L’IA générative, c’est Excel en 1985…ce que vingt ans de tableurs nous apprennent sur les agents IA
Il y a quarante ans, des contrôleurs de gestion ont acheté des micro-ordinateurs sur leur budget de service pour ne plus attendre l’informatique centrale. Aujourd’hui, des collaborateurs ouvrent un compte ChatGPT pour ne plus attendre leur DSI. L’histoire ne se répète pas, mais elle rime, selon une formule attribuée (sans doute à tort) à Mark Twain. Et cette fois, la rime a des conséquences opérationnelles.
Toute DSI qui a vécu la déferlante des tableurs regarde l’arrivée de l’IA générative avec une impression de déjà-vu. Les mêmes utilisateurs pressés, les mêmes outils adoptés avant d’être autorisés, les mêmes promesses de productivité individuelle, et sans doute, à terme, les mêmes découvertes embarrassantes au fond d’un fichier que personne n’avait relu 🙂
La comparaison n’est pas qu’un exercice de nostalgie. Le tableur est la seule expérience comparable dont nous disposons : un outil qui a donné à des non-informaticiens le pouvoir de construire des applications, sans méthode, sans tests et sans demander la permission. L’entreprise a mis une vingtaine d’années à le gouverner. Avec les agents IA, elle n’aura probablement pas ce luxe. Revenons donc sur ce que le premier épisode nous a coûté, avant de regarder ce que le second change vraiment.
1979 : le PC entre par la porte de service
Le micro-ordinateur n’a pas été introduit dans l’entreprise par la DSI. Il y est entré par le bureau du contrôle de gestion, poussé par un logiciel plutôt que par une machine. En 1979, VisiCalc transforme l’Apple II en outil de simulation financière : on achète l’ordinateur pour faire tourner le tableur, et non l’inverse. Le phénomène a un nom qui fera carrière, la « killer app ».
Le contexte explique tout. L’informatique de l’époque est centralisée autour du mainframe, et le carnet de commandes de développement se compte en mois, parfois en années. Un responsable financier qui veut simuler trois scénarios budgétaires n’a aucune envie d’ouvrir un projet. Le prix d’un PC passant sous les seuils d’approbation informatique, il l’achète sur son budget de service, et le problème est réglé. Du moins le croit-il.
La suite est connue. L’IBM PC en 1981 donne une caution sérieuse à la micro-informatique, Lotus 1-2-3 en 1983 devient l’application de référence, Excel arrive sur Macintosh en 1985 puis sous Windows en 1987, avant de s’imposer avec Windows 3.0 et la suite Office au début des années 1990. Face à cette vague, la DSI hésite entre la défiance et l’accompagnement. Elle crée des « centres d’information » pour former les utilisateurs et standardiser les achats, sans jamais vraiment regarder ce qui est construit sur les postes. Retenez ce détail : il coûtera cher.
Excel, premier outil no-code de l’histoire
On présente souvent le no-code comme une invention récente. C’est faire peu de cas d’Excel. Une formule est un programme, un classeur aux onglets liés est une application, et une macro VBA est du code tout court. Les spécialistes ont donné un nom à ce phénomène, l’end-user computing (EUC), c’est-à-dire l’informatique réalisée par l’utilisateur final, hors de tout cycle de développement.
L’autonomie s’est construite par paliers successifs. D’abord calculer : formules, scénarios, simulations « et si ». Puis analyser, avec les tris, les filtres et les tableaux croisés dynamiques, qui ont discrètement remplacé une bonne partie du reporting demandé à l’informatique. Ensuite automatiser, avec les macros enregistrées puis VBA, intégré à Excel 5 en 1993. Puis intégrer, en se connectant aux bases de données et aux extractions de l’ERP, jusqu’à Power Query et Power Pivot. Et enfin opérer : le classeur devient un outil de production, utilisé pour tarifer, provisionner, planifier ou produire un reporting réglementaire.
Ce succès tient à trois propriétés techniques que les éditeurs d’outils no-code envient encore. Excel est visible, puisque chaque calcul se lit dans une cellule. Il est immédiat, puisque le résultat change sous les yeux de l’utilisateur pendant qu’il tape. Et il est approprié : le métier possède son outil et n’attend personne. Gardez ces trois mots en tête, car l’IA générative en coche deux sur trois. Celui qui manque est précisément le plus important.
