Intelligence artificielle en finance : enquête sur les outils réellement utilisés en M&A et Private Equity

Home » M&A » Intelligence artificielle en finance : enquête sur les outils réellement utilisés en M&A et Private Equity

L’intelligence artificielle est devenue omniprésente dans les discours des banques, des fonds d’investissement, des cabinets de conseil et des éditeurs de logiciels financiers.

Mais entre les annonces officielles, les démonstrations commerciales et la réalité quotidienne des équipes, l’écart reste parfois considérable.

Les professionnels utilisent-ils réellement l’intelligence artificielle sur leurs opérations ? Les grandes banques bloquent-elles encore les modèles publics ? Rogo est-il en train de devenir un standard de la banque d’investissement ? Claude peut-il contribuer à la préparation de présentations et de modèles financiers ? AlphaSense transforme-t-il véritablement la recherche et l’origination ? Les data rooms intégrant de l’intelligence artificielle rendent-elles déjà l’exécution des transactions plus efficace ? Et quelles conséquences ces outils auront-ils sur les stagiaires, les Analysts, les Associates et la structure des équipes ?

Pour dépasser les effets d’annonce, Crack-It a mené une enquête qualitative auprès de professionnels travaillant dans le M&A, le Private Equity et, plus largement, dans la finance transactionnelle.

Les témoignages recueillis décrivent des environnements très différents :

grandes banques internationales de type Bulge Bracket et Elite Boutique
banques françaises
boutiques M&A
fonds de Private Equity
cabinets de Transaction Services
équipes de conseil financier

Certains professionnels disposent encore d’un chatbot interne aux capacités limitées. D’autres travaillent déjà avec plusieurs modèles, des extensions intégrées à Excel et PowerPoint, des outils connectés aux données de leur organisation ou des agents capables d’interroger les documents associés à une opération.

Le principal enseignement de cette enquête peut être résumé ainsi :

La question n’est plus de savoir si l’intelligence artificielle sera utilisée en finance. La question est de savoir quelles données elle pourra exploiter, dans quels outils elle sera intégrée et jusqu’où elle modifiera la répartition du travail au sein des équipes.

1. Ce que l’enquête permet réellement d’observer

Cette publication repose sur des témoignages spontanés de professionnels directement exposés aux outils d’intelligence artificielle dans leur environnement de travail.

Elle analyse notamment :

les solutions mises à disposition par les employeurs
les outils testés ou déjà déployés
les usages considérés comme réellement utiles
les gains de productivité perçus
les limites techniques rencontrées
les contraintes de confidentialité
les différences entre grandes institutions et structures plus agiles
l’évolution possible des métiers et du recrutement

Il s’agit d’une enquête qualitative de terrain, et non d’un sondage statistiquement représentatif de l’ensemble du secteur financier.

L’objectif n’est donc pas de mesurer précisément la part de marché de chaque outil ou d’établir un classement officiel des banques. Il est de comprendre les tendances qui apparaissent dans les pratiques quotidiennes des professionnels.

Lorsqu’une organisation est citée, cela signifie qu’un professionnel travaillant dans cet environnement a rapporté un usage donné. Cela ne permet pas nécessairement de conclure que l’ensemble des équipes, des pays et des collaborateurs de cette organisation disposent du même outil.

Les configurations peuvent varier selon :

le pays
le métier
l’équipe
le niveau hiérarchique
les droits d’accès
la sensibilité des données
la phase du programme de déploiement
les politiques internes de sécurité

Cette réserve est indispensable. Elle ne réduit cependant pas l’intérêt des témoignages : ceux-ci permettent précisément d’observer l’expérience réelle des utilisateurs, au-delà des communiqués institutionnels.

2. Cartographie des outils d’intelligence artificielle utilisés en finance

Parler globalement d’« outils d’IA » entretient une certaine confusion.

Rogo, Claude, AlphaSense, Copilot et Entropia ne répondent pas aux mêmes besoins. Ils ne s’appuient pas nécessairement sur les mêmes données et ne s’intègrent pas aux mêmes étapes du travail.

Les outils mentionnés dans l’enquête peuvent être répartis en six catégories distinctes.

2.1. Les grands modèles généralistes

Cette première catégorie comprend notamment :

Claude
ChatGPT
Gemini
différentes versions Enterprise ou internes de ces modèles

Ces outils sont généralistes. Ils ne sont pas initialement conçus uniquement pour la finance, mais peuvent intervenir dans de nombreux travaux intellectuels.

Les usages les plus fréquemment rapportés concernent :

la rédaction d’e-mails
la reformulation
le wording des présentations
la synthèse de documents
la structuration d’une analyse
la génération d’idées
la traduction
la préparation d’une première version de contenu
l’explication d’un raisonnement
l’analyse de fichiers

Claude ressort particulièrement pour la qualité rédactionnelle

Parmi les modèles généralistes, Claude génère certains des retours les plus enthousiastes.

Il est notamment apprécié pour :

la qualité du wording
la rédaction de textes professionnels
les e-mails
l’analyse de documents longs
la cohérence du raisonnement
la capacité à travailler dans un projet dédié
la préparation ou la revue de présentations

Plusieurs témoignages indiquent également que Claude peut être associé à des extensions dans :

Excel
PowerPoint
Word

Dans certaines structures, il est utilisé au-delà de la simple conversation, avec des projets organisés par opération, des instructions spécialisées et des workflows récurrents.

« Nous utilisons Claude dans l’ensemble de nos processus : Excel pour les modèles, PowerPoint pour les tâches de mise en forme, Outlook pour les e-mails, ainsi que plusieurs agents pour les alertes, les rappels et la gestion administrative. »
Banquier d’affaires d’une boutique M&A

Ce témoignage illustre le passage d’un usage conversationnel ponctuel à une intégration beaucoup plus profonde. La valeur ne vient alors plus seulement du modèle, mais de sa capacité à exploiter les notes de réunions, les documents, les échanges et les standards propres à l’organisation.

ChatGPT apparaît sous plusieurs formes

Les témoignages ne décrivent pas uniquement l’utilisation du ChatGPT public.

Ils mentionnent également :

des versions Enterprise
des interfaces internes reposant sur des modèles similaires
des versions « boostées » ou enrichies
des espaces de travail organisés par mandat

L’intérêt de ces versions professionnelles est de permettre, sous réserve des autorisations internes, de conserver davantage de contexte et d’organiser les travaux autour d’un dossier donné.

