L’impact de l’IA sur les pratiques d’audit externe

Introduction.................................................................................................................................3

I. Revue de la littérature..............................................................................................................7

Section 1. L’audit externe.......................................................................................................7

1.1.1 Classification..............................................................................................................7

1.1.2. L’audit dans les Big 4...............................................................................................9

1.1.3. Risques d’audit..........................................................................................................9

1.1.4. Modèle de processus et avenir de l’audit................................................................11

1.1.5. L’avenir de l’audit...................................................................................................16

Section 2. Intelligence artificielle.........................................................................................17

1.2.1. Développement de l’intelligence artificielle...........................................................17

1.2.2. Classification et avenir de l’intelligence artificielle dans l’audit externe...............19

1.2.2.1. Classification de l’intelligence artificielle.......................................................19

1.2.2.2 L’avenir de l’intelligence artificielle................................................................23

1.2.2.2. Mise en œuvre de l’intelligence artificielle dans l’audit des Big 4..................25

II. Etude de cas : le cas des big four.........................................................................................26

Section 1. Méthodologie.......................................................................................................26

Section 2. Résultats...............................................................................................................27

2.2.1. Innovations actuelles en audit des Big 4.................................................................27

2.2.2. Avenir de l’IA dans l’audit des Big 4.....................................................................32

2.2.2.1. Applications actuelles et futures potentielles de l’IA en audit........................32

2.2.2.2. Innovation en audit au sein des Big 4..............................................................37

2.2.2.3. Analyse de l’implication future de l’IA dans l’audit des Big 4.......................38

2.2.2.4. Compétences requises pour un audit piloté par l’IA........................................39

2.2.3 Résultats des interviews...........................................................................................40

2.2.4 Préconisations..........................................................................................................45

1
Conclusion................................................................................................................................47

Bibliographie.............................................................................................................................49

Annexe : Guide d’entretien.......................................................................................................56

2
Introduction
L’intelligence artificielle (IA) est décrite comme une technologie émergente qui cherche à
reproduire ou à imiter les compétences cognitives et le jugement humains. Grâce à la
quatrième révolution industrielle (4RI), l’utilisation des technologies d’IA a pris de l’ampleur
dans tous les domaines de notre vie quotidienne. Par exemple, dans l’éducation, la sécurité, la
santé, l’ingénierie, l’informatique, l’agriculture, la banque, la comptabilité et les processus
commerciaux généraux, l’IA entraîne des changements profonds dans les processus et les
opérations. Lamrie et al.1 décrivent l’IA comme l’une des technologies de la 4RI les plus
polyvalentes, transformatrices et disruptives. Bien que différentes professions aient
transformé numériquement leurs processus, notamment en utilisant davantage les
technologies d’IA, les professions de l’audit et de la comptabilité ont été décrites comme
lentes à adopter l’IA2, malgré un terrain fertile pour son utilisation en raison de la diversité
des fonctions d’audit. Selon Lamri et al., les technologies d’IA et leur application en sont
encore à leurs balbutiements dans la profession d’audit et de comptabilité, bien que les
preuves de leur adoption croissante deviennent lentement visibles. Certaines fonctions d’audit
sont à forte intensité de main-d’œuvre et la prise de décision doit être fondée sur des preuves.
La pandémie de Covid-19 a nécessité l’adoption et l’application accrues de l’IA dans les
fonctions d’audit et de conseil des cabinets comptables. L’IA a été utilisée pour évaluer les
risques avant engagement, les risques de planification d’audit, les tests de transactions,
l’analyse des informations et la documentation d’audit. Arharbi et al. 3 font allusion au
développement accru et à l’utilisation massive de l’IA dans les analyses et l’interprétation des
données, affirmant qu’il s’agit d’un élément essentiel à l’avenir de la profession d’audit. Les
chercheurs présagent en outre que l’IA a été appliquée dans le processus d’audit pour
améliorer la prise de décision. L’adoption de l’IA dans la profession d’audit est essentielle
pour accroître l’efficience et l’efficacité de la fonction d’audit. Elle peut être utilisée pour
examiner les documents de travail, évaluer et recalculer les transactions commerciales,
évaluer les risques, évaluer la continuité d’exploitation, ainsi que pour détecter les fraudes et
les anomalies significatives.
1
Lamri, J., Tertrais, G., & Silver, A. (2023). Chapitre 1. Comprendre les IA génératives et leur portée. Questions
de société, 23-67.
2
Aziki, A., Fadili, M. H., & Ilahiane, N. (2023). Influence Sociale et acceptabilité de l’Intelligence Artificielle
par les Experts Comptables: une analyse conceptuelle. In actes du colloque international «transition durable des
organisations et communautes: enjeux et perspectives» (p. 240).
3
Arharbi, N., & El Aissaoui, Y. (2024). Vers un contrôle de gestion agile: l’intelligence Artificielle et le Big
Data pour la performance en environnement incertain. IJDAM• International Journal of Digitalization and
Applied Management, 1(2), 195-210.

