ChatGPT peut retourner un montant incorrect alors que les deux fichiers sources contiennent la valeur exacte. Le résultat peut sembler convaincant : les totaux sont formatés, les écarts sont commentés, la réponse annonce que le rapprochement est terminé. Ce qui manque, c'est la preuve que chaque montant figurant dans la réponse provient bien de la bonne ligne.
C'est là le problème central de ChatGPT en rapprochement. Une réponse générée est du texte produit. Un rapprochement est une comparaison contrôlée où chaque ligne source doit être comptabilisée, chaque paire rapprochée doit être visible, et chaque écart doit rester identique à sa valeur d'origine.
Un écart de cinq cents peut disparaître dans une réponse vraisemblable
Prenons deux fichiers simples. L'export du grand livre contient cinq transactions :
| Ledger reference | Amount |
|---|---|
| TX-8041 | $148.25 |
| TX-8042 | $920.00 |
| TX-8043 | $148.25 |
| TX-8044 | $63.90 |
| TX-8045 | $411.70 |
| Total | $1,692.10 |
Le fichier bancaire contient les mêmes références, mais un montant diffère :
| Bank reference | Amount |
|---|---|
| TX-8041 | $148.25 |
| TX-8042 | $920.00 |
| TX-8043 | $148.20 |
| TX-8044 | $63.90 |
| TX-8045 | $411.70 |
| Total | $1,692.05 |
Une comparaison ligne par ligne correcte produit quatre correspondances et un écart de montant :
| Reference | Ledger amount | Bank amount | Difference | Status |
|---|---|---|---|---|
| TX-8041 | $148.25 | $148.25 | $0.00 | Matched |
| TX-8042 | $920.00 | $920.00 | $0.00 | Matched |
| TX-8043 | $148.25 | $148.20 | $0.05 | Amount mismatch |
| TX-8044 | $63.90 | $63.90 | $0.00 | Matched |
| TX-8045 | $411.70 | $411.70 | $0.00 | Matched |
Une réponse ChatGPT vraisemblable peut au contraire indiquer que les cinq références concordent et répéter $1,692.10 comme total pour les deux fichiers. Le modèle a reconnu un schéma fort : des références qui correspondent, des valeurs presque identiques, et un utilisateur qui demande un rapprochement terminé. La phrase « toutes les transactions sont rapprochées » correspond à ce schéma. Elle est aussi fausse.
Le risque n'est pas une erreur arithmétique évidente. C'est une réponse soignée qui efface l'écart que le rapprochement était censé mettre en évidence.
Le montant figurant dans la réponse n'est pas automatiquement un montant vérifié
Quand ChatGPT répond en mode conversationnel, il génère la suite la plus vraisemblable de la réponse à partir des informations disponibles dans son contexte. Ce processus est utile pour expliquer un écart, rédiger une note client ou suggérer des vérifications. Ce n'est pas la même chose qu'une comparaison déterministe qui doit conserver chaque ligne et chaque valeur.
Cette distinction devient critique quand le prompt demande à ChatGPT de faire plusieurs choses à la fois :
- Lire deux fichiers
- Identifier les colonnes pertinentes
- Apparier les transactions
- Calculer les écarts
- Totaliser les résultats
- Commenter les exceptions
- Mettre en forme le rapport final
Chaque étape suppose que la précédente est complète. Si une ligne est omise lors de la lecture du fichier, le total est faux. Si deux montants identiques sont appariés aux mauvaises références, le nombre de correspondances est erroné. Si une valeur est reformatée ou déduite de lignes voisines, l'explication peut être cohérente alors que la comparaison sous-jacente ne l'est pas.
Le modèle peut également produire une nouvelle réponse si on lui demande de « vérifier à nouveau ». Cette deuxième réponse n'est pas un contrôle indépendant. C'est une autre réponse générée à partir du même prompt, des mêmes fichiers et de la même conversation. Le fait que deux réponses concordent ne prouve pas que l'une ou l'autre a traité chaque ligne source.
