# Évaluation d'un pipeline de rapprochement financier

> Découvrez comment évaluer un pipeline de rapprochement financier. Mesurez la localisation, la fidélité des valeurs, la correspondance conceptuelle et la qualité du verdict.

Published: 2026-10-25

Canonical: https://sygnet.ai/fr/blog/evaluation-pipeline-rapprochement-financier

---

## À retenir
- La précision au niveau des champs n'est pas le bon indicateur ici : ce que vous livrez, c'est un **verdict de rapprochement** par chiffre (concordance, écart expliqué, écart inexpliqué). Votre jeu d'évaluation doit donc être annoté au niveau des triplets (chiffre du CIM, chiffre de la liasse fiscale, chiffre audité), et non cellule par cellule.
- Les benchmarks le confirment : l'extraction n'est que la moitié facile du problème. Sur FinSheet-Bench, la précision s'effondre, passant d'environ 89% sur des recherches simples à environ 20% sur des agrégations complexes, tous modèles confondus, ce qui correspond exactement au profil d'une tâche de rapprochement.
- Intégrez des marges de tolérance dans la vérité terrain : un écart de 3 000 € entre une liasse fiscale et des comptes audités relève de l'arrondi, un écart de 300 000 € constitue un constat. Un score binaire de correspondance exacte ne fait pas la différence et pénalisera un pipeline pourtant correct.
- Ces chiffres ont un impact commercial réel : GF Data a constaté que les vendeurs se présentant avec une QoE sell-side obtenaient en moyenne un multiple de 7,4x TEV/EBITDA, contre 7,0x pour ceux qui n'en avaient pas. Une fausse assurance produite par un moteur de rapprochement a donc un coût chiffrable.

## Pourquoi un pipeline de rapprochement nécessite-t-il une évaluation différente d'un pipeline d'extraction classique ?

Parce que le résultat produit est une comparaison, et non une valeur, et les comparaisons échouent de manières que les métriques d'extraction sur document unique ne révèlent jamais. Un outil de parsing peut lire correctement « EBITDA 12 480 » dans le CIM et « Résultat d'exploitation 11 920 » dans la liasse fiscale, obtenir 100% de précision au niveau des champs, et produire malgré tout un verdict inutilisable, car les deux libellés ne désignent pas le même concept. Les liasses fiscales françaises (formulaires 2052/2053 pour le compte de résultat, 2050/2051 pour le bilan) utilisent les postes du référentiel comptable français ; les comptes consolidés audités peuvent être établis en normes IFRS ; le CIM affiche un EBITDA ajusté, pro forma, retraité par le management. Trois définitions différentes pour « le même chiffre ».

L'unité d'évaluation devient donc le triplet mis en correspondance, assorti de l'ajustement qui permet de le relier. La Quality of Earnings représente environ 30% de l'effort de due diligence financière côté acheteur, et couvre le rapprochement de l'EBITDA, l'identification des éléments exceptionnels et les ajustements de pro forma en rythme annualisé, avec pour livrable un pont d'EBITDA ajusté (bridge). Votre pipeline rédige en pratique ce pont. C'est donc ce pont qu'il faut évaluer.

> Un outil de parsing qui lit chaque cellule à la perfection mais fait correspondre « résultat d'exploitation » à « EBITDA ajusté » n'a pas commis une erreur d'extraction, il a commis une erreur de rapprochement, et seule la seconde n'apparaît pas dans la précision au niveau des champs.

## Que doit réellement contenir le jeu de vérité terrain ?

Une vérité terrain de rapprochement est une table de triplets assortis d'un verdict et d'une tolérance, construite à partir d'opérations déjà closes sur lesquelles une équipe humaine a déjà fait le travail. Jeu minimal viable : 3 à 5 opérations historiques, 12 à 24 mois de périodes chacune, et environ 150 à 400 postes rapprochés par opération. En dessous, vos intervalles de confiance sur un taux d'erreur de 2% ne veulent rien dire.

Chaque ligne doit porter : le concept canonique (chiffre d'affaires, EBITDA, dette nette, BFR, capex), les valeurs sources avec la provenance (page et zone de délimitation) pour les trois documents, l'identité du document (CIM v3, liasse 2052 exercice 2023, comptes audités exercice 2023 signés), l'écart attendu, la catégorie d'explication (différence de référentiel comptable, différence de périmètre, retraitement non récurrent, reclassement, écart réel), et la tolérance exprimée à la fois en euros absolus et en points de base du chiffre d'affaires. Étiquetez délibérément les cas difficiles : comparatifs retraités, changement de date de clôture, filiale consolidée en cours d'année, éliminations intragroupe. Si votre jeu d'évaluation ne contient que des exercices « propres », vous ne mesurez rien. La version générique de cette démarche est détaillée dans notre [checklist d'évaluation de la précision d'extraction](https://sygnet.ai/checklists/extraction-accuracy-evaluation).

