ChatGPT peut lire deux relevés bancaires en CSV et produire un résultat qui ressemble à un rapprochement. Il ne peut pas prouver que ce résultat est complet ou exact. Cette distinction compte : une seule ligne manquante, un montant dupliqué ou une correspondance erronée peut modifier le solde de clôture.

La question est de savoir si ChatGPT peut rapprocher des relevés bancaires CSV de façon fiable pour un arrêté mensuel. La réponse est non. Il peut aider à inspecter les en-têtes, expliquer des champs inconnus, suggérer des formules ou décrire une approche de mise en correspondance. Il ne doit pas être le système qui décide quelles transactions ont été rapprochées et si chaque ligne a bien été prise en compte.

Le problème est structurel. Un modèle de langage génère une réponse plausible à partir des données et des instructions qu'il reçoit. Un rapprochement exige une comparaison déterministe dans laquelle chaque ligne des deux fichiers est soit rapprochée, soit non rapprochée, soit signalée comme anomalie.

Ce qui se passe quand vous importez deux fichiers CSV bancaires

Supposons que le premier fichier contient l'export de transactions de la banque :

Le second fichier contient les transactions enregistrées dans le grand livre :

Un rapprochement correct doit associer la ligne bancaire 19 à la ligne 44 du grand livre, associer la ligne bancaire 20 à la ligne 45, et laisser la ligne bancaire 18 sans correspondance. Les deux virements ont la même date et le même montant. Seule la référence les distingue.

ChatGPT peut décrire le résultat correctement. Il peut aussi associer la ligne 44 du grand livre à la ligne bancaire 18 parce que la date et le montant semblent cohérents, puis signaler un virement non rapproché sans conserver la relation réelle entre les lignes. Les totaux peuvent rester vraisemblables alors que la mise en correspondance est incorrecte.

C'est un faux positif. Le résultat indique qu'une transaction a été rapprochée — mais ce n'est pas la bonne.

Les trois limites qui rendent le résultat non fiable

Les fichiers volumineux peuvent être traités partiellement

Un CSV est du texte. Chaque en-tête, date, référence, libellé, délimiteur et montant consomme une partie du contexte disponible du modèle. Un fichier à cinq colonnes et des références courtes consomme moins d'espace qu'un fichier à vingt colonnes et de longs libellés de paiement.

Quand le contexte disponible est dépassé, le jeu de données complet ne peut pas être analysé en une seule réponse. Selon l'interface et la gestion de l'import, le fichier peut être résumé, fractionné ou n'être représenté que partiellement dans le contexte de travail du modèle. Un export de transactions contenant des milliers de lignes peut donc produire une réponse fondée sur moins de lignes que le fichier n'en contient.

Le danger ne tient pas seulement à cette limite. Il tient au fait qu'un résumé bien présenté peut sembler complet.

Avant de faire confiance à un résultat, vérifiez ces décomptes :

Le calcul doit être cohérent. Si le fichier A contient 4 850 lignes de données, les sorties rapprochées et non rapprochées doivent rendre compte des 4 850. Une formulation comme « la plupart des transactions ont été rapprochées » ne prouve rien sur les lignes manquantes.

Les montants peuvent sembler calculés sans qu'aucun calcul ne soit traçable

ChatGPT peut générer des formules et peut utiliser des outils de calcul dans certains environnements. Le problème est qu'un nombre figurant dans une réponse écrite ne montre pas, en lui-même, comment il a été obtenu.

Considérez ces quatre montants :

La troisième paire diffère de 27,00. Le problème n'est pas de savoir si ChatGPT peut détecter cet écart — c'est que le 27,00 dans sa réponse est du texte généré, et non le résultat visible d'une soustraction que vous pouvez relancer. Il peut indiquer 27,00, indiquer 17,00, ou qualifier la paire de rapprochée, et rien dans la réponse ne montre quel calcul a produit ce chiffre. Il en va de même pour tout total affiché : sur des centaines de valeurs similaires, un total affiché est la prédiction du modèle sur ce que le total devrait être, pas la preuve que chaque ligne a bien été additionnée.

Aucune cellule à inspecter, aucune chaîne de formules à suivre, aucune garantie que le total affiché a été recalculé à partir de chaque ligne source. Vous devez reconstruire la vérification en dehors de la réponse. À ce stade, ChatGPT ne réalise pas le rapprochement sur lequel vous pouvez vous appuyer. Il rédige une interprétation qui nécessite encore d'être rapprochée.

La réponse n'est pas un relevé de correspondance ligne par ligne

C'est la limite décisive. Un rapprochement n'est pas complet parce que les totaux concordent. Il est complet quand la relation entre les deux fichiers est visible.