C'est pourquoi un rapprochement de relevé bancaire par ChatGPT peut ressembler à un travail terminé sans fournir les contrôles attendus d'un travail terminé.
Les montants en double font paraître correcte une réponse erronée
L'exemple contient deux transactions du grand livre à $148.25. C'est courant en facturation récurrente, en honoraires fixes, en paie et en règlements fournisseurs. C'est aussi là que le rapprochement par montant devient ambigu.
Si le processus apparie les lignes par montant avant de vérifier la référence, TX-8041 et TX-8043 deviennent interchangeables. Une ligne bancaire à $148.25 peut être associée à la mauvaise ligne du grand livre. L'autre ligne du grand livre peut ensuite être appariée à $148.20 parce que les valeurs sont proches. Le résumé peut toujours afficher cinq transactions rapprochées, notamment si le prompt autorise une correspondance approximative.
Les totaux ne révèlent pas l'erreur d'appariement. Même un total général correct ne prouverait pas que les bonnes transactions ont été associées entre elles.
Le rapprochement financier nécessite donc deux contrôles distincts :
- L'écart total entre les deux fichiers.
- L'identité et le montant de chaque paire rapprochée.
Les erreurs de rapprochement de ChatGPT passent souvent le premier contrôle parce qu'un total récapitulatif peut sembler raisonnable. Elles échouent au second parce qu'il n'existe aucun enregistrement stable au niveau de la ligne montrant que la ligne 17 du Fichier A a été comparée à la ligne 42 du Fichier B sur la référence TX-8043.
Des lignes peuvent disparaître avant que les montants soient comparés
Une erreur de montant ne commence pas toujours par un calcul. Elle peut commencer lors de la lecture du fichier.
Les CSV de transactions occupent du contexte à travers chaque en-tête, référence, date, description, code devise et valeur décimale. Les fichiers volumineux peuvent ne pas tenir entièrement dans le contexte disponible du modèle. Un fichier contenant des milliers de lignes peut n'être que partiellement représenté, selon le nombre de colonnes et la longueur des valeurs.
Si des lignes sont omises, le modèle peut tout de même produire une réponse d'apparence complète. Il peut calculer un total à partir de la portion traitée, décrire les éléments non rapprochés de cette portion, et présenter le résultat comme s'il couvrait l'export complet. Les lignes manquantes n'apparaissent pas comme des erreurs parce qu'elles n'ont jamais atteint la comparaison.
Le formatage peut créer un échec similaire sur des fichiers plus petits :
- Les parenthèses autour des montants négatifs peuvent être lues de façon incohérente.
- Les séparateurs de milliers peuvent être confondus avec les délimiteurs CSV.
- Les symboles monétaires peuvent faire traiter les valeurs comme du texte.
- Les champs vides peuvent décaler les valeurs lors de l'analyse d'une ligne mal formée.
- Les références longues peuvent être tronquées ou représentées différemment.
- Des colonnes débit et crédit séparées peuvent être interprétées comme une seule colonne de montant signé.
Ce ne sont pas de simples problèmes de présentation. Si ($1,250.00) devient $1,250.00, le rapprochement est faux de $2,500. Si un champ vide décale une valeur dans la mauvaise colonne, le modèle peut associer le bon montant à la mauvaise transaction.
Quand une ligne semble manquante, utilisez une méthode au niveau source pour retrouver la transaction manquante entre les deux fichiers. Ne vous fiez pas au résumé du chat pour prouver qu'il a traité la ligne.