Gemini semble présent, mais de manière inégale

Gemini est mentionné dans certaines institutions, notamment sous une forme Enterprise.

Son niveau de déploiement semble toutefois varier fortement selon les équipes. Les témoignages reçus concernant Deutsche Bank sont par exemple divergents : Copilot y est clairement confirmé, tandis que l’accès à Gemini ne semble pas établi dans toutes les équipes M&A.

Cette divergence illustre un point central de l’enquête : la cartographie des outils doit être interprétée au niveau des équipes et non uniquement au niveau du groupe.

2.2. Les plateformes spécialisées dans la finance transactionnelle

Cette catégorie est principalement représentée par Rogo.

Contrairement à un modèle généraliste, Rogo est perçu comme un environnement conçu autour des besoins des banques, des investisseurs et des professionnels de la finance.

Les usages rapportés comprennent notamment :

la recherche financière
les analyses synthétiques
la préparation de profils d’entreprises
l’automatisation de tâches récurrentes
l’exploitation de données financières
la production de premiers livrables
certains travaux dans Excel
la préparation de documents transactionnels

Rogo est cité dans plusieurs institutions :

J.P. Morgan
Lazard
Rothschild & Co
BNP Paribas
Société Générale

Cette récurrence en fait l’un des outils les plus visibles de l’enquête.

Le retour de J.P. Morgan

Un professionnel de J.P. Morgan décrit Rogo comme particulièrement pertinent pour :

les analyses d’Investment Banking très synthétiques
l’automatisation de tâches hebdomadaires
certains travaux récurrents
la structuration de recherches

Il estime cependant que Claude ou certains modèles internes peuvent rester plus performants pour la production de texte et les e-mails.

« Rogo est utilisé dans de nombreuses banques et fonctionne bien pour des analyses d’Investment Banking très synthétiques ou l’automatisation de tâches récurrentes. Pour générer du texte ou rédiger des e-mails, Claude et certains modèles internes sont souvent plus efficaces. »
Banquier d’affaires en Bulge Bracket

Le retour de Lazard

Chez Lazard, Rogo est décrit comme très apprécié des équipes.

Le témoignage mentionne également l’utilisation de Claude avec des extensions Office et une forte incitation du top management à utiliser les outils disponibles.

Cette combinaison montre qu’une organisation peut utiliser Rogo et Claude pour des besoins différents, sans chercher à les opposer.

Le retour de Rothschild & Co

Un professionnel de Rothschild & Co indique que certains Associates commencent à utiliser Rogo sur des modèles avancés.

« Les Associates commencent à construire des modèles financiers avancés avec Rogo. »
Banquier d’affaires en Elite Boutique

Ce retour est particulièrement significatif, car il suggère que les usages commencent à dépasser la recherche et la rédaction pour toucher des travaux financiers plus techniques. Ce type d’usage reste soumis à une revue humaine approfondie, mais il montre que les plateformes spécialisées commencent à intervenir sur des travaux historiquement considérés comme difficiles à automatiser.

Le retour de BNP Paribas

Chez BNP Paribas, les témoignages évoquent une stratégie hybride associant :

Rogo
une intelligence artificielle développée en interne

La solution interne serait encore imparfaite, mais répondrait à une volonté de mieux contrôler les données et de limiter la dépendance à des fournisseurs externes.

Le retour de Société Générale

Rogo est également mentionné par un professionnel de Société Générale. Les éléments recueillis ne permettent toutefois pas de préciser le périmètre exact du déploiement.

Le retour de Barclays

Un professionnel de Barclays indique que le déploiement de Rogo vient tout juste de débuter dans certaines équipes. Les licences ne seraient pas encore disponibles pour l’ensemble des collaborateurs, ce qui illustre une stratégie de déploiement progressive. Le témoignage mentionne également l’utilisation de Microsoft Copilot et d’AlphaSense aux côtés de Rogo, confirmant que plusieurs banques construisent désormais un environnement multi-outils plutôt que de s’appuyer sur une solution unique.

« Rogo vient d’arriver pour certains (pas encore de licences pour tout le monde) chez Barclays, avec également Copilot et AlphaSense. »
Banquier d’affaires en Bulge Bracket

2.3. Les plateformes de recherche et de market intelligence

Cette catégorie comprend notamment :

AlphaSense
FactSet
Refinitiv
Capital IQ.

Parmi ces outils, AlphaSense recueille les retours les plus positifs sur les fonctionnalités liées à l’intelligence artificielle.

Il est notamment utilisé pour :

rechercher dans des notes de brokers
synthétiser rapidement de nombreuses sources
comprendre un secteur
préparer un market overview
identifier les principaux sujets suivis par les investisseurs
alimenter la réflexion d’origination
analyser le positionnement d’une entreprise
développer des hypothèses stratégiques

Un professionnel explique qu’un junior travaillant dans une équipe généraliste peut condenser en quelques minutes des dizaines d’heures de lecture de notes de brokers.

« Avec AlphaSense, un junior en équipe généraliste peut rattraper des dizaines d’heures de lecture de notes de brokers en quelques minutes et gagner rapidement en crédibilité face aux seniors. »
Banquier d’affaires en Bulge Bracket

Un autre insiste sur la valeur d’AlphaSense pour l’origination : avec des prompts adaptés, l’outil peut aider à faire émerger des idées de positionnement et des angles d’approche pour une entreprise.

« AlphaSense est particulièrement puissant pour l’origination : avec les bons prompts, il aide à faire émerger des idées de positionnement et des angles d’approche pour une entreprise. »
Professionnelle en Private Equity

L’intérêt principal n’est pas uniquement de gagner du temps. Une recherche plus rapide et plus approfondie peut également permettre au junior :

d’arriver mieux préparé
d’identifier les sujets matériels
de poser de meilleures questions
d’apporter davantage de contenu aux seniors
de gagner en crédibilité

AlphaSense ne remplace toutefois pas le jugement. Il accélère l’accès et la synthèse des informations, mais ne décide pas automatiquement :

quelles sources sont les plus crédibles
quels risques sont déterminants
quelle thèse doit être retenue
si une cible est attractive
si une transaction est pertinente

La valeur humaine se déplace ainsi de la collecte vers la sélection, l’interprétation et la formulation d’une conviction.

