ont lancé un chatbot en novembre 2023, quand tout le monde le faisait, et qui appellent cela de l‘“IA”. Le chatbot vous permet de poser des questions comme “combien ai-je facturé le mois dernier ?” et vous donne la réponse en extrayant la donnée de votre base de données. C’est utile. Ce n’est pas transformateur.

Et il y a des ERP où l’intelligence artificielle fait partie de l’architecture dès le premier jour : où l’IA n’est pas au-dessus du système à observer les données, mais à l’intérieur du système à traiter les opérations.

La différence utile n’est pas une étiquette marketing. Elle réside dans un contrat vérifiable : quelles données peuvent être lues, quel brouillon peut être préparé, quels droits sont nécessaires et qui confirme l’action finale.

Le problème d‘“ajouter de l’IA” à un ERP existant

Imaginez que vous avez un bâtiment construit dans les années 90 et que vous voulez y ajouter des panneaux solaires. Vous pouvez le faire. Les panneaux fonctionnent. Ils génèrent de l’énergie. Mais la structure du bâtiment n’a pas été conçue pour eux : vous devez ajouter des câbles qui passent au-dessus des murs, le système électrique original n’est pas intégré aux panneaux, et la performance ne sera jamais celle d’un bâtiment conçu avec l’énergie solaire dès les fondations.

Une couche conversationnelle peut être utile pour chercher ou résumer. Pour évaluer un ERP, demandez toutefois la liste des opérations prises en charge, les autorisations requises, le comportement en cas d’erreur et le point exact où une personne révise et confirme.

Ce cadre évite de déduire l’architecture privée du produit à partir d’un slogan. La surface publique documentée et le contrôle conservé par l’utilisateur sont les éléments vérifiables.

Que sont les function tools et pourquoi sont-ils importants

Un function tool est une opération dont les entrées, les sorties et les erreurs doivent être documentées. Le catalogue public de Frihet permet de vérifier les capacités actuellement prises en charge au lieu de déduire une couverture générale à partir du mot « IA ».

La distinction essentielle est celle entre lecture, préparation et écriture. Un assistant peut consulter une ressource autorisée ou préparer un brouillon. Une modification de données financières, l’émission d’un document ou un message adressé à un client exige une étape distincte de révision et de confirmation.

Avant d’intégrer un outil, vérifiez sa portée, utilisez des identifiants limités, validez la réponse et prévoyez un traitement explicite des échecs. L’utilisateur déclenche le flux et reste responsable de l’action finale.

OCR : la différence entre numériser et comprendre

L’OCR (reconnaissance optique de caractères) existe depuis les années 90. Ce qui a changé avec l’IA, ce n’est pas que le texte puisse être lu — cela se faisait déjà — mais que le système puisse comprendre la structure du document.

L’OCR traditionnel lit : “FACTURE — Entreprise XYZ — Base imposable : 1 000,00 — TVA 21 % : 210,00 — Total : 1 210,00”.

L’OCR avec IA peut proposer une structure pour le document : fournisseur, date, identifiant fiscal, base, taxe et total. Ces champs restent un brouillon à comparer avec l’original.

La différence opérationnelle est la qualité du brouillon. L’utilisateur examine chaque champ, corrige les écarts et confirme avant d’enregistrer la dépense.

Frihet présente les valeurs extraites et la catégorie comme des suggestions. La lisibilité du document, la devise, les règles fiscales et la qualité de l’image peuvent modifier le résultat ; l’original reste la référence.

Catégorisation automatique : comment votre entreprise apprend

La catégorisation des dépenses a une complexité qui ne se voit pas tant que vous ne la faites pas manuellement : le même fournisseur peut vous facturer des concepts qui relèvent de catégories différentes. Amazon peut être “matériel de bureau” sur une Facture et “équipement informatique” sur la suivante. La station-service peut être “transport” ou “frais de représentation” selon le contexte.

Frihet peut proposer une catégorie à partir des données disponibles et de l’historique pris en charge. Une même dépense peut toutefois appartenir à des catégories différentes selon son usage et sa preuve documentaire.

La proposition n’est pas une écriture définitive. L’utilisateur vérifie le document, choisit ou corrige la catégorie et confirme l’enregistrement. En cas d’ambiguïté fiscale, il demande l’avis du professionnel responsable.

L’assistance fiscale a des limites claires

Une IA peut aider à lire des données ou à préparer une estimation à partir des informations enregistrées. Elle ne détermine pas seule le traitement fiscal correct, ne garantit pas une déduction et ne dépose aucune déclaration au nom de l’utilisateur.

Vérifiez toujours la période, le régime, la juridiction et les justificatifs. Les brouillons fiscaux doivent être examinés et confirmés par l’utilisateur ou par le professionnel responsable avant toute utilisation officielle.

Analyse de trésorerie : une aide, pas une décision

La trésorerie est le problème qui génère le plus de mauvaises surprises dans les petites entreprises. Non pas parce que les chiffres sont mauvais — parfois ils sont parfaitement gérables — mais parce que personne ne surveillait suffisamment à l’avance.

