Retour au blog

10 prompts IA pour bâtir un rolling forecast trimestriel fiable en 2026

10 prompts IA pour bâtir un rolling forecast trimestriel fiable : drivers, scénarios, variance, narratif Comex. À copier-coller. Guide DAF 2026.

Arthur G.Arthur G.
5 min de lecture
10 prompts IA pour bâtir un rolling forecast trimestriel fiable en 2026

En résumé

Un rolling forecast trimestriel est un prévisionnel financier glissant qui projette toujours 4 trimestres futurs à partir des actuals et de drivers business explicites, plutôt qu'un budget annuel figé. Cet article fournit 10 prompts prêts à copier-coller pour le construire avec un LLM (Claude, ChatGPT, Gemini) : définition des drivers, baseline statistique, scénarios optimiste/central/pessimiste, variance plan vs actual, re-forecast trimestriel, cash 13 semaines, stress test, narratif Comex, modèle SaaS (MRR/ARR), audit qualité. Chaque prompt inclut persona, données attendues, livrables et garde-fous chiffrés. Cible : DAF et FP&A de scale-up B2B.

Pourquoi passer au rolling forecast piloté par IA

Le budget annuel figé est devenu un exercice peu utile : validé en mars pour un exercice qui démarre en janvier, il est souvent obsolète dès le second semestre. Le rolling forecast trimestriel (toujours 4 trimestres futurs glissants) corrige le tir, mais souffre traditionnellement de deux défauts : coût de production (3 à 4 semaines en ETI) et qualité inégale des hypothèses business. Les LLM résolvent les deux :

  1. Générer une baseline à partir des actuals + drivers + saisonnalité, sans repartir d'une feuille blanche.
  2. Documenter chaque hypothèse : ce qui change, pourquoi, fourchette de confiance.
  3. Tester des scénarios instantanément (3 leviers × 3 valeurs = 27 scénarios en 10 minutes).

Trois principes structurants pour les prompts ci-dessous :

  • Driver-based : pas de forecast sans liste explicite des drivers (volumes, prix, taux de churn, ramp-up commercial).
  • Horizon glissant : 4 trimestres futurs, jamais un stub jusqu'à décembre.
  • Traçabilité : chaque cellule du forecast doit pointer vers une hypothèse source.

Comment démarrer en 5 étapes (avant d'utiliser les prompts)

  1. Cadrer le périmètre : décider du grain (entité, segment, offre) et de la profondeur (P&L complet ou ligne directrice).
  2. Nettoyer les actuals 24 mois : supprimer les one-shots, harmoniser le plan de comptes, marquer les ruptures de périmètre (acquisitions, cessions).
  3. Choisir un LLM à confidentialité prouvée : Claude (Anthropic) ou ChatGPT Enterprise pour les données stratégiques. Pas de versions grand public.
  4. Définir les drivers avec le prompt 1, valider avec le métier, geler la liste.
  5. Enchaîner les prompts 2 → 10 dans l'ordre, en versionnant chaque sortie (date, auteur, modèle).

Tableau : quel prompt pour quel persona ?

Prompt Persona principal Fréquence d'usage
Prompt 1 — Drivers FP&A Lead 1 fois / an + revue trimestrielle
Prompt 2 — Baseline Contrôleur de gestion Mensuelle
Prompt 3 — Scénarios DAF Trimestrielle
Prompt 4 — Variance FP&A Mensuelle
Prompt 5 — Re-forecast FP&A Lead Trimestrielle
Prompt 6 — Cash 13 semaines Trésorier Hebdomadaire
Prompt 7 — Stress test DAF Trimestrielle / pré board
Prompt 8 — Narratif Comex DAF Trimestrielle
Prompt 9 — Modèle SaaS MRR/ARR FP&A SaaS Mensuelle
Prompt 10 — Audit qualité DAF / contrôleur senior Avant chaque publication

Prompt 1 - Définir les drivers du business

Cas d'usage : extraire les bons drivers pour piloter le forecast.

Persona : FP&A Lead.

Tu es FP&A Lead d'une scale-up B2B SaaS. À partir de la description de l'entreprise et du P&L des 24 derniers mois, propose une liste de 8 à 12 drivers business pour bâtir un rolling forecast. Réponds en français.

Données attendues :
1. P&L 24 mois (CA décomposé par offre + COGS + OPEX par poste).
2. Modèle de revenue (abonnement, transaction, services).
3. Cycle de vente moyen et structure commerciale (effectif, productivité).
4. Saisonnalité historique observée.

Livrables :
1. Tableau driver : nom, formule, source de données, fréquence, sensibilité (impact € si +/-10%).
2. Top 3 drivers expliquant 80 % du CA.
3. Top 3 drivers expliquant 80 % des COGS.
4. 3 drivers OPEX (recrutement, opex variable, opex fixe).
5. Pour chaque driver : risque d'instabilité et alternative.