2.4. Les copilotes bureautiques et outils de productivité

Cette catégorie comprend principalement :

Microsoft Copilot
certaines fonctions de Gemini intégrées aux outils de travail
les extensions associées aux modèles généralistes

Le principal avantage de Copilot réside dans son intégration à l’écosystème Microsoft :

Outlook
Word
PowerPoint
Excel
Teams
SharePoint

Les avis restent néanmoins partagés.

Certains professionnels trouvent Copilot encore lent ou peu convaincant sur certaines tâches. D’autres estiment qu’il peut être utile pour :

préparer une première version de slide
rédiger un texte
synthétiser des échanges
retrouver une information
accélérer certains travaux bureautiques

« Copilot sur PowerPoint reste lent, mais lorsque les prompts sont clairs et explicites, il peut produire une première version correcte et prendre en charge une ou deux slides. »
Stagiaire en Large Cap

Copilot est notamment confirmé dans l’environnement de Deutsche Bank par plusieurs témoignages.

L’intégration directe dans les outils déjà utilisés quotidiennement constitue un avantage important. Mais la performance dépend aussi de la qualité de l’organisation documentaire. Une intelligence artificielle capable d’interroger SharePoint ou les fichiers internes peut devenir extrêmement utile si les documents sont correctement classés et accessibles. Elle peut également révéler des problèmes si les permissions sont mal gérées ou si les données sont désorganisées.

2.5. Les plateformes permettant de construire des assistants internes

Cette catégorie comprend notamment Dust et différents systèmes d’agents ou de workflows internes.

L’exemple le plus structuré recueilli dans l’enquête concerne le déploiement de Dust chez Eight Advisory.

Le témoignage décrit :

une véritable stratégie d’implémentation
des personnes responsables dans chaque équipe
des cas d’usage définis
un accompagnement des utilisateurs

Pour les équipes ayant réellement adopté l’outil, les bénéfices observés concerneraient :

la productivité
la fiabilité
les contrôles de cohérence
les comparables
certaines listes de requêtes d’informations
plusieurs travaux propres au Transaction Services

Cet exemple met en évidence une distinction essentielle : acheter une licence et transformer réellement un processus sont deux choses différentes.

La technologie ne produit de valeur que lorsqu’elle est intégrée à une méthode de travail.

2.6. Les data rooms intégrant de l’intelligence artificielle

La dernière catégorie concerne les infrastructures transactionnelles, notamment les data rooms dites « agentiques ».

Entropia est le principal exemple mentionné dans les réponses.

Le témoignage recueilli est très positif sur la phase de préparation de la data room, mais nettement plus critique sur la phase de Q&A.

Points forts observés

L’utilisateur apprécie :

les raccourcis clavier
le renommage rapide des documents
la suppression de fichiers
l’organisation des dossiers
les gains de temps sur les tâches répétitives

Ces fonctionnalités sont importantes dans un processus pouvant inclure des milliers de documents, plusieurs contributeurs, des doublons et de multiples versions.

Limites observées

La gestion de la Q&A est jugée beaucoup moins efficace.

Le professionnel souligne notamment :

l’ouverture d’une conversation distincte pour chaque question
l’absence d’une vision suffisamment consolidée
la difficulté à recenser toutes les questions
les limites de l’export vers un fichier Excel structuré

Ce retour illustre un principe général : ajouter une interface conversationnelle à un produit ne suffit pas.

« Entropia est très utile pendant la préparation grâce aux raccourcis permettant de renommer, supprimer et organiser rapidement les documents. En revanche, l’expérience de Q&A reste difficile : les questions sont traitées séparément et il est compliqué de les consolider dans un Excel propre. »
Banquier d’affaires en boutique M&A Mid Cap

Une data room transactionnelle doit aussi permettre :

de suivre l’ensemble des questions
de les catégoriser
de désigner des responsables
de visualiser leur statut
de détecter les doublons
d’exporter facilement les informations
de conserver une piste d’audit

L’outil peut donc être performant sur le traitement documentaire tout en restant perfectible sur le pilotage du processus.

3. Les quatre modèles d’adoption observés dans les organisations

Au-delà des outils eux-mêmes, l’enquête fait apparaître quatre grandes stratégies de déploiement.

3.1. Le développement interne

Certaines organisations choisissent de développer leurs propres interfaces ou d’héberger leurs modèles dans un environnement contrôlé.

Les motivations sont principalement :

la confidentialité
la protection des données
la maîtrise des accès
la personnalisation
la réduction de la dépendance à un fournisseur
l’intégration aux systèmes propriétaires

Cette stratégie est notamment évoquée chez BNP Paribas.

Elle présente cependant plusieurs difficultés :

coût de développement
maintenance continue
vitesse d’évolution des modèles
qualité de l’expérience utilisateur
risque de décalage avec les meilleures solutions du marché

Plusieurs témoignages critiquent d’ailleurs la performance de certains outils internes, parfois jugés nettement inférieurs à Claude ou aux modèles publics les plus avancés.

« Certaines IA internes offrent un environnement plus contrôlé, mais restent aujourd’hui très limitées lorsqu’elles ne sont pas connectées aux bonnes sources. Dans ces cas-là, Claude utilisé dans un cadre autorisé peut paraître nettement plus performant. »
Banquier d’affaires en banque française

3.2. L’achat d’une solution spécialisée

D’autres organisations choisissent d’acheter une plateforme déjà conçue pour leur métier.

Rogo constitue l’exemple principal.

Cette stratégie permet généralement :

un déploiement plus rapide
des cas d’usage financiers prédéfinis
une meilleure intégration aux formats transactionnels
un accompagnement par le fournisseur
une évolution régulière du produit

Elle crée cependant d’autres enjeux :

dépendance
coût des licences
intégration aux systèmes internes
gouvernance des données
réversibilité
contrôle des fonctionnalités accessibles

3.3. Le modèle hybride

Plusieurs institutions semblent combiner :

une solution interne
une plateforme spécialisée
un ou plusieurs modèles généralistes
des outils bureautiques intégrés

Cette stratégie apparaît notamment dans les témoignages concernant BNP Paribas et Lazard.

Elle semble être l’approche la plus probable à long terme.

Aucun outil ne domine nécessairement toutes les tâches :

Claude peut être meilleur pour le wording
Rogo pour certains workflows financiers
AlphaSense pour la recherche
Copilot pour l’intégration à Microsoft 365
Entropia pour certaines étapes de la data room

L’objectif devient alors de construire un environnement cohérent plutôt que de rechercher un outil unique.

