La tech s'appuie sur l'AI. La finance protège les marges.

Demandez au CFO d'une entreprise technologique où se situe la marge du trimestre, et vous obtiendrez un chiffre précis. Demandez ce qui l'a fait varier, et la liste commence : la fonctionnalité populaire dont le coût de calcul a augmenté plus vite que son prix, les revenus d'utilisation comptabilisés sur des abonnements mixtes et des plans à la consommation, ou encore la capacité de calcul réservée qu'une politique de mise à l'échelle automatique a consommée plus vite que prévu. Chaque chiffre de cette liste est le produit de multiples systèmes, et chacun est de plus en plus façonné par des agents. Le rôle de la finance est de comprendre comment ces variables influencent l'économie unitaire et de piloter l'entreprise en continu, et non pas une fois par mois lors de la clôture.

On demande à la plupart des équipes financières de faire cela avec des outils conçus pour un rythme plus lent : des extractions, des feuilles de calcul et des indicateurs rapprochés mensuellement, alors que l'utilisation, les tarifs et le calcul évoluent d'heure en heure. Chaque jour de retard a un coût. Une mise à jour des prix arrive avec une semaine de retard. Un bug de facturation à l'usage persiste jusqu'à la clôture. Un engagement de calcul est signé sur la base de la demande du mois dernier.

Comment l'économie unitaire de l'AI est devenue la priorité de la finance

Les entreprises technologiques et natives de l'AI reposent sur la croissance. L'utilisation évolue, la tarification combine abonnement et consommation, et le calcul est devenu le coût variable le plus important de l'entreprise. Protéger la rentabilité de cette croissance a toujours été le rôle de la finance. Ce qui a changé, c'est la vitesse : les agents façonnent désormais la façon dont le calcul est consommé, dont l'utilisation est tarifée et dont les revenus sont comptabilisés, et les chiffres du secteur montrent cette pression. Les marges brutes des entreprises natives de l'AI ont atteint environ 52 % en 2026, contre 41 % en 2024 (ICONIQ), ce qui reste inférieur aux 70 à 90 % générés par les logiciels classiques.

Les directions financières les plus performantes n'attendent pas. L'équipe financière d'OpenAI explique confier aux agents d'AI la gestion des contrats, pour extraire et réviser des clauses qui prenaient auparavant des heures aux analystes. YipitData a réuni ses opérations de revenus et sa finance sur Databricks, où les analystes financiers écrivent leur propre SQL et PySpark, tandis qu'une intégration NetSuite a éliminé les tâches manuelles du reporting financier. Pour le CFO d'une entreprise technologique, la question n'est plus de savoir si la finance utilisera l'AI, mais plutôt sur quelle base elle peut le faire en toute sécurité.

Pourquoi un mot comme ontologie compte désormais pour la finance des entreprises technologiques

La finance a toujours su trouver le bon chiffre, même lorsqu'il est enfoui dans la complexité. Mais un chiffre peut être parfaitement précis sans être exact, car il repose sur une vision partielle ou datée du fonctionnement de l'entreprise. Ce qui compte, c'est le sens qui se cache derrière : les définitions, les produits et les offres, les facteurs d'utilisation et de calcul, et la manière dont chacun d'eux évolue avec l'activité. Pour l'AI, cet écart est le problème majeur : l'inexactitude est le problème le plus souvent cité par les entreprises utilisant l'AI, mentionné par environ un tiers d'entre elles (McKinsey, 2025). Comme le dit Ali Ghodsi, la plupart des AI d'entreprise devinent avec une fausse assurance. C'est un problème de contexte, pas d'intelligence.

Une ontologie comble cet écart. Elle capture la signification des chiffres et maintient cette signification à jour au fil des évolutions de l'entreprise. Et la matière première arrive plus vite que jamais. Les données de paiement Stripe, les transactions, les abonnements, les remboursements et les versements alimentent désormais Unity Catalog via OpenSharing sur le Databricks Marketplace : en direct, de manière gouvernée et sans aucun ETL à concevoir ou à maintenir. Lakebase, la base de données transactionnelle Postgres intégrée nativement au lakehouse, applique ce même principe au sein de la plateforme. Les données opérationnelles et les analyses partagent une base unique, de sorte que la réponse reflète l'activité en temps réel, et non telle qu'elle était lors de la dernière synchronisation.

Où Genie One intervient

Dans une entreprise native de l'AI, une analyse datant de quelques heures peut déjà être obsolète. L'ontologie elle-même doit donc continuer à évoluer. Elle doit apprendre des systèmes sur lesquels repose l'entreprise, s'affiner à chaque question et s'adapter au fil du développement de l'activité.

Databricks a conçu Genie One à cet effet. Il fonctionne comme un collègue AI intelligent face aux données : un responsable financier pose une question directe et obtient une réponse fiable et sourcée, basée sur l'ontologie de Genie One et gouvernée à chaque étape. Amagi, la plateforme AdTech qui propulse des milliers de chaînes de diffusion, fonctionne déjà ainsi en production. Son équipe financière bénéficie d'une facturation et d'un reporting financier en temps réel sur Databricks, avec Genie One répondant aux questions en langage naturel. Et comme la finance, le marketing et les opérations s'appuient sur les mêmes données gouvernées, les réunions de direction ne tournent plus au débat pour savoir quel chiffre est le bon.