Un résumé ne remplace pas un enregistrement de rapprochement
La différence entre une sortie vraisemblable et une sortie vérifiable se voit dans la structure du rapport.
| Exigence | Sortie de rapprochement en mode chat | Sortie de rapprochement vérifiable |
|---|---|---|
| Couverture des sources | Une affirmation indiquant que les deux fichiers ont été examinés | Chaque ligne des deux fichiers figure dans le rapport |
| Transactions rapprochées | Un nombre ou un résumé narratif | Chaque ligne du Fichier A est liée à une ligne spécifique du Fichier B |
| Critère de rapprochement | Déduit du prompt | Référence, montant, date ou combinaison définie est indiquée |
| Écarts de montant | Exceptions sélectionnées | Chaque paire inégale affiche les deux montants sources et l'écart |
| Lignes non rapprochées | Un total ou une liste courte | Chaque ligne non rapprochée est listée avec sa source |
| Recalcul | Un total généré | Les totaux peuvent être reproduits à partir des lignes exportées |
Sans la colonne de droite, il est impossible de distinguer un résultat correct d'un résultat convaincant. Une piste d'audit pour le rapprochement par IA n'est pas un historique de conversation ni une copie du prompt. C'est la preuve au niveau de la ligne qui sous-tend le résultat.
Comment vérifier un rapprochement ChatGPT avant de l'utiliser
Si ChatGPT a déjà produit un rapprochement, traitez la réponse comme un brouillon non vérifié. Vérifiez-la par rapport aux fichiers sources dans cet ordre.
1. Vérifiez le nombre de lignes sources
Comptez les lignes de données dans les deux fichiers d'origine. Confirmez ensuite que le résultat comptabilise le même nombre de lignes comme rapprochées, non rapprochées ou signalées. Un résultat qui couvre 487 lignes sur 500 est incomplet, même si ses totaux s'équilibrent.
2. Recalculez les totaux des deux fichiers en dehors de la réponse
Utilisez une formule de tableur, un total de rapport comptable ou un script déterministe. Comparez ces totaux avec les montants indiqués par ChatGPT. Ne demandez pas au même chat de valider son propre total.
3. Exigez les deux valeurs sources pour chaque correspondance
Une ligne rapprochée doit afficher la référence et le montant de chaque fichier. Un montant consolidé unique masque quelle valeur source a été utilisée.
4. Examinez les montants en double
Filtrez les montants qui apparaissent plus d'une fois. Confirmez que chaque doublon a été apparié à l'aide d'une référence unique ou d'une autre clé défendable. Le montant associé à une date proche ne suffit pas quand plusieurs transactions partagent ces valeurs.
5. Recalculez chaque écart indiqué
Pour chaque exception, soustrayez le montant bancaire du montant du grand livre à l'aide d'un calcul déterministe. Vérifiez les signes ainsi que les valeurs absolues. Un débit de $25 apparié à un crédit de $25 n'est pas un écart nul.
6. Retracez chaque ligne non rapprochée jusqu'à sa source
Chaque élément non rapproché doit exister dans un fichier d'origine et être absent de l'autre selon la règle de rapprochement définie. Si le résultat ne peut pas identifier la ligne d'origine, l'exception n'est pas prouvée.
Ces vérifications peuvent valider un résultat de petite taille. Pour un rapprochement récurrent ou à fort volume, effectuer les six manuellement revient à refaire la majeure partie du rapprochement. Cela annule l'intérêt de charger les fichiers dans ChatGPT.
À quoi ressemble une sortie fiable
Une sortie de rapprochement fiable ne vous demande pas de faire confiance à un récit. Elle vous permet d'inspecter la comparaison.
Chaque ligne source doit se terminer dans l'un de trois états : rapprochée, non rapprochée ou signalée. Chaque ligne rapprochée doit identifier son homologue et le critère de rapprochement. Chaque écart de montant doit conserver les deux valeurs d'origine. Les totaux doivent pouvoir être reproduits à partir du rapport, non acceptés parce que l'explication paraît cohérente.
Cela ne rend pas ChatGPT inadapté à toutes les étapes du flux de travail. Il peut aider à rédiger une explication d'exception une fois les montants vérifiés. Il peut suggérer des causes probables pour un écart de date ou de référence. La limite est le résultat financier lui-même. Les chiffres nécessitent une comparaison déterministe et un enregistrement au niveau de la ligne.