3.4. Le modèle multi-outils encadré

Certaines organisations autorisent plusieurs modèles ou laissent une marge d’expérimentation à leurs collaborateurs, sous réserve du respect de règles strictes de confidentialité.

Le témoignage provenant de Lazard décrit notamment une coexistence entre Rogo, Claude et certains usages d’outils personnels sur des informations non sensibles.

Un autre témoignage mentionne une banque d’affaires internationale disposant de Gemini Enterprise tout en permettant également certains usages de Claude.

Cette flexibilité peut favoriser l’adoption, mais nécessite des règles particulièrement claires :

avec quel contrôle ?
quelles données peuvent être utilisées ?
dans quel outil ?
avec quel type de compte ?
pour quel mandat ?
sous quelle responsabilité ?

4. Les cas d’usage le long du cycle transactionnel

Après avoir distingué les familles d’outils et les stratégies de déploiement, il faut analyser où l’intelligence artificielle crée concrètement de la valeur.

Les usages peuvent être classés selon les principales étapes d’un processus transactionnel.

4.1. Origination et identification des opportunités

L’IA peut assister :

la veille sectorielle
l’identification d’entreprises
la recherche de signaux
l’analyse de tendances
la préparation d’idées de pitch
le positionnement d’une entreprise
la priorisation de cibles
la préparation de listes d’acquéreurs potentiels

AlphaSense ressort particulièrement sur cette étape grâce à l’accès rapide aux recherches et notes de brokers.

Les agents connectés au CRM peuvent également permettre de :

retrouver les interactions passées
identifier les relations existantes
préparer des rappels
suggérer des opportunités de contact
automatiser certaines veilles

4.2. Préparation commerciale et pitchs

Les outils sont utilisés pour :

comprendre rapidement un secteur
préparer un profil d’entreprise
produire une première synthèse
rechercher des transactions comparables
générer des idées de slides
améliorer le wording
adapter un contenu au client
structurer un message commercial

Claude semble particulièrement apprécié pour la qualité rédactionnelle.

Rogo intervient davantage lorsque le travail doit combiner des données financières et des formats institutionnels.

4.3. Analyse financière et modélisation

Les usages rapportés comprennent :

génération de formules
préparation de schedules
nettoyage de données
construction de comparables
recherche d’incohérences
revue de modèles
mise à jour de données
explication de calculs
contribution à certains modèles avancés

Cette étape concentre toutefois le risque d’erreur le plus important.

Une réponse « presque correcte » peut entraîner une erreur sur :

l’Enterprise Value
l’Equity Value
la dette nette
les multiples
le DCF
le LBO
les ajustements
les scénarios
les conclusions présentées

L’IA peut assister la modélisation, mais elle ne supprime pas la nécessité de comprendre :

la comptabilité
les définitions utilisées
les liens entre les états financiers
la logique des hypothèses
les mécanismes de valorisation

Un cas d’usage plus avancé

Au-delà de la banque d’investissement traditionnelle, certains professionnels décrivent également des usages beaucoup plus spécialisés de Rogo.

« En titrisation, Rogo nous a permis de remplacer un logiciel spécialisé pour produire les strats. Le résultat est mieux structuré, moins hardcodé et plus facilement auditable. »
Professionnel en finance structurée

4.4. Due diligence et analyse documentaire

Les outils peuvent contribuer à :

lire un Information Memorandum
synthétiser une Vendor Due Diligence
identifier les principaux risques
comparer plusieurs documents
préparer une liste de questions
repérer les incohérences
extraire des informations
structurer un premier memo

Le gain potentiel est considérable lorsque le volume de documents est élevé.

Il dépend cependant directement de la capacité de l’outil à accéder aux documents dans un environnement autorisé.

Un modèle personnel sans accès aux données de l’opération restera très limité. Un environnement Enterprise ou spécialisé, correctement connecté à la documentation, peut en revanche devenir beaucoup plus puissant.

4.5. Gestion de la data room et Q&A

L’IA peut intervenir dans :

la classification
le renommage
la détection des doublons
la traduction
le caviardage
la recherche documentaire
la préparation de réponses
l’identification de documents manquants

Le retour sur Entropia montre néanmoins que l’ergonomie du pilotage reste aussi importante que la qualité de l’analyse.

Une interface efficace doit fournir à la fois :

une assistance intelligente au niveau de chaque document
une vision consolidée au niveau de l’ensemble du processus

4.6. Production, contrôle et communication

Les outils sont fréquemment utilisés pour :

rédiger des e-mails
reformuler des commentaires
préparer une première version de slide
synthétiser une réunion
traduire un document
vérifier la cohérence d’une présentation
identifier des différences entre plusieurs versions
automatiser des tâches récurrentes

Ces usages sont généralement plus faciles à adopter que la modélisation ou la due diligence, car ils présentent un niveau de risque financier plus faible.

Ils constituent souvent la première porte d’entrée vers une adoption plus large.

4.7. Suivi d’investissement et création de valeur

Dans le Private Equity, l’IA peut également contribuer à :

la veille sur les participations
l’analyse de KPI
la préparation des revues de portefeuille
la synthèse des reportings
l’identification de risques
la comparaison des performances
la recherche de leviers opérationnels
l’automatisation de certains processus internes

Cette dimension est moins visible dans les témoignages que les usages en banque d’investissement, mais elle pourrait devenir particulièrement importante à mesure que les fonds structurent leurs données de portefeuille.

5. Les cinq conditions qui déterminent réellement la valeur de l’IA

Le choix du modèle n’est qu’une composante du résultat.

L’enquête montre que la valeur créée dépend de cinq éléments complémentaires.

5.1. La qualité du modèle

Le modèle doit être suffisamment performant pour la tâche concernée.

Claude peut par exemple être préféré pour le wording, tandis qu’une plateforme spécialisée peut être plus pertinente pour exploiter des données financières.

Mais la performance théorique du modèle ne suffit pas.

5.2. L’accès aux bonnes données

Une intelligence artificielle personnelle peut reformuler un e-mail, mais elle ne peut pas pleinement assister une opération sans accès à :

l’Information Memorandum
la due diligence
la Q&A
les notes de réunions
le CRM
les modèles
les présentations historiques
les données financières
les standards internes

La qualité du résultat dépend donc fortement de la qualité des informations accessibles.

5.3. L’intégration au workflow

Un outil devient réellement puissant lorsqu’il est intégré à :

Excel
PowerPoint
Word
Outlook
SharePoint
le CRM
la data room
les bases financières
les processus de validation

Le principal gain ne vient souvent pas du prompt lui-même, mais de la suppression des étapes manuelles entre plusieurs outils.