Une analyse peut utiliser les informations que l’utilisateur a déjà enregistrées ou importées :

Historique des encaissements et paiements. Quels clients paient habituellement en retard ? Avec quel retard, en moyenne ? Quels fournisseurs encaissent à temps et lesquels ont de la flexibilité ?

Engagements futurs connus. Factures émises en attente de paiement, paiements aux fournisseurs programmés, cotisations d’auto-entrepreneurs ou cotisations de Sécurité Sociale, échéances fiscales.

Hypothèses explicites. Les retards possibles et les variations saisonnières doivent être affichés comme hypothèses, pas comme certitudes.

Le résultat est un scénario à vérifier contre les soldes et les documents de référence. La décision de reporter une dépense, de relancer un client ou de modifier un paiement appartient toujours à une personne.

Les relevés bancaires sont importés lorsque l’utilisateur déclenche l’opération, aux formats OFX, MT940, CAMT.053 ou CSV. Il n’existe pas de connexion Open Banking directe ni de synchronisation bancaire continue. Les correspondances sont des suggestions : l’utilisateur les vérifie et les confirme.

L’assistance en langage naturel : de la demande au brouillon

Un flux sûr commence lorsque l’utilisateur déclenche une demande précise. L’assistant peut lire les ressources autorisées et préparer un résumé ou un brouillon, avec les sources et les champs à vérifier.

L’utilisateur révise le résultat, corrige les écarts et confirme séparément l’action suivante. Préparer un document et l’envoyer sont deux étapes différentes ; une instruction en langage naturel ne supprime ni les autorisations ni la responsabilité humaine.

Agent Loop reste en beta, limité aux brouillons et non disponible comme fonctionnalité destinée aux utilisateurs. Il ne faut donc pas le présenter comme un agent autonome qui gère l’entreprise.

Le serveur MCP : un contrat documenté

Frihet publie un serveur Model Context Protocol. Son catalogue documenté précise les outils, ressources et prompts disponibles pour des clients compatibles ; il ne décrit pas l’architecture privée du produit.

Une connexion MCP reprend les droits des identifiants fournis. Utilisez une portée minimale, validez chaque réponse et conservez une révision humaine avant une écriture comptable, l’émission d’un document ou une communication client.

Ce que l’IA ne fait pas chez Frihet

L’honnêteté fait partie du design. Il y a des choses que l’IA de Frihet ne fait délibérément pas :

Elle ne prend pas de décisions pour vous. Elle peut projeter le cashflow, mais la décision de reporter une dépense ou d’anticiper un encaissement vous appartient. Elle peut détecter une anomalie, mais la décision de ce qu’il faut en faire vous appartient.

Elle ne remplace pas le conseiller fiscal. Elle peut préparer des champs ou une estimation à réviser. La planification fiscale, l’interprétation d’une réglementation complexe et les décisions ayant des implications légales requièrent un professionnel responsable.

Elle ne fonctionne pas avec des données de mauvaise qualité. Si les documents téléchargés par l’utilisateur sont illisibles, les catégorisations seront incorrectes. L’IA est aussi bonne que les données qu’elle reçoit.

Elle ne consolide pas les données sans révision humaine. Les suggestions de catégorisation et les brouillons générés par l’IA sont marqués comme tels. L’utilisateur les examine et les approuve avant qu’ils ne soient consolidés dans la comptabilité.

Ce ne sont pas des limitations honteuses. Ce sont des principes de conception. Un ERP qui automatise des décisions critiques sans supervision humaine n’est pas un bon ERP — c’est un générateur de problèmes avec une belle interface.

Comment évaluer l’IA d’un ERP avant de l’acheter

Si vous évaluez un ERP avec IA, voici les questions qui distinguent la vraie IA de l’IA marketing :

L’IA accède-t-elle à mes données réelles ou ne donne-t-elle que des réponses génériques ? Posez une question sur un cas spécifique de votre entreprise. Si la réponse est générique, l’IA n’a pas le contexte de vos données.

Les outils sont-ils documentés ? Vérifiez les entrées, sorties, autorisations et erreurs de chaque opération au lieu de vous fier à un total marketing.

Que se passe-t-il avant une écriture ? Un bon flux distingue clairement la lecture, le brouillon, la révision et la confirmation finale.

Y a-t-il une supervision humaine dans le flux ? Un système qui consolide automatiquement sans révision est un système qui peut commettre des erreurs dans votre comptabilité sans que vous ne le sachiez.

Le fournisseur explique-t-il ce que l’IA fait de vos données ? La portée, la conservation, les sous-traitants et les contrôles applicables doivent être vérifiables dans la documentation et les conditions en vigueur.

Pour Frihet, vérifiez la documentation publique de l’API et du MCP pour la capacité qui vous intéresse. Testez le flux avec des données non sensibles, puis confirmez les droits et le point de contrôle humain avant de l’utiliser sur des données réelles.