3
Bien que les avantages potentiels de l’utilisation de l’IA dans la profession d’audit soient
évidents et convaincants, nous percevons subtilement les effets négatifs potentiels de son
application. Ces externalités négatives pourraient découler de conséquences éthiques et
d’implications sur la qualité de l’audit. Ces implications sur la qualité de l’audit concernent
l’analyse des données, la précision de l’analyse et une évaluation approfondie de
l’environnement commercial, améliorant ainsi les services aux clients.

Il est toutefois nécessaire de prêter attention aux conséquences imprévues, puisque l’IA
pourrait présenter des limites importantes lorsqu’elle est appliquée aux professions de
comptabilité et d’audit, notamment face à des systèmes complexes et aux limites inhérentes à
la combinaison des systèmes d’information humains et machines. Il existe toutefois des biais
potentiels et les implications éthiques liés à l’utilisation des outils d’IA en audit. Alors que
d’autres chercheurs voient l’adoption des technologies d’IA dans la profession d’audit avec
positivité et reconnaissent que l’IA a considérablement modifié le fonctionnement de la
profession, d’autres la perçoivent avec négativité, la considérant comme un recul pour la
profession4. Aujourd’hui, force est de constater que certains professionnels ne parviennent pas
à faire face à ce phénomène nouveau et aux modifications du processus d’audit associées à
l’utilisation de l’IA. Chong et al.5 soutiennent que, de manière générale, les humains ont
confiance en eux-mêmes plutôt qu’en les technologies d’IA et que la décision de rejeter ou
d’accepter les décisions de l’IA est motivée par cette confiance. De même, pour les experts-
comptables, l’impact de l’IA dans la profession d’audit est affecté par la dépendance, la
dépendance excessive ou la sous-dépendance de l’auditeur aux technologies de l’IA et aux
résultats qu’elles génèrent.

Dans le cadre de notre expérience professionnelle, nous avons pu voir les avantages de l’IA
pour les auditeurs.
Grâce à l’IA en effet, nous avons pu accéder aux informations et aux preuves requises dans le
cadre du processus d’audit en temps opportun. La fourniture rapide des informations a ainsi
amélioré leur exactitude et contribué à la fiabilité et à la transparence des auditeurs.

4
Clinquart, M., & Stempnierwsky, Y. L’intelligence artificielle est-elle un atout ou une menace pour le
comptable/expert-comptable?.
5
Chong, L., et al. (2022). Human confidence in artificial intelligence and in themselves: The evolution and
impact of confidence on adoption of AI advice. Computers in Human Behavior, 127, 107018.

4
En tant qu’auditeur, nous avons pu développer la comptabilité et la profession d’audit afin
d’accroître la compétitivité et de suivre le rythme des autres secteurs, tout en réduisant la
fraude et la corruption financière et administrative.

Aujourd’hui, nous avons compris que la profession d’audit et de comptabilité est considérée
comme l’une des plus touchées par l’utilisation de l’IA, car les auditeurs doivent s’adapter
aux systèmes comptables des entités auditées. Par conséquent, la profession d’audit ne peut
pas s’appuyer sur les méthodologies traditionnelles : les auditeurs doivent s’adapter aux
évolutions technologiques et améliorer leurs compétences techniques, technologiques et
intellectuelles de manière continue et appropriée. L’utilisation de l’IA dans le processus
d’audit peut contribuer à améliorer l’efficience et l’efficacité du processus d’audit externe.

Pour déterminer l’impact de l’IA sur l’audit, nous nous sommes posé plusieurs questions
importantes:

1) Quels sont les avantages de l’IA dans le domaine de l’audit ?