## Quelles métriques faut-il rapporter, et à quel seuil ?

Rapportez quatre métriques, séparément, car elles échouent indépendamment les unes des autres : localisation, fidélité des valeurs, correspondance conceptuelle, et qualité du verdict. Les fondre en un seul chiffre de « précision » masque l'étape qui a réellement échoué.

| Étape | Métrique | Seuil suggéré | Défaillance détectée |
|---|---|---|---|
| Structure du tableau | TEDS / alignement de cellules Needleman-Wunsch | ≥ 95% sur votre propre corpus documentaire | Cellules fusionnées, en-têtes multi-niveaux dans les PDF de liasses |
| Fidélité des valeurs | Correspondance numérique exacte après normalisation (milliers, parenthèses pour les négatifs, virgule décimale française) | ≥ 99,5% | Inversions de signe, erreurs d'unité, confusions OCR de chiffres |
| Correspondance conceptuelle | F1 macro sur le plan comptable canonique | ≥ 0,95 sur les 30 principaux concepts | Rattacher résultat d'exploitation à l'EBITDA |
| Verdict | Rappel sur les écarts réels, à taux de faux positifs fixé | Rappel ≥ 0,98 | La seule erreur que l'acheteur paie réellement |

Calibrez ces seuils par rapport à des référentiels publiés plutôt qu'aux déclarations des éditeurs. Sur FinTabNet, DocLD annonce une précision moyenne de 82,1% sur les tableaux, soit 4,1 points de plus que GTE d'IBM et 17,1 points de plus que TATR de Microsoft, tandis qu'une approche à base de transformeur spatial affiche un score TEDS de 98,09% sur FinTabNet. L'écart tient surtout à la définition de la métrique, et c'est bien là le propos : demandez systématiquement à chaque éditeur quel scoreur et quel split il utilise, sans quoi le chiffre ne signifie rien. Pour les arbitrages au niveau du parsing qui sous-tendent ces chiffres, voir [OCR vs VLM](https://sygnet.ai/ocr-vs-vlm).

## Comment évaluer l'« écart expliqué » sans récompenser des explications hallucinées ?

Évaluez les explications avec un test à double clé : la catégorie doit être correcte, et la preuve citée doit exister à l'endroit indiqué. Un LLM qui invente une « charge de restructuration non récurrente » pour un écart de 412 000 € et cite la note 7 des comptes audités aura raison 40% du temps par pur hasard, et se trompera d'une façon que la relecture humaine superficielle laissera passer.

Sur le plan opérationnel : exigez que chaque explication émette un pointeur de référence (identifiant du document, page, décalage de cellule ou de paragraphe). Calculez ensuite la précision des explications uniquement sur celles dont le pointeur renvoie à un texte contenant effectivement le chiffre. Toute explication sans pointeur obtient un score nul, quelle que soit sa plausibilité apparente. Dans notre expérience, cette seule règle fait chuter la performance apparente de 10 à 20 points au premier passage, et c'est le signal le plus utile que vous obtiendrez.

Gardez le calcul arithmétique hors du modèle. Les auteurs de FinSheet-Bench concluent qu'une extraction fiable de tableurs financiers nécessitera probablement des architectures qui séparent la compréhension documentaire du calcul déterministe. Laissez le modèle localiser et classifier ; laissez un moteur déterministe additionner le pont et le tester contre la tolérance. Votre évaluation se divise alors en deux moitiés nettes au lieu d'une seule moitié floue.

## À quoi ressemble un budget d'erreur réaliste sur une opération mid-market ?

Partez des heures des relecteurs, pas des benchmarks de modèles. Une data room mid-market contient de 5 000 à plus de 50 000 pages, et les équipes transactionnelles traitent couramment de 30 000 à plus de 100 000 documents. Si votre pipeline fait remonter 400 postes de rapprochement avec un taux de faux positifs de 5%, cela représente 20 alertes infondées qu'un analyste devra vérifier, à raison d'environ 25 minutes chacune : à peu près une journée perdue. Acceptable. Avec un taux de faux négatifs de 2% sur 400 postes, vous manquez 8 écarts réels, et l'un d'eux pourrait bien être l'ajustement de besoin en fonds de roulement qui fait bouger le prix.

Cette asymétrie doit être explicite dans votre fonction de score. Pondérez le rappel sur les écarts 5 à 10 fois plus que la précision, et rapportez la précision à rappel fixé plutôt qu'un F1. Les conséquences sont documentées : une enquête de l'ACG citée par ChatFin indique que 38% des acquéreurs américains ont découvert après la clôture des problèmes financiers significatifs qui figuraient pourtant dans la data room mais n'avaient pas été identifiés durant la due diligence. Mesurez aussi honnêtement le débit par rapport au calendrier de l'opération, sachant que la durée moyenne de la due diligence atteint désormais 203 jours, contre 124 jours avant 2013. Pour raisonner en unité économique plutôt qu'en pourcentages, le [coût par champ correctement extrait](https://sygnet.ai/blog/cost-per-correctly-extracted-field-the-true-parser-metric) constitue un cadre plus pertinent.