La facture : quand la cellule B42 coûte 6 milliards
La recherche sur les erreurs de tableurs est l’une des rares disciplines où tous les chercheurs sont d’accord, et pas pour une bonne nouvelle. Raymond Panko, de l’université d’Hawaï, a compilé des audits de classeurs réels : 94 % contenaient des erreurs. En laboratoire, sur quatorze études et près d’un millier de participants, le taux moyen d’erreur par cellule atteint 3,9 %. Le chiffre paraît modeste jusqu’à ce qu’on le multiplie par les milliers de cellules d’un modèle financier : l’erreur n’est alors plus une probabilité, c’est une quasi-certitude.
Les cas célèbres ne manquent pas. En 2012, JPMorgan perd 6,2 milliards de dollars dans l’affaire dite du « London Whale ». Le rapport interne révèle que le modèle de Value at Risk de l’unité concernée tournait sur une série de classeurs alimentés par copier-coller manuel, jugés « sujets aux erreurs » par le propre comité de revue de la banque (voir ceci sur CFO.com). Une formule divisait par la somme de deux taux au lieu de leur moyenne, ce qui divisait la volatilité calculée par deux (voir ici Baseline Scenario). Le tableur n’est pas seul responsable, la gestion des risques a failli à bien d’autres niveaux, mais il a offert au désastre un excellent camouflage.
En 2020, Public Health England égare près de 16 000 cas positifs de Covid-19. Les résultats des laboratoires, reçus en CSV, étaient importés dans des modèles au vieux format XLS, limité à 65 536 lignes. Chaque cas occupant plusieurs lignes, un modèle saturait vers 1 400 cas, et le surplus disparaissait sans le moindre message. Un format datant de 1987, remplacé vingt ans plus tôt, au cœur d’un dispositif sanitaire national : le shadow IT dans toute sa splendeur.
Mention spéciale enfin à la génétique. Excel convertit par défaut certains symboles de gènes en dates (MARCH1 devient un 1er mars). Une étude publiée en 2016 dans Genome Biology a montré qu’environ un cinquième des articles de génomique accompagnés de listes Excel contenaient ces altérations. En 2020, le comité international de nomenclature a fini par renommer environ 27 gènes humains. On a donc modifié la nomenclature du génome humain plutôt que les habitudes des utilisateurs d’un tableur. Si vous cherchiez une définition de l’adoption réussie, la voilà.
Le diagnostic de l’ICAEW, l’ordre des experts-comptables britanniques, sur l’affaire PHE résume parfaitement la leçon : Excel était au centre du problème, mais les défaillances venaient de la formation, de la mise en œuvre et de la gouvernance. Remplacez « Excel » par « agent IA », et vous avez le sujet de vos prochains comités des risques.
Vingt ans pour domestiquer le tableur
Personne n’a jamais réussi à interdire Excel, et c’est heureux. L’entreprise a fini par l’encadrer, puis par absorber ses usages dans des plateformes gouvernées. Le chemin a été long et s’est fait en quatre temps.
Les années 1980 et 1990 sont celles de l’accompagnement : on équipe, on forme, on standardise les versions, mais on ne regarde pas ce que les utilisateurs construisent. Les années 2000 apportent la contrainte. La loi Sarbanes-Oxley, en 2002, oblige les sociétés cotées aux États-Unis à démontrer la maîtrise de leur reporting financier, et donc des tableurs qui l’alimentent. Les auditeurs découvrent alors l’ampleur du parc, et les DSI découvrent qu’elles ne savaient pas qu’elles l’avaient.
Vient ensuite la politique EUC, devenue un standard dans la banque et l’assurance : inventaire des classeurs, classement par criticité, contrôles proportionnés (versionnage, revue par un tiers, contrôle d’accès) et plan de migration pour les fichiers devenus critiques. Enfin, à partir des années 2010, l’éditeur lui-même propose la sortie par le haut : Power Pivot, puis Power BI, Power Apps et Power Automate, des classeurs stockés dans SharePoint et OneDrive, des étiquettes de sensibilité Purview. Le métier garde son autonomie, la DSI récupère la visibilité.
