Pourquoi l'IA ne consolidera jamais vos fichiers Excel

Le cas est simple à comprendre et très fréquent dans les organisations multi-sites. La direction achats doit consolider chaque mois les données de 11 usines. Chaque usine exporte depuis son ERP, le progiciel de gestion du site, comme SAP, Oracle ou Sage. Parfois l'ERP est différent. Parfois il est identique, mais le fichier ne l'est pas : colonnes déplacées, libellés différents, devises locales, périodes mal alignées, nomenclatures propres à un site.

Avant Claude, cette consolidation prenait environ une semaine. Avec Claude, elle prend encore une journée complète, suivie d'une vérification ligne à ligne, parce que personne ne sait quelles règles l'IA a devinées. Le travail n'a pas disparu : il s'est déplacé de la consolidation vers le contrôle.

Le « jamais » du titre ne porte pas sur la capacité. Il porte sur la responsabilité : deviner, de façon fiable et reproductible, des règles métier qui ne figurent dans aucun fichier. Toute la différence est là : analyser une donnée propre, ou inventer une vérité.

Fichiers Excel achats : le vrai problème est l'absence de modèle commun

Excel n'est ici que le symptôme visible. Le vrai sujet est plus profond : les 11 usines n'envoient pas une donnée achats commune. Elles envoient 11 interprétations locales d'une même réalité métier.

Tant que cette couche n'est pas traitée, tout le reste reste fragile : nettoyage manuel, corrections de devises, vérification des colonnes, harmonisation des nomenclatures, puis contrôle humain avant chaque analyse.

01

11 usines, 11 exports différents

Chaque mois, la direction achats reçoit des fichiers Excel issus de plusieurs ERP, avec des formats, colonnes, devises et nomenclatures qui ne racontent pas exactement la même chose.
02

La consolidation dépend d'une personne

La personne qui connaît les subtilités de chaque fichier devient l'interface entre les usines, les ERP, les corrections manuelles et le reporting final.
03

Le reporting arrive après les premières décisions du mois

Le temps de nettoyer, consolider puis analyser les fichiers, les achats ont déjà dû arbitrer des fournisseurs, des écarts ou des budgets sans vision fiable.
04

Les erreurs survivent à l'IA

Si un indicateur annuel est mélangé avec un cumul depuis le début de l'année, ou Year-to-Date, l'analyse peut rester très plausible tout en étant fausse.

La fausse solution : « mettons un agent IA »

Le réflexe est naturel. Puisque Claude sait lire des fichiers Excel, on lui donne les exports et on lui demande l'analyse. C'est exactement le genre de cas où l'IA donne l'impression de résoudre le problème alors qu'elle déplace seulement l'effort.

L'agent travaille sur des données non standardisées, parfois incohérentes, dont la structure varie selon les usines. Il peut deviner, mais il ne sait pas toujours s'il doit deviner. Et dans un reporting achats, une bonne phrase sur un mauvais indicateur reste une mauvaise décision.

Ce qui se passe en pratique

Demander à l'agent IA de comprendre seul les formats de 11 fichiers hétérogènes.
Lui faire deviner les équivalences de colonnes, de devises, de sites et de périodes.
Comparer des indicateurs qui n'ont pas le même périmètre temporel.
Relire manuellement chaque conclusion parce que la source n'est pas fiable.
Appeler gain de temps un processus qui reste dépendant d'une vérification humaine lourde.

L'IA ne résout pas la cause, elle hérite du désordre

Ne demandez pas à l'IA d'être à la fois moteur d'import, contrôleur qualité, référentiel de données et analyste achats. Ce sont 4 responsabilités différentes.

L'IA est très forte pour commenter, comparer, synthétiser, repérer des anomalies ou préparer un support. Elle est beaucoup moins rassurante quand elle doit inventer seule la structure d'un système d'information qui n'existe pas.

Comment consolider 11 fichiers Excel achats sans laisser l'IA deviner ?

Le premier outil à construire n'est pas un grand logiciel achats. Ce n'est pas non plus une plateforme IA. C'est un outil d'import capable de prendre les fichiers réels, de reconnaître leur format, de les normaliser et de bloquer les incohérences avant qu'elles n'entrent dans le reporting.

Reconnaître le format de chaque usine

L'outil sait qu'un export usine A ne se lit pas comme un export usine B, même si les 2 viennent du même ERP.

Normaliser les colonnes et les devises

Les champs métier arrivent dans un modèle unique : fournisseur, famille d'achat, période, montant, devise, site, quantité, indicateur.

Détecter les incohérences dès l'import

Colonnes manquantes, devises inattendues, doublons, périodes incohérentes, valeurs extrêmes : le problème remonte avant l'analyse.

Produire un référentiel fiable

L'IA ne travaille plus sur 11 fichiers bruts. Elle interroge une base consolidée, historisée et contrôlée.