Chaque équipe financière native de l'AI se pose l'une de ces trois questions, et chaque réponse prépare la suivante :

› Quelle est la marge brute réelle, par produit et par client, une fois que les coûts de calcul de l'AI sont pris en compte ?

Le prix d'une offre et la marge qu'elle conserve sont rarement identiques une fois que l'on comptabilise les coûts d'inférence et de service. La marge est généralement le premier sujet sur lequel les équipes orientent Genie One, et c'est pourquoi les éditeurs de logiciels de conception, les places de marché et les entreprises de l'internet grand public le déploient comme point d'entrée en libre-service pour leurs équipes financières.

› Où les revenus liés à la consommation sont-ils menacés dans les modèles de tarification mixtes (abonnement et utilisation) ?

Une consommation mesurée correctement équivaut à des revenus que vous pouvez comptabiliser, et tout l'intérêt est de détecter un écart dès qu'il se forme, et non lors de la clôture. Une entreprise de paris en ligne est allée le plus loin dans cette démarche : elle a remplacé ses prévisions fragiles sur tableur par des modèles de prévision des revenus gouvernés, y a ajouté une analyse de liquidité et a fourni à son équipe de direction son propre Genie One.

› Où les dépenses de calcul risquent-elles de dépasser le budget disponible à mesure que l'utilisation augmente ?

Le moment d'agir sur les dépenses est venu avant de signer le prochain engagement de calcul. C'est pourquoi une plateforme d'actifs numériques gère ses flux financiers de trésorerie et ses analyses de blockchain sur la plateforme, et qu'une plateforme de livraison mondiale gère ses prévisions financières, ses applications financières et l'automatisation de ses flux de travail de la même manière.

Et parce que chaque chiffre remonte à sa source, que chaque autorisation est respectée et que le coût de l'AI elle-même reste gouverné sous un modèle unique, la réponse obtenue est directement exploitable par la finance. Genie One prépare l'action, qu'il s'agisse d'un ajustement de prix, d'une correction de facturation ou d'un ralentissement de la consommation, et un humain prend la décision finale.

De la première réponse à la plateforme financière

La trajectoire des entreprises technologiques et natives de l'AI est cohérente. La finance commence par obtenir des réponses gouvernées en libre-service. Puis, elle commence à consolider. Un leader des logiciels natifs de l'AI, qui effectue ses analyses financières en direct sur Databricks, valide actuellement Genie One pour la finance et les opérations. Un leader des logiciels financiers consolide sa suite de reporting financier et conçoit des agents pour son équipe financière. D'autres abandonnent les outils ponctuels accumulés par la finance au fil d'une décennie : tableaux de bord sur d'anciennes plateformes de BI, centaines de flux de préparation de données sur poste de travail, applications financières hébergées sur un entrepôt de données cloud distinct. Chaque migration intègre davantage de sens métier dans l'ontologie, ce qui améliore d'autant les réponses de Genie One. La finance finit par fonctionner sur la même plateforme que le produit : une plateforme unique pour les données et l'AI qui s'adapte de la phase pré-IPO à la phase post-IPO sans changement de plateforme.

Un collègue AI intelligent face aux données, conçu pour le fonctionnement de la finance

C'est exactement ce que demandaient les directions financières : un collègue AI qui reste à jour, reste gouverné et continue d'apprendre à connaître l'entreprise. C'est également ainsi que nous gérons la nôtre. Michael Schaaf, Senior Director of Finance chez Databricks, a montré comment l'organisation financière de Databricks fonctionne sur Databricks lors du webinaire Databricks on Databricks, et présentera l'histoire complète au Data + AI Summit lors de la session How Databricks Uses Databricks to Run Its Own Finance Organization, and Why That Changes Everything.

Les entreprises de la tech et natives de l'IA continueront de croître grâce à l'IA. Genie One est le moyen pour la finance de protéger l'économie unitaire dont dépend cette croissance. Découvrez à quoi ressemble un collaborateur IA axé sur les données pour une équipe financière : databricks.com/product/ai-bi/genie

Foire aux questions

Qu'est-ce qui change pour la finance dans une entreprise native de l'IA ?

Une part croissante des décisions qui influencent l'économie unitaire (calcul, tarification et reconnaissance des revenus) est prise par des agents. La mission de la finance de protéger la marge n'a pas changé. C'est la rapidité et la complexité de ce qu'elle doit comprendre et gouverner qui ont évolué.

Genie One prend-il des décisions en matière de tarification, de packaging ou de calcul ?

Non. Ces décisions relèvent du produit, de l'ingénierie et de la comptabilité des revenus. Genie One offre à la finance une vue précise et gouvernée, de sorte qu'un risque émergent est détecté tôt et orienté vers le responsable qui peut agir.

Pourquoi l'ontologie et la gouvernance sont-elles importantes pour le CFO d'une entreprise de la tech ?

L'ontologie capture la signification des chiffres pour votre entreprise et la maintient à jour, de sorte qu'une réponse soit correcte et pas seulement précise. La gouvernance permet de tracer chaque chiffre, d'en gérer les accès et d'en contrôler les coûts. Ensemble, elles permettent de prendre des décisions basées sur ces réponses en toute sécurité.

En quoi Genie One est-il différent d'un tableau de bord IA ou d'un outil de BI ?

Un tableau de bord vous montre ce que disent les données. Genie One vous aide à agir en conséquence : ancré dans votre ontologie, gouverné de bout en bout, avec une intervention humaine pour la décision finale.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original