Deux leçons à retenir. La gouvernance est arrivée après les incidents, souvent sous la pression d’un régulateur plutôt que d’une conviction interne. Et la réponse qui a fonctionné n’a jamais été l’interdiction, mais une offre officielle assez simple pour que les utilisateurs la préfèrent à leurs bricolages.
2022, le remake
L’IA générative a suivi le même chemin que le PC, mais en accéléré. Le lancement grand public de ChatGPT, fin 2022, a précédé de près d’un an les offres destinées aux entreprises. Les utilisateurs n’ont pas attendu. Dans son Work Trend Index 2024, mené auprès de 31 000 personnes dans 31 pays, Microsoft constatait que 75 % des travailleurs du savoir utilisaient déjà l’IA, et que 78 % d’entre eux apportaient leurs propres outils (source : Microsoft). Seuls 39 % avaient été formés par leur employeur, et 52 % hésitaient à reconnaître qu’ils s’en servaient pour leurs tâches importantes (source : The Decoder). Le budget de service des années 1980 s’appelle désormais « compte gratuit avec adresse personnelle », et le contrôleur de gestion pionnier est devenu toute l’entreprise.
L’autonomie progresse elle aussi par paliers, et ils ressemblent étrangement à ceux d’Excel. On a commencé par converser : rédiger, résumer, traduire, l’utilisateur restant auteur et vérificateur. On est passé à l’assistance intégrée, avec des copilotes nichés dans Word, Outlook ou Teams qui travaillent sur les données de l’entreprise avec les droits de l’utilisateur. On arrive maintenant à la délégation : l’agent planifie et exécute une série d’actions, parfois sans validation à chaque étape.
Le clin d’œil de l’histoire est savoureux : la deuxième vague s’installe dans l’outil fondateur de la première. En septembre 2025, Microsoft a lancé le mode Agent dans Excel sous la bannière du « vibe working », accompagné d’une fonction =COPILOT() directement intégrée au moteur de calcul. L’éditeur annonçait alors 57,2 % de réussite pour son agent sur le banc d’essai SpreadsheetBench, contre 71,3 % pour des humains . Autrement dit, un collaborateur brillant, rapide, disponible à toute heure, et qui échoue plus de quatre fois sur dix sur des tâches de tableur. Les modèles ont progressé depuis, mais le principe demeure : on ne recrute pas ce profil sans prévoir un relecteur.
Côté projets, l’euphorie se heurte à la comptabilité. En juin 2025, Gartner prévoyait l’abandon de plus de 40 % des projets d’IA agentique d’ici fin 2027, pour cause de coûts croissants, de valeur métier floue ou de contrôle des risques insuffisant. Le cabinet estimait que seuls 130 environ des milliers de fournisseurs se disant « agentiques » l’étaient réellement, dénonçant au passage l’« agent washing ». Le même Gartner prévoit pourtant qu’au moins 15 % des décisions de travail quotidiennes seront prises de façon autonome par des agents d’ici 2028. Beaucoup d’échecs et une adoption massive : c’est exactement le profil d’Excel en 1990.
Ce que le remake change vraiment
Si l’histoire rime, elle ne recopie pas. Cinq différences techniques empêchent de ressortir tel quel le classeur de politique EUC de 2008.
- Première rupture, le résultat n’est plus déterministe. Une formule fausse donne toujours le même résultat faux, ce qui la rend détectable, testable et corrigeable. Un modèle de langage peut répondre juste le lundi et faux le mardi à la même question. La recette classique, avec son jeu d’essai et son résultat attendu, ne suffit plus : il faut des évaluations statistiques, rejouées en continu, notamment à chaque changement de version du modèle sous-jacent.
- Deuxième rupture, la compétence ne filtre plus. Construire un modèle Excel complexe demandait des années de pratique, ce qui limitait mine de rien le nombre d’outils critiques bâtis par des amateurs. L’IA produit un livrable au vernis impeccable quel que soit le niveau de celui qui la sollicite. Le risque se déplace : moins d’erreurs de syntaxe, davantage de résultats plausibles que personne n’est en mesure de vérifier.