« Nous avons créé des agents et des skills pour préremplir certaines parties d’Information Memorandums et de teasers, interroger le CRM et automatiser plusieurs tâches récurrentes. Cela change profondément notre manière de travailler. »
Banquier d’affaires d’une boutique M&A

Ce type de configuration marque une nouvelle étape. L’utilisateur ne demande plus seulement à un modèle de produire ponctuellement un texte : il construit un système capable de récupérer du contexte, d’appliquer des instructions permanentes et d’exécuter une chaîne de tâches.

5.4. La gouvernance et la confidentialité

L’intégration de l’IA à la finance transactionnelle soulève des risques majeurs :

informations confidentielles
données personnelles
informations non publiques
obligations contractuelles
restrictions du client
permissions documentaires
conservation des données
localisation des données

La règle de base reste claire :

Une information confidentielle ne doit jamais être introduite dans un outil personnel ou non autorisé.

Le fait de payer un abonnement ou de supprimer le nom du client ne suffit pas nécessairement à anonymiser une opération. Elle peut rester identifiable à travers :

les chiffres
le secteur
la chronologie
les caractéristiques de la transaction
les commentaires
les noms de contreparties
les documents associés

Les versions Enterprise peuvent fournir un cadre plus adapté, mais leur utilisation reste soumise aux politiques de l’employeur et aux règles applicables au mandat.

5.5. L’adoption par les équipes

Une organisation peut acheter le meilleur outil du marché sans obtenir de gains significatifs.

Les déploiements les plus crédibles semblent associer :

un sponsor au niveau du management
des responsables dans les équipes
des cas d’usage clairement définis
des formations concrètes
des workflows standardisés
une bibliothèque de bonnes pratiques
des règles de contrôle
une mesure des gains

Le retour sur Dust illustre cette logique.

« Le déploiement de Dust s’est accompagné d’une véritable implémentation et de responsables dans chaque équipe. Là où les équipes ont réellement adopté l’outil, les gains de productivité et de fiabilité sont visibles, notamment sur les contrôles de cohérence, les comparables et certaines listes de requêtes. »
Professionnelle spécialisée en Transaction Services

Le retour sur Claude dans une Elite Boutique montre également l’importance de former les équipes à des usages concrets plutôt que de simplement leur fournir une licence.

« Nous disposons de Claude Pro avec des extensions sur Excel, PowerPoint et Word. Le top management nous encourage réellement à utiliser ces outils au maximum. »
Banquier d’affaires en Elite Boutique

« Nous avons suivi des formations avancées sur Claude et Claude Code, centrées sur des cas d’usage concrets plutôt que sur une utilisation générale de l’outil. »
Banquier d’affaires en M&A small cap

6. Pourquoi les grandes banques et les structures plus agiles avancent différemment

Les témoignages font apparaître des différences générales entre les grandes institutions et les structures plus petites. Ces tendances comportent naturellement des exceptions.

6.1. Les grandes institutions

Elles disposent généralement :

de budgets importants
de nombreuses données propriétaires
d’équipes technologiques
de capacités d’intégration
de moyens de sécurité
d’un fort pouvoir de négociation avec les fournisseurs

Mais elles doivent aussi gérer :

des systèmes complexes
plusieurs juridictions
des règles de conformité strictes
des niveaux d’autorisation multiples
des risques réputationnels et contractuels importants

Elles privilégient donc davantage :

les outils validés centralement
les environnements Enterprise
les programmes pilotes
les solutions internes
les déploiements progressifs

Morgan Stanley constitue néanmoins un contre-exemple intéressant à l’idée selon laquelle toutes les grandes banques seraient bloquées. Un professionnel de la banque décrit au contraire un environnement dans lequel l’IA est fortement intégrée et où les équipes concernées ont accès à de nombreux outils.

6.2. Les boutiques et structures plus agiles

Elles peuvent souvent :

prendre des décisions plus rapidement
expérimenter avec plusieurs outils
adapter leurs workflows
impliquer directement les banquiers
construire des agents spécialisés
organiser rapidement des formations

« Dans les grandes banques, l’usage finit souvent par se concentrer autour de quelques fournisseurs approuvés, comme Copilot et Rogo. Les boutiques sont généralement plus flexibles et testent davantage d’outils, notamment Claude ou Claude Code pour construire de petits logiciels internes. »
Banquier d’affaires dans une boutique M&A

Elles disposent cependant de moins de ressources pour :

la cybersécurité
la gouvernance
la maintenance
l’administration des accès
la documentation
la continuité technologique

Leur agilité constitue donc un avantage, mais elle doit être accompagnée d’un cadre rigoureux.

6.3. Les fonds de Private Equity

Les fonds doivent traiter un double enjeu :

améliorer l’analyse des opportunités d’investissement
renforcer le suivi et la création de valeur au sein du portefeuille

Ils disposent potentiellement de nombreuses données propriétaires, mais celles-ci sont souvent réparties entre :

les équipes d’investissement
les participations
les reportings
les cabinets externes
les data rooms
les fichiers individuels

La structuration de ces données pourrait devenir l’un des principaux avantages compétitifs des fonds dans les prochaines années.

7. Comment l’intelligence artificielle va transformer les métiers

Le débat sur l’emploi est souvent présenté de manière trop binaire : soit l’IA remplace les juniors, soit elle ne change rien.

La réalité est probablement plus complexe.

7.1. Les tâches les plus exposées

Les activités les plus susceptibles d’être automatisées ou accélérées comprennent :

la recherche publique
la lecture de documents
les profils d’entreprises
les premières synthèses
la rédaction d’e-mails
la traduction
la mise en forme
la veille
l’organisation de fichiers
certains contrôles de cohérence
la préparation d’une première liste de comparables
certaines sections de présentations

Il s’agit précisément de nombreuses tâches historiquement confiées aux stagiaires et Analysts les plus juniors.

Un débat qui divise les professionnels

« En combinant des outils de développement comme Codex ou Claude Code, des instructions spécialisées et des connexions à des bases financières, une partie des tâches réalisées par les stagiaires et les Analysts juniors peut déjà être automatisée. »
Professionnel en Private Equity

Ce témoignage exprime une conviction individuelle. Les autres retours recueillis décrivent plutôt une automatisation partielle des tâches qu’un remplacement immédiat des fonctions.