> Pondérez le rappel sur les écarts de cinq à dix fois par rapport à la précision, car un faux positif coûte vingt minutes à un analyste, tandis qu'un faux négatif coûte à l'acheteur un ajustement de prix.

## Comment tester la dérive et le chaos des versions de documents ?

Traitez le versionnage des documents comme une dimension de test à part entière, car dans une data room en activité, c'est la principale source d'erreur silencieuse. Les CIM sont réémis, les liasses sont modifiées, les comptes audités arrivent d'abord en version provisoire puis signée, et un pipeline qui mélange silencieusement un CIM v2 avec des comptes audités définitifs de l'exercice 2024 rapprochera deux chiffres qui n'étaient jamais censés coïncider.

Trois tests méritent d'être automatisés. D'abord, un test de confusion de version : injectez un CIM obsolète en parallèle du CIM actuel, et vérifiez que le pipeline retient bien le plus récent selon sa date déclarée, ou qu'il refuse de trancher. Ensuite, un test de périmètre : confrontez les comptes sociaux de la seule société mère aux comptes consolidés audités, et vérifiez que le pipeline signale un problème de périmètre plutôt que de rapporter un « écart » de 2 M€. Enfin, une suite de régression ancrée à des versions de modèle, rejouée à chaque mise à jour de prompt ou de modèle, car le comportement de correspondance évolue entre les versions de modèle, même quand l'extraction de tableaux reste stable.

Le contrôle des accès relève du même plan de test : les data rooms fonctionnent avec des permissions granulaires par soumissionnaire, des workflows de questions-réponses structurés et des pistes d'audit détaillées, et une couche d'extraction qui contourne ces mécanismes constitue en soi un constat. Sygnet publie sa [posture de sécurité et de conformité](https://sygnet.ai/security) précisément pour cette étape de revue, et documente le workflow côté transaction sous [M&A et due diligence](https://sygnet.ai/solutions/private-equity-due-diligence).

## FAQ
### Quelle taille doit avoir le jeu annoté pour une revendication de précision crédible ?

Pour une affirmation du type « 99% de fidélité des valeurs, ± 1 point », il faut de l'ordre de 1 000 à 2 000 champs numériques annotés, ce que fournissent généralement 3 à 5 opérations. Pour le rappel au niveau du verdict sur les écarts, la contrainte déterminante est le nombre d'écarts réels, pas le nombre de champs : visez au moins 50 écarts réels confirmés sur l'ensemble du jeu, sans quoi votre estimation du rappel varie fortement au gré d'un ou deux désaccords d'annotation.

### Un seul modèle peut-il gérer à la fois l'extraction et le rapprochement ?

Techniquement oui, mais les données disponibles déconseillent cette approche en production. FinSheet-Bench montre une précision qui chute de plus de 90% sur des recherches simples à un peu plus de 30% sur des calculs complexes pour les trois meilleurs modèles, les auteurs notant qu'aucune des dix configurations testées n'a produit de taux d'erreur acceptable pour une production non supervisée. Séparez les tâches : un modèle pour localiser et classifier, du code déterministe pour l'arithmétique et les tests de tolérance.

### Quelle tolérance doit déclencher une alerte entre liasse fiscale et comptes audités ?

Utilisez une règle en deux parties plutôt qu'un seuil unique en euros : signalez tout écart supérieur à max(25 000 €, 10 points de base du chiffre d'affaires) pour une cible mid-market, et signalez tout écart, quelle que soit son ampleur, sur une liste restreinte de postes sensibles (soldes entre parties liées, provisions, rattachement des produits à la bonne période, produits différés). Calibrez ces deux paramètres à partir de vos opérations historiques, et consignez les valeurs retenues dans la configuration d'évaluation afin que le score reste reproductible d'une version de modèle à l'autre.

### Cela change-t-il si la cible est basée à l'étranger ou publie ses comptes en IFRS ?

Oui, et cela modifie surtout la couche de correspondance. Ajoutez un champ de juridiction à chaque enregistrement de document, maintenez un plan comptable canonique unique assorti de tables de correspondance par juridiction, et évaluez la correspondance conceptuelle juridiction par juridiction. Un pipeline affichant un F1 macro de 0,96 sur des liasses françaises peut tomber autour de 0,80 sur des déclarations belges ou allemandes, et un score agrégé masquera complètement ce phénomène.