Le Cornell AI Innovation Hub raconte (15 juin 2026) comment une collaboration de deux semestres a permis de récupérer 100 000 $ de paiements non identifiés grâce à l'IA. Le problème : chaque année, Cornell reçoit des centaines de virements et paiements ACH sans information suffisante pour les router (pas de numéro de facture, nom de fournisseur vague). Les fonds s'accumulent dans un compte d'attente — backlog actif ~1 M$, pic historique 4 M$ — et la loi de l'État de New York impose l'escheatment s'ils ne sont pas résolus à temps. Deux agentes de la trésorerie y passaient jusqu'à une demi-journée par jour.
La structure du projet illustre le framework Leader-Lab-Crowd d'Ethan Mollick. Le Lab, c'est l'AI Hub (Pete Stergion et Phil Williammee, co-tech leads, plus une cohorte d'étudiants). La Crowd, c'est la Trésorerie (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation), détentrice de la connaissance métier et des données — Kevin fournit 3 ans d'historique GL Oracle (10 000+ enregistrements). L'analyse étudiante dégage l'insight clé : 99 % des paiements portent un nom de fournisseur, contre moins de 4 % un numéro de facture.
contexte d'abord, plan puis build
La construction suit une discipline « contexte d'abord, plan puis build » : via Claude Code Plan Mode, l'équipe charge tout le contexte (notes, processus manuel, prototypes, données assainies) ; Claude Code propose une architecture à valider avant d'écrire du code. D'un semestre de notes naît un outil en une seule session. Le pipeline Python (exposé comme skill /treasury) enchaîne trois étapes : fuzzy matching sur le GL (filtrage des mots-bruit Inc/LLC/Corp), recherche fournisseur via Gemini Enterprise Web Search, puis synthèse Claude produisant pour chaque paiement un département probable, un niveau de confiance et un contact. Sortie : un Excel trié par confiance, en quelques minutes — le tout dans le Cornell AI Gateway gouverné (PII retirées, pas d'entraînement externe).
Le backtest (9 131 paiements résolus) montre 97 % → 100 % de précision pour les fournisseurs récurrents avec la chaîne IA, et 76 % → 100 % pour les inconnus. Limite documentée : les fournisseurs multi-départements. Résultat opérationnel : 23 départements contactés, 7 réponses, 5 paiements = 100 000 $ confirmés.
Au-delà du chiffre, le cas est un contre-exemple au récit « l'IA ne crée pas de valeur métier » : elle en crée parce qu'on a réuni un Lab, une Crowd experte et un vrai travail de fond. Et les 100 000 $ jouent le rôle de récompense visible chère à Mollick — la preuve tangible qui légitime et diffuse l'adoption, en retirant la corvée plutôt que les emplois. « The $100,000 is a start. »