7.2. Les tâches les plus résistantes

L’IA reste beaucoup plus limitée lorsqu’il faut :

gérer une relation client
négocier
comprendre des dynamiques humaines
arbitrer entre plusieurs options imparfaites
gérer des exceptions
convaincre
assumer une responsabilité
construire une conviction
coordonner un processus complexe
interpréter un contexte politique ou organisationnel

La valeur du professionnel devrait donc progressivement se déplacer de la production brute vers le jugement, le contrôle et la relation.

7.3. Les cinq scénarios possibles pour les équipes

Scénario 1 : moins de recrutements juniors

L’organisation produit le même volume avec une équipe réduite.

Scénario 2 : maintien des effectifs et augmentation du volume

Les outils permettent de traiter davantage d’opérations et d’analyses.

Scénario 3 : déplacement vers des tâches plus analytiques

Les juniors consacrent moins de temps à la production manuelle et davantage à l’interprétation.

Scénario 4 : hausse du niveau d’exigence dès l’entrée

Les employeurs attendent des stagiaires et Analysts qu’ils contribuent plus rapidement à des travaux complexes.

Scénario 5 : apparition de profils hybrides

Les équipes recrutent davantage de professionnels combinant :

finance
données
automatisation
intelligence artificielle
compréhension des workflows

Ces cinq scénarios ne sont pas mutuellement exclusifs. Ils peuvent se produire simultanément selon les organisations.

7.4. Le Private Equity devra repenser sa pyramide

Un professionnel du Private Equity souligne que le remplacement d’une partie du staffing actuel n’implique pas la disparition immédiate des juniors.

Il oblige en revanche les fonds à réfléchir à leur future pyramide de création de valeur.

Historiquement, celle-ci repose sur :

de nombreux juniors exécutant les analyses détaillées
des niveaux intermédiaires organisant et contrôlant
un nombre limité de seniors prenant les décisions et entretenant les relations

Si les travaux d’exécution sont fortement accélérés, cette pyramide pourrait évoluer.

La question n’est donc pas seulement : « Combien de tâches l’IA peut-elle automatiser ? »

Elle devient : « Comment une banque ou un fonds doit-il organiser ses équipes lorsque la production standardisée devient plus rapide et moins différenciante ? »

8. Le défi de la formation : automatiser sans empêcher l’apprentissage

L’un des principaux risques concerne la formation des juniors.

Une grande partie de l’apprentissage historique se fait par l’exécution répétée de tâches simples :

construire un comparable
lire un rapport annuel
nettoyer des données
préparer un modèle
vérifier des agrégats
relire une présentation

« Le principal frein est parfois très concret : les juniors sont tellement absorbés par la charge de travail qu’ils trouvent difficilement le temps d’explorer sérieusement ces outils et de construire de nouveaux workflows. »
Banquier d’affaires en banque française

Ces travaux permettent de comprendre :

la structure des informations
les définitions
les exceptions
les ordres de grandeur
les erreurs fréquentes
les liens entre les états financiers

Si l’outil produit immédiatement le résultat, le junior peut obtenir une réponse sans comprendre comment elle a été construite.

Il ne suffit donc pas d’affirmer que l’IA supprimera les tâches à faible valeur ajoutée et permettra aux juniors de travailler directement sur les sujets les plus intéressants.

Ces tâches dites peu intéressantes constituaient parfois précisément le chemin d’apprentissage nécessaire pour atteindre les travaux à forte valeur ajoutée.

Les organisations devront donc repenser leur pédagogie :

exercices manuels en formation
explication des raisonnements
contrôles obligatoires
revue des erreurs produites par les modèles
compréhension des sources
apprentissage explicite de la logique financière

9. Les compétences qui deviendront indispensables

L’intelligence artificielle ne rend pas les fondamentaux financiers obsolètes. Elle augmente au contraire leur importance.

9.1. Maîtriser la finance

Le professionnel doit toujours comprendre :

la comptabilité
les états financiers
la valorisation
les comparables boursiers
les transactions précédentes
le DCF
le LBO
la dette nette
le BFR
les ajustements
les mécanismes transactionnels

Sans ces compétences, il ne peut pas détecter une erreur convaincante produite par un modèle.

9.2. Savoir structurer un problème

La qualité du résultat dépend de la capacité à :

définir l’objectif
fournir le contexte pertinent
décomposer la tâche
préciser les contraintes
demander un format exploitable
définir les critères de validation

Le « prompt » n’est que la traduction visible d’une compétence plus fondamentale : savoir structurer un raisonnement.

9.3. Savoir contrôler les résultats

Le professionnel doit vérifier :

les chiffres
les sources
les formules
les hypothèses
les omissions
les incohérences
les définitions utilisées

La rapidité de production ne réduit pas la responsabilité humaine.

9.4. Comprendre les données et la confidentialité

Il faut savoir déterminer :

d’où vient une information
si elle est publique
si elle est fiable
qui peut y accéder
dans quel environnement elle peut être utilisée
combien de temps elle doit être conservée
si elle peut être transmise à un fournisseur

9.5. Savoir construire un workflow

La valeur ne vient généralement pas d’un prompt isolé.

Elle vient d’un processus combinant :

données
extraction
analyse
production
vérification
validation
diffusion

Les professionnels capables de concevoir ces workflows auront probablement un avantage significatif.

« Beaucoup d’équipes utilisent déjà les LLM, mais très peu exploitent encore réellement les capacités agentiques de Claude Code ou Codex pour automatiser de bout en bout les tâches sans valeur ajoutée. »
Banquier d’affaires en Bulge Bracket

10. Tableau récapitulatif des banques explicitement mentionnées

Les éléments ci-dessous reposent sur des témoignages individuels et ne constituent pas une confirmation officielle d’un déploiement généralisé.