Exemple : 3 chiffres qui ne se lisent pas pareil

Vérifiez ce que représente chaque chiffre avant de demander un commentaire à Claude : un mois, un cumul, un budget, une dépense réelle ou un écart de prix. Dans les fichiers envoyés par les usines, un intitulé peut être évident pour le site qui l'exporte et ambigu pour le siège.

Usine A

Dépenses cumulées depuis janvier

Ce qu'il faut comprendre: Ce n'est pas la dépense du mois. C'est le total depuis le début de l'année.
Ce que l'outil vérifie: Confirmer la période et éviter de le comparer à un budget mensuel.

Usine B

Budget annuel en devise locale

Ce qu'il faut comprendre: Le montant couvre toute l'année et n'est pas exprimé en euro.
Ce que l'outil vérifie: Convertir la devise, puis rattacher le montant au bon site et à la bonne période.

Usine C

Écart de prix en dollar

Ce qu'il faut comprendre: Ce n'est pas une dépense totale. C'est un écart entre un prix attendu et un prix constaté.
Ce que l'outil vérifie: Signaler les valeurs négatives ou nulles avant de rédiger un commentaire.

Ce que vous achetez vraiment selon l'approche

Votre choix ne se joue pas entre Excel et l'IA. Vous choisissez où placer la responsabilité de la fiabilité.

Agent IA directement sur Excel

Ce que vous achetez: Une analyse rapide sur des fichiers non normalisés
Risque principal: Résultats plausibles, erreurs silencieuses, confiance qui baisse
Pertinent si: Petit volume, formats stables, indicateurs déjà propres

Macro ou script ponctuel

Ce que vous achetez: Une automatisation locale pour un format donné
Risque principal: Casse dès qu'une usine change son export ou sa nomenclature
Pertinent si: Un seul ERP, peu de variantes, besoin très ciblé

Import Excel structuré

Ce que vous achetez: Un outil qui reconnaît, normalise et contrôle les fichiers
Risque principal: Les règles de lecture doivent être cadrées sérieusement au départ
Pertinent si: Multi-sites, ERP hétérogènes, reporting récurrent

Plateforme achats complète

Ce que vous achetez: Une refonte plus large du cycle achats
Risque principal: Projet long, migration lourde, adoption incertaine
Pertinent si: Process achats à standardiser au-delà du reporting

Mise en place : partir des fichiers réels, pas d'une spec idéale

Ne lancez pas 6 mois de refonte ERP. Réduisez d'abord le désordre à l'entrée, là où il coûte le plus cher chaque mois. Vous pouvez souvent commencer par un périmètre très concret : les exports mensuels existants et les indicateurs qui servent vraiment au pilotage. La logique ressemble à celle d'un premier outil interne utile : choisir un flux précis, le rendre fiable, puis élargir seulement si le gain est prouvé.

Étape 1

Inventorier les exports réels

Pas les formats théoriques. Les vrais fichiers reçus chaque mois, avec leurs écarts, leurs colonnes vides, leurs devises et leurs exceptions.

Étape 2

Définir le modèle achats cible

Ce que la direction veut piloter : dépenses par usine, familles, fournisseurs, écarts de prix, budget, YTD, annuel, devise de référence.

Étape 3

Écrire les règles par usine

Pour chaque export, on précise quelle colonne lire, quelle devise appliquer, quelle période retenir et quel contrôle effectuer.

Étape 4

Bloquer les données douteuses

Une donnée incohérente ne doit pas disparaître dans un tableau final. Elle doit être signalée, qualifiée, puis corrigée ou exclue.

Étape 5

Brancher l'IA sur la donnée propre

Une fois la consolidation fiable, Claude peut générer les commentaires, repérer les anomalies et préparer les supports de pilotage.

Là où l'IA reprend sa place

Une fois la consolidation fiable, l'IA peut enfin faire ce qu'elle fait bien : accélérer l'analyse, pas inventer la donnée.

Commentaires mensuels

Expliquer les hausses, baisses, écarts par usine ou famille d'achat avec un langage exploitable en comité.

Détection d'anomalies

Repérer des montants, fournisseurs, devises ou volumes qui sortent du comportement habituel.

Préparation du reporting

Produire une première version des messages clés, points de vigilance et questions à renvoyer aux usines.

Analyse ad hoc

Interroger le référentiel consolidé sans reconstituer manuellement les données à chaque nouvelle question.

Budget : ne financez pas une plateforme si le problème est l'import

Le premier ROI tient en une ligne : une semaine récupérée par mois, des chiffres fiables, une personne libérée. Une semaine entière, pas la journée résiduelle : tant qu'il faut tout vérifier derrière l'IA, le temps gagné est repris par le contrôle.

Comparez le prix de l'outil au coût mensuel de la consolidation manuelle, plus le risque d'arbitrer fournisseurs, volumes et budgets sur des données fausses.

