Piloter avec l'IA, à l'échelle d'un portefeuille

Équiper une entreprise avec l'IA est aujourd'hui un cas d'usage maîtrisé : faire travailler Claude ou ChatGPT au service d'une équipe finance, on sait faire. À l'échelle d'un portefeuille, c'est un autre exercice — il fait apparaître des complexités qu'on ne voit pas venir, et il réclame une organisation et une stack dédiées. Mais une fois correctement équipé, la valeur dégagée croît de façon exponentielle avec le nombre d'entreprises du portefeuille.

La puissance de l'IA sur un portefeuille d'entreprises

Quatre exemples, parmi beaucoup d'autres.

Voir tout votre portefeuille d'un seul regard, chaque matin

Plus besoin d'ouvrir les dossiers pour savoir lesquels vont mal. C'est le portefeuille qui vient à vous, trié par urgence, et vous décidez où passer votre journée.

« Lesquels de mes clients ont une projection de trésorerie dangereuse à trois mois selon notre cash forecast ? »

Traiter tous vos clients en une seule demande

Ce qui vous prenait une journée entière, dossier après dossier, devient une phrase. Le travail est fait pour tout le monde en même temps, et vous n'avez plus qu'à relire.

« Prépare dans mes brouillons les relances des factures de plus de 60 jours, pour tous mes clients. »

Donner à chaque dirigeant le sentiment d'être votre seul client

Un message personnalisé, avec ses chiffres et ses hypothèses, au moment où ça compte pour lui. La qualité de suivi d'une mission exclusive, tenue sur l'ensemble de vos clients.

« Envoie à chaque dirigeant sa projection de trésorerie et les hypothèses retenues, en précisant que je suis joignable aujourd'hui pour toute question. »

Faire tourner une routine de pilotage

La note quotidienne, le forecast de trésorerie du lundi, le reporting mensuel, le reforecast budgétaire du trimestre : la routine s'exécute d'elle-même sur tout le portefeuille, et vous n'intervenez que sur ce qui sort du cadre.

« Chaque lundi, actualise le forecast de trésorerie de tous mes clients et signale-moi ceux qui changent de trajectoire. »

Le gain mesuré chez les cabinets équipés

Les cabinets qui utilisent Scalancy pour produire leurs analyses financières dans Claude constatent une division par 3 à 7 du temps passé sur la production, selon la tâche.

Appliquez ce facteur à la part de temps que vos consultants consacrent aujourd'hui à produire, puis au nombre de clients que chacun peut suivre : vous obtenez le gain de productivité, et la rentabilité qui va avec.

Ce gain n'a rien d'automatique. Il est conditionné à sept choses, qui doivent tenir en même temps.

Sept conditions à réunir en même temps

L'IA ne prend toute sa valeur que si elle rapporte davantage que l'addition des gains obtenus entreprise par entreprise. Sept sujets conditionnent ce basculement.

1. Récupérer l'information métier chez vos clients. Nettoyer le CRM, catégoriser les factures, déclarer les churns, valider les rapprochements. Cette donnée n'est dans aucun outil : elle est dans la tête des managers. Sur une entreprise seule, elle se récupère sans difficulté. Sur un portefeuille, sa collecte doit être industrialisée — sinon elle occupe vos journées.
2. Un onboarding identique, quel que soit le client. Le branchement d'un nouveau client doit être rapide, fluide et toujours le même, sans complexité supplémentaire à chaque arrivée. Si onboarder un client revient à paramétrer tout ce que ferait une entreprise qui s'équipe seule, l'activité ne tient pas.
3. Capter et traiter de la donnée hétérogène. Les outils métiers de vos clients divergent. Si vos analyses doivent s'adapter à chaque stack, l'organisation multi-clients ne tient pas : la donnée doit être normalisée en amont de l'IA, pour qu'un client sur Odoo, Pipedrive et Qonto produise la même analyse qu'un client sur Pennylane et HubSpot.
4. Traçabilité et explicabilité des analyses. Sur un portefeuille, vous produisez toutes les analyses d'un coup. Pour rester au niveau de conseil que vos clients attendent, il faut pouvoir remonter à chaque chiffre et l'expliquer sans avoir le contexte de tous vos dossiers en tête.
5. Un cloisonnement étanche entre les clients. Chaque collaborateur ne doit accéder qu'aux dossiers qui lui sont confiés. La donnée d'un client ne doit jamais se retrouver dans le contexte d'un autre, ni dans un historique partagé. Et le cabinet doit pouvoir dire à un dirigeant qui, chez lui, a eu accès à ses chiffres.
6. Passer d'un dossier à l'autre sans friction. Changer de client dans la conversation, sans rien reconnecter, sans rien recharger, sans réexpliquer le contexte.
7. Gérer la capacité de son IA. La routine réclame un livrable chez tous vos clients le même jour — le cash forecast du lundi matin, le reporting à J+10. Il faut pouvoir produire sur l'ensemble du portefeuille sans faire la queue, et sans que la facture d'IA devienne le premier poste de la mission.