Organisation	Outils et pratiques rapportés	Lecture principale
J.P. Morgan	Rogo, modèles internes ; Claude mentionné comme comparaison	Rogo utile pour les analyses synthétiques et tâches récurrentes ; d’autres modèles parfois préférés pour la rédaction
Morgan Stanley	Environnement IA décrit comme fortement intégré	Contredit l’idée selon laquelle toutes les grandes banques limiteraient fortement l’accès à l’IA
Lazard	Rogo ; Claude Pro avec extensions Excel, PowerPoint et Word ; outils personnels éventuellement autorisés sur des données non sensibles ; soutien du management.	Approche multi-outils, retours très positifs et encouragement du management
Rothschild & Co	Rogo	Des Associates commenceraient à l’utiliser pour des travaux de modélisation avancée
BNP Paribas	Rogo ; IA interne ; programmes de test ; volonté rapportée d’internaliser certains développements pour protéger les données et réduire la dépendance extérieure.	Stratégie hybride associant solution extérieure et développement propriétaire
Société Générale	Rogo	Utilisation rapportée, sans précision suffisante sur le périmètre
Deutsche Bank	Copilot confirmé en M&A ; témoignages divergents sur Gemini selon les équipes.	Copilot confirmé ; disponibilité de Gemini non homogène ou non confirmée en M&A
Barclays	Rogo (déploiement progressif), Copilot, AlphaSense	Déploiement progressif de Rogo ; coexistence de plusieurs outils spécialisés au sein des équipes
Autre banque d’affaires internationale	Gemini Enterprise, avec accès possible à Claude, ChatGPT et à d’autres modèles	Illustration d’une stratégie multi-modèles
Autres banques non identifiées	ChatGPT enrichi, Claude, IA internes, Rogo en test	Déploiements variables selon les équipes et les mandats

11. Comparatif des principaux outils mentionnés

Famille	Outils	Forces rapportées	Principales limites
Modèles généralistes	Claude, ChatGPT, Gemini	Rédaction, raisonnement, synthèse, flexibilité	Valeur limitée sans données internes ; risques liés aux usages non autorisés
Finance transactionnelle	Rogo	Données financières, workflows spécialisés, analyses synthétiques	Dépend fortement des données, de la configuration et du déploiement
Market intelligence	AlphaSense, FactSet, Refinitiv, Capital IQ	Recherche, notes de brokers, analyse sectorielle, origination	Ne remplace pas le jugement ; qualité variable selon les sources et droits
Productivité bureautique	Copilot et extensions Office	Intégration à Outlook, Word, Excel, PowerPoint et SharePoint	Performance inégale ; dépendance à la qualité des permissions et documents
Assistants internes	Dust et agents propriétaires	Automatisation de workflows et exploitation des données internes	Nécessite une vraie stratégie d’implémentation
Infrastructure transactionnelle	Entropia	Préparation et organisation de la data room	Expérience Q&A encore jugée perfectible par le témoignage recueilli
Solutions propriétaires	IA internes des banques	Contrôle, confidentialité, personnalisation	Modèles parfois moins performants ou moins ergonomiques

12. Ce que les organisations les plus avancées font différemment

L’enquête ne montre pas que les organisations les plus matures sont nécessairement celles qui disposent du plus grand nombre de licences.

Elles semblent surtout partager six caractéristiques.

Elles choisissent l’outil selon le cas d’usage

Elles ne cherchent pas une solution universelle.

Elles connectent les outils aux bonnes données

Dans un cadre de permissions contrôlé.

Elles intègrent l’IA aux logiciels existants

Excel, PowerPoint, Word, Outlook, CRM, bases financières et data rooms.

Elles forment les collaborateurs

Sur des situations concrètes plutôt que sur des démonstrations abstraites.

Elles établissent une gouvernance claire

Chaque utilisateur sait quelles données peuvent être utilisées et dans quel environnement.

Elles conservent une responsabilité humaine

L’IA contribue à la production, mais une personne reste responsable du livrable final.

Ce que montrent les témoignages de terrain
Les organisations les plus avancées ne se contentent pas de fournir un chatbot. Elles créent des agents spécialisés, connectent les modèles aux outils de travail, organisent les cas d’usage, forment les équipes et mettent en place des responsables capables de diffuser les bonnes pratiques.

Conclusion : l’avantage ne viendra pas du modèle seul

L’enquête ne décrit pas une industrie financière qui commencerait seulement à découvrir l’intelligence artificielle.

Elle montre un secteur déjà engagé dans une transformation profonde, mais avec des niveaux de maturité très différents.

Dans certaines équipes, l’IA reste principalement utilisée pour reformuler un e-mail ou résumer un document.

Dans d’autres, elle intervient déjà dans :

l’origination
la recherche financière
les présentations
les modèles
la due diligence
les data rooms
les contrôles de cohérence
les workflows internes
la veille
le suivi des investissements

Rogo apparaît comme l’une des plateformes spécialisées les plus visibles dans les banques d’investissement. Les témoignages recueillis mentionnent désormais son utilisation ou son déploiement chez J.P. Morgan, Lazard, Rothschild & Co, BNP Paribas, Société Générale et Barclays, même si le niveau d’adoption reste variable selon les équipes et les phases de déploiement.

Claude est particulièrement apprécié pour la rédaction, le raisonnement et la flexibilité.

AlphaSense transforme la recherche financière et commence à jouer un rôle dans l’origination.

Copilot bénéficie de son intégration à Microsoft 365.

Les solutions internes répondent aux contraintes de sécurité, mais doivent rester suffisamment performantes pour éviter que les collaborateurs ne cherchent des alternatives non autorisées.

Les data rooms agentiques illustrent à la fois le potentiel de l’intelligence artificielle et la nécessité de préserver une expérience opérationnelle efficace.

La principale conclusion peut être formulée ainsi :

L’avantage compétitif ne viendra pas du simple accès au meilleur modèle. Il viendra de la capacité à combiner le modèle, les données, les intégrations, les processus, la gouvernance, la formation et le contrôle humain.

Pour les professionnels, l’enjeu n’est donc pas d’abandonner les fondamentaux.

Il est de les maîtriser suffisamment profondément pour pouvoir diriger, vérifier et corriger les systèmes qui les assistent.

Le futur de la finance ne sera probablement dominé ni par les personnes qui refusent l’intelligence artificielle, ni par celles qui lui font aveuglément confiance.

Il appartiendra à celles qui sauront en faire un véritable système de travail, sans perdre la rigueur, le jugement et la responsabilité qui fondent la valeur de ces métiers.

Aller plus loin : se préparer aux métiers de la finance à l’ère de l’intelligence artificielle

L’intelligence artificielle transforme rapidement les métiers de la banque d’investissement, du Private Equity, du conseil en stratégie et plus largement de la finance transactionnelle.

Mais cette enquête met également en évidence une réalité souvent sous-estimée : les meilleurs outils ne remplacent pas les meilleurs professionnels.