Un rapport vérifiable doit contenir :

• Chaque ligne du fichier A.
• Chaque ligne du fichier B.
• La ligne exacte du fichier A associée à chaque ligne du fichier B.
• Le ou les champs utilisés pour cette mise en correspondance.
• Chaque ligne non rapprochée des deux fichiers.
• Des indicateurs distincts pour les écarts de montant, de date et de référence.

Une réponse en mode conversation met généralement en avant la conclusion : combien d'enregistrements ont été rapprochés, quelles catégories diffèrent, quelles en sont probablement les causes. Elle ne crée pas en soi un enregistrement durable ligne par ligne prouvant qu'aucune ligne source n'a été sautée ou réutilisée.

Sans cet enregistrement, vous ne pouvez pas répondre à une question de révision de base : « Quelle transaction bancaire exacte a été associée à cette écriture comptable, et pourquoi ? »

ChatGPT est utile avant et après la mise en correspondance

Cette limite ne rend pas ChatGPT inutile dans le processus. Elle signifie que le modèle ne doit pas être le moteur de correspondance.

Il peut vous aider à :

• Identifier qu'un fichier utilise Transaction Date tandis que l'autre utilise Posting Date.
• Suggérer un format de date normalisé.
• Expliquer pourquoi les colonnes débit et crédit peuvent devoir être regroupées en une seule colonne de montant signé.
• Rédiger une formule Excel pour un contrôle structuré.
• Résumer un rapport d'anomalies après que les correspondances ligne par ligne ont déjà été vérifiées.
• Transformer une liste vérifiée d'anomalies en explication destinée au client.

Ce sont des tâches de langage, de structure et d'interprétation. Elles conviennent à un modèle de langage. Décider que la ligne bancaire 8 417 est la même transaction que la ligne 7 992 du grand livre est une tâche de comparaison de données. Elle requiert une règle reproductible et un résultat inspectable.

Si vous restez sous Excel, utilisez un processus qui rend compte de chaque ligne et conserve la base de correspondance. Ce guide sur la comparaison de deux relevés bancaires CSV sans formules couvre l'approche de comparaison de fichiers sans s'appuyer sur une réponse conversationnelle comme preuve.

Ce qu'un rapport de rapprochement fiable doit contenir

N'évaluez pas un outil sur la vraisemblance de son résumé. Évaluez le résultat.

La base de correspondance doit être explicite. Un identifiant de référence solide peut suffire à une correspondance exacte. Le montant combiné à la date peut suggérer une correspondance candidate, mais elle devient ambiguë quand des montants identiques existent. Le libellé peut aider à la révision, mais il ne doit pas contredire discrètement une référence conflictuelle.

Le rapport doit aussi conserver les anomalies. Une transaction non rapprochée n'est pas un rapprochement raté. C'est une sortie utile. L'échec consiste à masquer cette transaction dans un résumé ou à la forcer dans la mauvaise paire pour afficher un taux de correspondance plus élevé.

Pour approfondir cette exigence, pourquoi la correspondance par IA sans piste d'audit ne peut pas être fiable explique ce qui doit être visible avant qu'un résultat puisse être défendu.

Comment intégrer ChatGPT dans le processus sans risque

Si vous souhaitez impliquer ChatGPT, délimitez son rôle :

1. Conservez les fichiers CSV d'origine sans les modifier.
2. Notez le nombre de lignes de données de chaque fichier avant tout traitement.
3. Définissez la clé de correspondance en dehors de ChatGPT.
4. Effectuez la comparaison ligne par ligne dans Excel ou avec un outil de rapprochement déterministe.
5. Vérifiez que les lignes rapprochées et non rapprochées rendent compte des deux fichiers source dans leur intégralité.
6. Donnez à ChatGPT uniquement les anomalies vérifiées si vous souhaitez de l'aide pour en expliquer les schémas ou rédiger des notes.

Cela tient le modèle à l'écart de la seule décision que vous devez pouvoir reproduire : quelles lignes sources ont été associées.

Cela protège aussi le processus d'une erreur fréquente. Quand ChatGPT renvoie une réponse convaincante, la tentation est de ne revoir que les anomalies qu'il mentionne. Vérifiez d'abord la couverture totale des lignes. L'absence d'une liste d'anomalies ne prouve pas que toutes les transactions ont été rapprochées.

ChatGPT peut vous aider à comprendre deux relevés bancaires en CSV. Il peut aider à préparer les colonnes, suggérer des contrôles et expliquer les écarts vérifiés. Il ne peut pas remplacer la comparaison ligne par ligne et la piste d'audit qui rendent un rapprochement défendable.