Si votre sujet déborde du reporting (ERP, prestataire, responsabilité des chiffres, arbitrage acheter ou construire), cadrez la décision avec un CTO externalisé avant d'engager un gros chantier.

Audit data achats

1 à 4 jours (2 000 à 5 000 € HT) pour lire les fichiers réels, identifier les formats, les risques et dire si un outil d'import léger suffit.

Build outil d'import

Forfait cadré pour construire l'outil : dépôt des fichiers, reconnaissance des formats, normalisation, contrôles, exports et base consolidée.

CTO externalisé

Utile si le sujet touche aussi l'ERP, la responsabilité de la qualité des chiffres, les prestataires, la roadmap outil achats ou la décision build vs buy.

Votre point de départ est court et concret : ouvrir les fichiers réels, écrire les règles qui manquent aujourd'hui, puis décider si le premier outil peut être construit sur un périmètre clair. Le livrable attendu n'est pas une recommandation de plus. C'est un outil qui vise le reporting du mois suivant, si les règles métier sont arbitrées dans les temps.

Les pièges à éviter dans la consolidation achats

Piège 1

Confondre automatisation et fiabilisation

Importer plus vite des données fausses ne règle rien. Le vrai sujet est de contrôler ce qui entre avant de produire une analyse.

Piège 2

Vouloir couvrir tous les cas dès la première version

Le bon périmètre initial est souvent simple : les 11 exports mensuels, les indicateurs critiques et les incohérences qui bloquent le reporting.

Piège 3

Laisser les règles métier dans la tête d'une personne

Si seule une personne sait qu'une colonne doit être retraitée ou qu'une usine exporte en devise locale, vous n'avez pas un processus. Vous avez une dépendance.

Piège 4

Demander à l'IA de choisir la vérité

L'IA peut expliquer, comparer, reformuler et signaler. Elle ne doit pas être chargée d'inventer le référentiel de données sur lequel l'entreprise pilote.

Auditer mes fichiers Excel Voir l'offre build Commencer par un audit

FAQ

Comment automatiser la consolidation de fichiers Excel achats ?

Commencez par lire les exports réels, puis définissez un modèle commun : mêmes champs, mêmes devises, mêmes périodes pour tous les sites. L'automatisation vient ensuite : import, règles par usine, contrôles qualité, consolidation, puis analyse IA sur une donnée fiable.

Faut-il remplacer Excel dans ce type de situation ?

Pas forcément au départ. Les usines peuvent continuer à exporter en Excel si c'est le point de passage réaliste. Le changement utile consiste d'abord à créer un import fiable qui transforme ces fichiers en référentiel commun.

Pourquoi ne pas demander directement à Claude d'analyser les fichiers ?

Parce que Claude reçoit le désordre tel quel. Avec des colonnes hétérogènes, des devises non harmonisées et des indicateurs de période différents, il peut produire une analyse convaincante et fausse à la fois. L'IA en analyse doit intervenir après la consolidation. Elle peut aider à construire les règles d'import, mais c'est un humain qui les valide et un pipeline déterministe qui les exécute, à l'identique chaque mois.

Combien de temps faut-il pour construire un outil d'import Excel ?

Pour un premier périmètre ciblé, quelques semaines peuvent suffire si les fichiers réels sont disponibles et que le décideur peut arbitrer les règles métier. Le délai dépend surtout du nombre de formats, d'exceptions et de contrôles nécessaires.

Est-ce un sujet pour la DSI ou pour la direction achats ?

Les 2 doivent être alignées, mais le besoin part du métier. La direction achats sait quels indicateurs comptent, quelles corrections sont acceptables et quelles erreurs bloquent le pilotage. La partie technique transforme ces règles en système fiable.

À quel moment l'IA devient-elle réellement utile pour les achats ?

Quand elle travaille sur le référentiel : une donnée propre, dont l'historique et les contrôles font foi. À ce moment-là, elle peut accélérer les analyses mensuelles, détecter les anomalies et préparer les commentaires de reporting sans remplacer les règles métier.

Que signifient YTD, PPV et AOP dans un export achats ?

YTD, pour Year-to-Date, désigne le cumul depuis le début de l'année. Un montant YTD comparé à un budget mensuel produit une analyse fausse mais plausible : c'est l'erreur type des consolidations manuelles. PPV, pour Purchase Price Variance, désigne l'écart entre le prix attendu et le prix réellement payé. Un PPV négatif n'est pas une dépense, et le confondre avec un montant d'achat fausse tout le reporting. AOP, pour Annual Operating Plan, désigne le budget annuel d'exploitation : les exports estampillés AOP contiennent des montants annuels, à ne pas mélanger avec des dépenses mensuelles.

Pour aller plus loin : démarrer un premier outil métier en 15 jours, et si votre projet doit passer par la DSI, le guide pour obtenir un oui.

Parler de mes fichiers