Sauf que, sur une stack IA classique, aucune des sept ne tient

Par stack IA classique, entendons la meilleure configuration possible sans développement spécifique : un espace de travail par client avec ses instructions et ses documents, les connecteurs branchés sur ses outils, des skills pour produire les livrables et en relire la cohérence. Ça fonctionne sur une entreprise unique, et c'est fait pour. À l'échelle d'un portefeuille :

1. L'information métier se récolte à la main, client par client, tous les mois. Rien de tout cela ne se déduit des fichiers : il faut aller la chercher auprès du dirigeant, puis la ressaisir. Aucune IA ne devine un churn, et aucune stack ne va poser la question au client à votre place.
2. Chaque nouveau client se reparamètre entièrement. Nouvel espace, nouveau branchement, nouveau plan de comptes à expliquer, nouvelles définitions à réécrire. Rien de ce qui a été fait pour les autres ne se réutilise : le coût d'entrée est identique au premier jour, et il plafonne autant la taille du portefeuille que les gains de productivité.
3. Les sources restent hétérogènes, et les rendus divergent. Les connecteurs d'un même client ne se parlent pas. Demandez un reporting des achats sur toutes les entités d'un groupe : la donnée de QuickBooks n'a ni la structure ni les libellés de celle de Pennylane. Et le résultat dépend de la façon dont chaque client a rangé sa donnée — le récurrent identifié par un produit chez l'un, par une catégorie chez l'autre, et la même demande ne renvoie pas la même chose.
4. Vous ne pouvez pas savoir si l'explication d'un chiffre est vraie. Demandez à un modèle comment il est arrivé à 3 419 : il vous répondra, toujours, et avec le même aplomb. S'il a exécuté du code, l'explication est réelle — le calcul est visible dans la conversation et peut être relancé. S'il a produit le chiffre directement, il n'y a jamais eu d'étapes à retrouver : il fabrique après coup une justification plausible, dont les sous-totaux ne redonnent parfois même pas le résultat annoncé. Le problème n'est pas qu'il se trompe, c'est que rien, à la lecture, ne distingue une trace réelle d'une reconstruction. Et dans une nouvelle conversation, plus rien n'est accessible : ni le raisonnement, ni le périmètre retenu, ni les définitions appliquées.
5. Le cloisonnement repose sur votre seule vigilance. Rien n'empêche techniquement de poser une question dans le mauvais espace, ni de coller la donnée d'un client dans la conversation d'un autre. Le risque : produire un chiffre parfaitement juste, sur le mauvais dossier — a fortiori si les connecteurs sont rebranchés d'un client à l'autre au fil de la journée. Et vous ne pouvez pas tracer qui a vu quoi.
6. Changer de client, c'est repartir de zéro. Un connecteur est authentifié pour un compte à la fois : deux clients sur le même Pipedrive, et il faut se déconnecter de l'un pour se connecter à l'autre. À chaque changement, le contexte est vide et tout est à recharger.
7. Les crédits se rechargent périodiquement, et les semaines chargées n'y rentrent pas. Lancer une tâche sur tout le portefeuille — le reporting mensuel — consomme la réserve d'un coup : le modèle met en attente jusqu'au rechargement. Et passé quelques clients, le volume mensuel dépasse les abonnements habituels : la facture d'IA devient une ligne de coût à part entière.

Les sept questions à se poser avant d'équiper son cabinet

Valables pour n'importe quelle solution, y compris pour celle que vous avez déjà montée vous-même.

1. Puis-je poser une question qui porte sur tous mes clients à la fois, sans en ouvrir aucun ?
2. Deux clients aux outils différents produisent-ils le même livrable, avec les mêmes définitions ?
3. La donnée que seul le dirigeant connaît est-elle collectée facilement, ou par mes soins chaque mois ?
4. Combien de temps me faut-il pour onboarder un nouveau client ?
5. Puis-je vérifier d'où sort un chiffre, ou dois-je croire l'explication qu'on me donne ?
6. Si je dois produire une analyse sur 100 % de mon portefeuille le même jour, ma capacité tient-elle ?
7. Combien me coûte un dossier par mois, et ce coût augmente-t-il avec le nombre de clients ?

Si la réponse à la première question est « un seul dossier à la fois », les six autres ne se posent pas encore. Le problème n'est pas l'IA utilisée : c'est que la donnée de vos clients n'a jamais été préparée pour être lue ensemble.

Une fois ces sept réponses au vert

Vos consultants cessent de produire pour se remettre à conseiller. Chaque dirigeant que vous accompagnez a le sentiment d'être suivi de près. Et la question « combien de clients peut-on prendre » cesse d'être une question de capacité pour redevenir une question de développement commercial.

Ces sept questions sur votre propre organisation : trente minutes, et je vous dis où ça bloque.