Qu’il s’agisse de Claude, Rogo, AlphaSense, Copilot ou des solutions développées en interne par certaines banques, ces outils permettent d’accélérer la recherche, la rédaction, la préparation des analyses ou certaines tâches de modélisation. En revanche, ils ne remplacent pas :

une solide compréhension de la corporate finance
la capacité à construire un modèle financier robuste
la maîtrise des méthodes de valorisation
la compréhension des mécanismes comptables
l’analyse critique d’une entreprise ou d’un secteur
ni la capacité à réussir les entretiens des banques, fonds d’investissement et cabinets de conseil

Autrement dit, l’IA augmente les meilleurs professionnels, mais elle ne crée pas les compétences fondamentales à leur place.

C’est précisément dans cette logique que nous avons créé Crack-It : permettre aux étudiants et jeunes professionnels d’acquérir les compétences techniques et les informations dont ils auront toujours besoin, quel que soit le niveau de sophistication des outils d’intelligence artificielle.

Sur Crack-It, vous retrouverez notamment :

une formation complète en Corporate Finance, couvrant la comptabilité, la modélisation financière, les méthodes de valorisation (DCF, comparables boursiers, transactions comparables, LBO), les fusions-acquisitions et l’ensemble des questions techniques fréquemment posées en entretien
des centaines de comptes rendus d’entretiens récents, issus des principales banques d’investissement, fonds de Private Equity, cabinets de conseil en stratégie et cabinets de Transaction Services
des benchmarks détaillés de rémunération, comprenant les salaires fixes, bonus, carried interest, avantages et packages proposés dans les principaux acteurs du marché
des benchmarks de questions techniques, permettant de comprendre les attentes des recruteurs et les standards de chaque établissement
des contacts clés en charge du recrutement pour développer votre réseau et cibler efficacement vos candidatures
une communauté active, où étudiants, Analysts, Associates, Consultants, investisseurs et professionnels de la finance échangent quotidiennement sur les recrutements, les carrières, les outils d’intelligence artificielle et les évolutions du secteur

À mesure que l’intelligence artificielle progresse, l’accès à l’information devient moins rare. En revanche, la capacité à interpréter cette information, à prendre les bonnes décisions et à maîtriser les fondamentaux de la finance devient plus précieuse que jamais.

Notre ambition est simple : vous donner les connaissances, les ressources et les outils qui vous permettront de rester compétitif dans un secteur où les technologies évoluent rapidement, mais où les exigences techniques et le niveau d’excellence demeurent extrêmement élevés.

Que vous prépariez des entretiens en M&A, Private Equity, conseil en stratégie, Transaction Services ou Corporate Development, Crack-It a été conçu pour vous aider à franchir chaque étape de votre carrière.

À propos de l’enquête

Cette publication repose sur une enquête qualitative menée auprès de professionnels du M&A, du Private Equity, de la banque d’investissement, du Transaction Services et de la finance transactionnelle. Les témoignages ont été anonymisés et reflètent l’expérience déclarée de leurs auteurs. Lorsqu’une organisation est citée, cela ne constitue pas une confirmation officielle d’un déploiement généralisé. Les outils disponibles peuvent varier selon les équipes, les pays, les métiers et les périodes.

FAQ – Intelligence artificielle en finance

Quels outils d’intelligence artificielle sont utilisés en banque d’investissement ?

Les témoignages mentionnent notamment Rogo, Claude, ChatGPT Enterprise, AlphaSense, Microsoft Copilot, Gemini, Dust et différentes solutions développées en interne.

Rogo est-il utilisé dans les grandes banques ?

Des professionnels travaillant chez J.P. Morgan, Lazard, Rothschild & Co, BNP Paribas et Société Générale ont mentionné son utilisation ou son déploiement. Cela ne signifie pas que toutes les équipes de ces organisations y ont accès.

À quoi sert Rogo ?

Les usages rapportés comprennent la recherche financière, les analyses synthétiques, les profils d’entreprises, certains workflows récurrents, les présentations et certains travaux dans Excel.

Claude est-il utilisé en finance ?

Oui. Claude est particulièrement cité pour la rédaction, les e-mails, l’analyse de documents, le wording des présentations, le raisonnement et certains workflows avancés.

Quelle est la différence entre Claude et Rogo ?

Claude est un modèle généraliste particulièrement apprécié pour la rédaction et le raisonnement. Rogo est une plateforme spécialisée dans les données et workflows financiers. Ils peuvent être complémentaires.

AlphaSense est-il utile en M&A et en Private Equity ?

Les témoignages sont très positifs sur la recherche sectorielle, les notes de brokers, l’analyse de marché et l’origination.

L’intelligence artificielle peut-elle construire un modèle financier ?

Elle peut assister certaines étapes, générer des formules ou identifier des incohérences. Les résultats doivent toutefois être intégralement revus par une personne maîtrisant la finance.

Peut-on utiliser un compte personnel sur une transaction confidentielle ?

Une donnée confidentielle ou non publique ne doit pas être introduite dans un outil personnel ou non autorisé. Les règles précises dépendent de l’employeur et du mandat.

Les versions Enterprise permettent-elles de charger tous les documents ?

Non. Le caractère Enterprise d’un outil ne remplace pas les politiques internes, les accords de confidentialité, les restrictions du client ou les règles applicables au mandat.

Copilot est-il utile aux professionnels de la finance ?

Son principal avantage réside dans son intégration à Microsoft 365. Son utilité dépend toutefois de la tâche, de la qualité des documents et de la gouvernance des accès.

Qu’est-ce qu’une data room agentique ?

Il s’agit d’une data room intégrant des fonctions d’intelligence artificielle pour organiser, rechercher, analyser, traduire, renommer ou caviarder les documents et assister certaines étapes de la Q&A.

Quels sont les retours sur Entropia ?

Le témoignage recueilli est positif sur la préparation et l’organisation de la data room, mais plus critique sur la gestion consolidée des questions-réponses.

L’intelligence artificielle va-t-elle remplacer les Analysts ?

Elle devrait automatiser certaines tâches, mais pas l’ensemble du métier. Elle pourrait entraîner une évolution des recrutements, des responsabilités et du niveau attendu des juniors.

Faut-il encore apprendre Excel et la modélisation ?

Oui. La compréhension des fondamentaux devient même plus importante, car il faut être capable de contrôler les résultats produits par les outils.

Quelles compétences faut-il développer ?

La maîtrise de la finance, la structuration des problèmes, la vérification des résultats, la compréhension des données, la confidentialité et la conception de workflows.

Découvrez notre formation en M&A

Article