Forecasting AI Efficiency During Engagement Delivery: A Simulation Study of Estimate-to-Complete Methods in Accounting Services
Cette étude emploie une simulation de Monte Carlo d'engagements comptables pour démontrer que les méthodes dynamiques d'estimation à terminaison au niveau de l'activité surpassent de manière significative la planification statique pour prévoir l'efficacité pilotée par l'IA, offrant ainsi des orientations spécifiques à chaque étape pour atténuer les risques de marge causés par les courbes d'apprentissage du personnel et la volatilité de la charge de travail.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les cabinets d'expertise comptable traversent actuellement un changement significatif alors qu'ils intègrent l'intelligence artificielle dans leur travail quotidien. Depuis des décennies, ces cabinets s'appuient sur des budgets détaillés pour prédire la durée et le coût des tâches, fixant ainsi les honoraires sur la base de ces prédictions. L'arrivée de l'IA promet d'accélérer le travail de routine, mais la réalité est complexe. Les gains de vitesse ne sont pas uniformes ; certaines tâches diminuent considérablement tandis que d'autres changent à peine, et les pleins bénéfices n'apparaissent souvent qu'après que le personnel a passé du temps à apprendre à utiliser efficacement les nouveaux outils. Cela crée un problème de planification difficile : un budget rédigé au début d'un projet peut être soit excessivement optimiste, soit pessimiste, et l'erreur peut ne devenir évidente que lorsque le travail est presque terminé. Pour gérer cela, les cabinets ont besoin d'un moyen de vérifier leurs progrès pendant que le travail est en cours, en ajustant leurs prédictions de coûts finaux en fonction de ce qui se passe réellement plutôt que de ce qui était espéré au début.
Une étude récente d'Ali Cetin s'attaque précisément à ce défi en simulant des milliers de missions comptables pour voir quelle méthode fonctionne le mieux pour mettre à jour ces prédictions de coûts. La recherche se concentre sur un processus spécifique appelé « estimation à terminaison » (estimate to complete), qui consiste simplement à observer le travail effectué jusqu'à présent et le travail restant, puis à calculer un nouveau coût total plus précis pour le projet. L'auteur a construit un modèle informatique qui imite le comportement d'une mission comptable typique de douze mois, comprenant huit types de tâches différents et trois niveaux de personnel. Dans ce monde virtuel, l'efficacité de l'IA pouvait varier, les membres du personnel étaient programmés pour apprendre et devenir plus rapides avec le temps, et le volume de travail pouvait fluctuer. En faisant tourner cette simulation dix mille fois, l'étude a pu tester six façons différentes de réaliser ces prédictions de mi-projet pour voir laquelle maintenait les prévisions financières du cabinet au plus proche de la réalité.
Les simulations ont révélé que s'en tenir au plan initial est une mauvaise stratégie. Lorsque les chercheurs se sont appuyés uniquement sur le budget initial sans le mettre à jour, les prédictions de coût final étaient souvent erronées par une marge significative. Cependant, lorsque l'équipe a mis à jour ses prévisions mensuellement sur la base de la performance réelle, la précision s'est considérablement améliorée. Au sixième mois d'un projet, les meilleures méthodes de mise à jour ont réduit l'erreur de prédiction de moitié par rapport au simple fait de faire confiance au plan original. Cette conclusion souligne un point critique : comme les bénéfices de l'IA sont incertains et que le personnel a besoin de temps pour apprendre, un budget fixé au départ est rarement suffisant. Un suivi continu n'est pas seulement utile ; il est nécessaire pour éviter de manquer les objectifs financiers.
L'étude a également découvert qu'il n'existe pas de méthode unique « idéale » pour chaque étape d'un projet. L'approche la plus précise dépend fortement de la phase d'apprentissage du personnel. Dans les premiers mois, lorsque les employés découvrent les nouveaux outils et que leur vitesse s'améliore encore, la méthode la plus fiable était une approche équilibrée qui faisait la moyenne entre le plan original et la performance du mois le plus récent. Ce mélange évitait que la prévision ne surréagisse au démarrage lent qui accompagne souvent l'apprentissage d'un nouveau système. À mesure que la mission progressait et que la performance du personnel se stabilisait, la meilleure méthode changeait. Une fois que la courbe d'apprentissage s'aplatissait, une méthode qui examinait la performance moyenne des trois derniers mois devenait la plus précise, lissant les fluctuations quotidiennes aléatoires tout en reflétant la réalité actuelle.
Un autre résultat clé est apparu lorsque la nature même du travail changeait. Dans la simulation, les chercheurs ont introduit un scénario où le volume de deux tâches spécifiques augmentait soudainement de 30 %. Lorsque la composition du travail changeait, une prévision qui considérait le projet comme un seul grand bloc de travail ne parvenait pas à capturer la nouvelle réalité. C'est seulement lorsqu'on décomposait la prévision par activité individuelle — en calculant le temps pour chaque tâche spécifique séparément — que la prédiction restait exacte. Cela suggère que si une vue de haut peut fonctionner lorsque tout est stable, les cabinets doivent examiner les détails de leur travail si le périmètre change, car différentes tâches bénéficient de l'IA à des rythmes différents.
La recherche a également mis en évidence un piège courant dans la planification : l'optimisme. Les simulations ont montré que lorsque les cabinets fixaient leurs budgets sur la base d'une performance idéale de l'IA, ils manquaient fréquemment leurs objectifs de profit. Dans le scénario de base, près de 74 % des projets simulés se sont terminés avec une marge de profit inférieure à celle prévue. Cela s'est produit parce que les plans initiaux sous-estimaient souvent le temps requis pour que le personnel apprenne les outils et l'effort de révision supplémentaire parfois nécessaire pour le travail généré par l'IA. L'étude suggère que les entreprises devraient s'attendre à ces déficits et utiliser leurs revues mensuelles pour les détecter tôt, plutôt que de supposer que le plan initial restera vrai.
Enfin, l'article propose un guide pratique et progressif pour les cabinets naviguant dans ce nouveau paysage. Il suggère que durant les trois premiers mois d'une mission, lorsque l'apprentissage est toujours en cours, les équipes devraient utiliser une prévision mixte qui pondère également le plan original et la performance récente. Une fois que l'équipe est installée, généralement vers le quatrième mois, elles devraient passer au suivi de la performance moyenne des trois derniers mois. Si le volume ou le type de travail change, l'équipe doit passer à une prévision détaillée, tâche par tâche, plutôt qu'à une vue d'ensemble. Ces règles fournissent un moyen simple et robuste pour les cabinets de toute taille de gérer l'incertitude de l'intelligence artificielle, garantissant que leur planification financière reste ancrée dans la réalité du travail tel qu'il est réellement effectué.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.