Gestion de participations

Contexte & situation

Un portefeuille de participations communales couvre régulièrement régies, sociétés de logement, transports, hôpitaux et syndicats intercommunaux — chacun avec sa comptabilité, son rythme de reporting et son système propre. La gestion des participations doit en former une vue de pilotage unique, conforme au code des communes, au rapport de participations et aux instances du conseil.

Cette tâche n'est pas d'abord un problème de calcul mais un problème de preuve. Le conseil, la chambre des comptes et le public peuvent attendre que chaque chiffre reporté soit étayé et que le chemin vers lui soit traçable. Avec l'entrée en vigueur progressive de l'EU AI Act, cette attente passe de bonne pratique à exigence réglementaire : les systèmes qui préparent des décisions doivent offrir journalisation (art. 12) et transparence (art. 13).

Les ETI et les acteurs publics font face au même dilemme : ils ont besoin de la vitesse du logiciel mais ne peuvent renoncer à la traçabilité d'un dossier papier — et surtout pas l'échanger contre une boîte noire.

Le problème

La voie habituelle est la consolidation manuelle sur tableur. Les chiffres sont ressaisis ou copiés-collés depuis des rapports PDF, des états financiers et des exports ERP. Chacune de ces étapes rompt le lien entre le chiffre et sa source : au bout, un nombre figure dans une cellule, mais personne ne peut prouver en quelques secondes de quel document, de quelle période et de quel calcul il provient.

Le réflexe de résoudre cela par l'IA générative aggrave le problème. Un modèle de langage qui « résume » des rapports produit des nombres plausibles sans chemin de calcul vérifiable et peut inventer des valeurs. En contexte de participations, c'est inacceptable : un chiffre non étayé n'est pas un chiffre mais un risque de responsabilité.

Points de défaillance concrets

• Les rapports arrivent dans des dizaines de formats et de rythmes.
• Les chiffres sont ressaisis à la main — source d'erreurs et vite dépassés.
• Les décisions manquent d'un chemin de calcul traçable jusqu'à la source.
• Les résumés génératifs inventent des chiffres et ne sont pas auditables.

La chaîne causale

Que le résultat final soit une décision non vérifiable ne tient pas à la diligence des personnes mais à une chaîne de cause à effet. Chaque maillon engendre le suivant :

1. 1
   Sources dispersées et hétérogènesimposent une consolidation manuelle
2. 2
   Consolidation manuellesépare le chiffre de sa preuve et introduit des erreurs de report
3. 3
   Preuves manquantes + erreursrendent chaque chiffre contestable
4. 4
   Chiffres contestablesconduisent à des décisions non vérifiables

Comment cNode résout

Dans un premier temps, cNode lit les sources pertinentes de façon déterministe — états financiers, exports ERP, comptes annuels, extraits de registre. « Déterministe » signifie : la même entrée produit toujours la même représentation structurée, sans qu'un modèle interprète librement.

Les données lues sont transférées dans un graphe de connaissances dont l'ontologie est fixe. Le système ne « devine » pas ce qu'un chiffre signifie — son sens est fixé par l'ontologie. Chaque chiffre est ainsi relié sans ambiguïté à une entité, une période et un document.

Sur ce graphe s'exécutent des calculs déterministes : indicateurs, agrégations et vues de portefeuille sont dérivés par des règles, de façon reproductible. Pour chaque affirmation dérivée, cNode conserve la source et le chemin de calcul complet.

Le modèle de langage n'intervient qu'à la toute fin — et seulement pour mettre en langage lisible les résultats déjà calculés et étayés. Il ne calcule pas, n'invente rien, il formule. Le chiffre reste prouvable et l'explication reste lisible.

Le processus déterministe

1. Lire les données de façon déterministe (états financiers, ERP, comptes annuels, registre).
2. Graphe de connaissances à ontologie fixe — chaque chiffre ancré sans ambiguïté.
3. Calcul déterministe — reproductible via une graine fixe.
4. Source + chemin de calcul stockés par affirmation.
5. Piste d'audit par donnée ; le LLM ne fait que verbaliser.

Le résultat

Le résultat est une vue de portefeuille à jour au lieu d'un patchwork de tableurs — et surtout une vue qui résiste à toute question. Pour chaque chiffre, source et chemin de calcul s'appellent en un clic ; la note de décision porte en elle sa chaîne de preuve. Ce qui coûte aujourd'hui des semaines de rapprochement manuel devient une dérivation répétable et documentée.

Méthodologie & vérifiabilité

Ici, la vérifiabilité n'est pas une fonctionnalité ajoutée après coup mais un principe de conception. Chaque affirmation reportée référence le document dont elle provient et le chemin de calcul par lequel elle est née. Parce que le calcul est déterministe et reproductible via une graine fixe, la même base de données produit de façon démontrable le même résultat — condition première de tout audit.

La piste d'audit par donnée se rattache aux art. 12 (journalisation) et 13 (transparence) de l'EU AI Act ; le traitement suit la sous-traitance selon l'art. 28 du RGPD, au choix à Francfort ou entièrement on-prem jusqu'à air-gapped. Les données clients ne servent pas à l'entraînement.