- Troisième rupture, l’agent agit. Le tableur s’arrêtait au chiffre, et un humain décidait quoi en faire. L’agent envoie le mail, met à jour le dossier, passe la commande. La question de sécurité change de nature : il ne s’agit plus seulement de savoir ce que l’outil connaît, mais ce qu’il peut faire, et au nom de qui. Un agent est un compte de service qui raisonne. Il lui faut une identité propre, des droits minimaux, une journalisation et une procédure de révocation, faute de quoi l’injection de prompt devient un vecteur d’action et non plus seulement de désinformation.
- Quatrième rupture, les permissions dormantes se réveillent. Un fichier mal partagé dans SharePoint restait introuvable tant que personne ne le cherchait. Un copilote qui interroge tout ce que l’utilisateur a le droit de lire le fait remonter en une question. L’IA ne crée pas le surpartage, elle le révèle avec un zèle remarquable. Beaucoup de projets Copilot commencent d’ailleurs, à juste titre, par un chantier de nettoyage des droits.
- Cinquième rupture, le coût devient variable. Excel coûtait une licence, point final. Un agent consomme des jetons à chaque exécution, et un agent mal conçu peut boucler joyeusement toute la nuit. Le FinOps appliqué à l’IA devient une compétence de la DSI, ce que la bureautique n’avait jamais exigé.
Une constante, en revanche, survit à toutes ces ruptures. Comme avec Excel, les incidents viendront moins des défauts de l’outil que des failles de formation, de mise en œuvre et de contrôle autour de lui.
Mode d’emploi pour ne pas rejouer 1990
La bonne nouvelle, c’est que la DSI connaît la fin du premier épisode. Elle peut donc appliquer dès maintenant ce que la gouvernance du tableur a mis vingt ans à bâtir, en l’adaptant aux ruptures décrites plus haut.
D’abord, offrir plutôt qu’interdire. Le blocage des IA grand public a produit le même effet que la méfiance envers les PC : l’usage continue, simplement hors de vue. Une offre officielle simple, disponible et correctement outillée reste le premier des contrôles.
Ensuite, tenir un registre des agents comme on a fini par inventorier les classeurs critiques : qui l’a créé, qui le maintient, sur quelles données il travaille, avec quels droits et pour quel processus. Classer ces agents par criticité plutôt que par technologie, car un assistant qui rédige un brouillon n’appelle pas les mêmes contrôles qu’un agent qui modifie un dossier client. Leur attribuer une identité propre et des droits minimaux, et nettoyer les permissions avant de déployer le moindre copilote.
Il faut aussi conserver un regard humain indépendant sur les sorties à fort impact. Pour les tableurs, la relecture par un tiers reste la mesure la plus efficace qu’on connaisse ; elle vaut pour l’IA, à condition que le relecteur dispose du temps et de la compétence nécessaires, ce qui n’est pas un détail. Former au doute plutôt qu’à la seule rédaction de prompts. Et prévoir dès le départ le chemin d’industrialisation : un agent métier devenu critique doit passer sous la responsabilité de l’IT, avec tests, supervision et budget, exactement comme le classeur de tarification qui a fini par devenir une application.
Enfin, mesurer la valeur dès le premier jour. Le tableur s’est imposé parce que son gain était évident pour chacun. Avec l’IA, le gain individuel est réel, mais sa traduction en résultat pour l’entreprise reste largement à démontrer, et c’est précisément ce qui nourrit les abandons de projets.
En 1990, la question était de savoir qui avait construit ce classeur et si quelqu’un l’avait relu. En 2026, la question devient : qui a lancé cet agent, que peut-il faire, et qui le surveille ? Les DSI qui sauront y répondre avant le premier incident auront retenu la leçon du tableur. Les autres découvriront, comme JPMorgan, que les copier-coller les plus coûteux sont ceux que personne n’a vus.
Nous reparlerons de tout cela lors du prochain Briefing Calipia qui commence début décembre. Venez nous rejoindre il reste de la place 🙂