Garde-fous :
- Privilégier les drivers observables mensuellement.
- Pas plus de 12 drivers (sinon ingouvernable).
- Si un driver est composite (ex. ARPU × nb clients), exposer les sous-composants.

Données : [COLLER ICI]

Résultat attendu : liste hiérarchisée de drivers avec sensibilité.

Bonnes pratiques pour prompter en FP&A

  • Choisir les drivers avant le modèle : 70 % de la qualité vient de là.
  • Standardiser le template : tous les forecasts dans le même format (l'IA et l'œil humain s'y retrouvent).
  • Versionner : chaque re-forecast = un instantané tracé (modèle, version, auteur, date).
  • Aller du global au détail : forecast top-down d'abord, validation bottom-up ensuite.
  • Brancher à votre EPM (Pigment, Anaplan, Cube, Mosaic, Drivetrain) : un prompt isolé = donnée figée.

Limites et points de vigilance

  • Effet "tendance linéaire" : les LLM extrapolent trop facilement. Toujours challenger l'hypothèse de croissance.
  • Hallucinations sur les calculs : vérifier au moins une fois les agrégations.
  • Confidentialité : un forecast est stratégique. LLM privé obligatoire (Claude, ChatGPT Enterprise), jamais de version grand public.
  • Biais d'optimisme : les drivers commerciaux sont souvent surestimés. L'IA reflète ce qu'on lui donne.
  • Pas de modélisation causale : l'IA ne sait pas que la récession Q3 a tué la croissance. C'est à vous de l'expliquer.

FAQ

Qu'est-ce qu'un rolling forecast trimestriel ?

Un rolling forecast trimestriel est un prévisionnel financier glissant qui projette toujours 4 trimestres futurs à partir des dernières données réelles. Contrairement au budget annuel, il est réactualisé chaque trimestre, ce qui en fait un outil de pilotage plutôt qu'un exercice budgétaire figé.

Mensuel ou trimestriel, quel rythme choisir ?

Mensuel pour le re-forecast cash (13 semaines), trimestriel pour le re-forecast P&L. Annuel pour le budget de cadrage stratégique. C'est la combinaison qui fonctionne en 2026 dans les scale-ups B2B.

Faut-il un outil EPM pour faire un rolling forecast ?

Pas obligatoire en dessous de 100 personnes. Au-delà, oui (Pigment, Drivetrain, Cube, Mosaic, Anaplan). Les LLM seuls ne remplacent pas la couche de modélisation collaborative.

Quel modèle d'IA utiliser pour le forecast ?

Claude (Anthropic) excelle sur la cohérence P&L / cash et la documentation des hypothèses. ChatGPT (avec Code Interpreter) est performant sur les calculs de variance. Gemini gère bien les longs tableaux historiques. Tester en parallèle sur un cas réel avant de standardiser.

Quel ROI mesurer sur l'IA en FP&A ?

Deux métriques actionnables : -50 % de temps de cycle forecast et -30 % d'écarts plan vs réel. Selon l'enquête RGP (200 DAF US, novembre 2025), seulement 14 % des DAF déclarent un ROI mesuré sur leur IA, et la cause principale est le manque de qualité des données : 35 % citent la confiance dans les données comme premier frein.

Le forecast IA remplace-t-il le contrôleur de gestion ?

Non. L'IA fait disparaître la tâche de saisie et de consolidation (qui représente environ 60 % du temps actuel) au profit du challenge des hypothèses (40 % aujourd'hui, jusqu'à 80-90 % demain). Le rôle évolue, il ne disparaît pas.

Faut-il commencer par les prompts ou par l'infrastructure de données ?

Par l'infrastructure. L'enquête Bain CFO Survey 2026 montre que seulement 12 % des fonctions finance ont déployé le ML en FP&A à grande échelle, et que les autres échouent moins par manque de prompts que par données incohérentes entre ERP, CRM et facturation.

Comment éviter les hallucinations sur les calculs ?

Trois réflexes : (1) demander au LLM de justifier chaque agrégation, (2) vérifier manuellement au moins 3 cellules clés du tableau généré, (3) faire passer le forecast par le prompt 10 (audit qualité) avant publication.

Conclusion

Le rolling forecast trimestriel n'est plus un luxe réservé aux ETI équipées Anaplan. Avec 10 prompts cadrés, une scale-up de 50 à 500 personnes peut tenir un cycle trimestriel propre, documenté, prouvé en 5 jours plutôt que 3 semaines. La condition n'est pas l'algorithme, c'est l'infrastructure de données et la discipline des hypothèses.

Découvrir Cleavr →

Pour aller plus loin

Sources