Nous pouvons tirer profit des technologies d’IA dans les contextes suivants :
Tirer parti des systèmes experts en audit : Les systèmes experts sont des systèmes
informatiques capables d’imiter la capacité décisionnelle d’un expert humain. En audit, les
systèmes experts offrent de nombreux avantages :
- Ils peuvent améliorer l’efficacité du processus d’audit, réduire les coûts, alléger la
charge de travail et fournir les résultats dans les délais.
- Les systèmes experts peuvent accroître la performance des auditeurs. En apprenant à
utiliser et à travailler avec les systèmes experts, les auditeurs acquièrent une formation
et une qualification qui renforcent leur efficacité. Les systèmes experts peuvent
également servir de référence documentaire pour les auditeurs.

Audit des contrats : L’utilisation de l’IA dans les procédures d’audit des contrats est la plus
courante, car un plus grand nombre de contrats peuvent être analysés en continu et en temps
réel. L’auditeur peut extraire automatiquement les données des contrats à l’aide d’outils de
programmation et identifier les éléments pertinents pour le traitement comptable, tels que la
date de début, le montant, les options de renouvellement et de résiliation du contrat, etc. Grâce
à l’IA, nous avons pu évaluer plus efficacement les risques liés au contrat.

5
Audit électronique et réduction des coûts : Le recours à l’audit électronique, ou la
numérisation des audits, contribue à réduire le coût des services d’audit et à accroître la
rentabilité des cabinets d’audit. L’utilisation de logiciels d’audit pour l’audit des états
financiers, par exemple, peut accélérer la réalisation des services d’audit. Pour ce faire, la
formation à leur utilisation est importante.

Capacité de l’IA à détecter la fraude : L’IA et l’apprentissage automatique peuvent être

utilisés pour détecter la fraude, car ces technologies contribuent à améliorer l’efficacité des
modèles d’analyse de données. Elle peut étudier les données et identifier les schémas qui
constituent des transactions frauduleuses.

Amélioration de la qualité de l’audit : Les audits électroniques et leur développement grâce

à l’IA permettent de gagner du temps et de l’énergie, et d’obtenir des résultats d’audit solides
et bien étayés. Par exemple, elle peut contribuer à détecter la fraude et les opérations de lutte
contre le blanchiment d’argent en répondant à des normes de qualité d’audit élevées.

Notre objectif est, compte tenu du contexte actuelle de l’ominiprésence de l’IA, d’en
comprendre l’utilisation et de l’utiliser à bon escient.

Un tel constat nous conduit à la problématique suivante : Dans quelle mesure l’IA impacte-
t-elle l’audit externe ?

Afin d’apporter des éléments de réponse à notre question, nous allons consacrer la première
partie de notre mémoire à la revue de la littérature. Pour la partie empirique, nous envisageons
une étude de cas, notamment celui des big four. Par la suite, nous allons confronter la pratique
à la théorie, avant d’émettre des préconisations et de conclure notre mémoire.

6
I. Revue de la littérature

Section 1. L’audit externe

La pratique de l’audit remonte à environ 3000 av. J.-C., à l’époque mésopotamienne, et était
également présente dans la Chine et l’Égypte antiques. Le mot « audit » vient du latin
« audire », qui signifie « audition ». À l’époque, un audit consistait à refaire le travail d’autrui
afin d’en garantir la crédibilité. L’observation, le comptage et la double vérification des
rapports constituaient la base de l’audit actuel6.

1.1.1 Classification

Selon El Fakir7, l’audit peut être classé selon ses principaux objectifs et le type de
bénéficiaires. Les principaux objectifs d’audit peuvent être classés en audits des états
financiers, audits opérationnels et audits de conformité. Le type de bénéficiaires désigne le
destinataire des services d’audit. Sur cette base, les audits peuvent être divisés en audits
internes et audits externes. Ces différents types d’audit partagent les caractéristiques
suivantes :
 l’examen systématique des éléments probants par rapport à des critères définis et
 la publication d’un rapport écrit pour communiquer les résultats de l’audit.
Les audits des états financiers et les audits externes constituent les services d’audit externe
fournis par les quatre plus grandes entreprises.

Classification selon les principaux objectifs d’audit

L’audit des états financiers est défini comme l’examen des états financiers préparés par la
direction d’une entité pour ses parties prenantes afin de s’assurer que les informations
contenues dans les rapports sont conformes à des critères spécifiques. Ceux-ci peuvent
différer d’un pays à l’autre, comme les normes internationales d’information financière
(IFRS) dans l’Union européenne et d’autres lois nationales sur les sociétés. Les entreprises
doivent fournir des éléments probants à l’appui de leurs états financiers, afin que les auditeurs
en garantissent l’exactitude8.
6
Ghandari, y., & Ouenzar, s. (2022). l’audit interne a l’ère de la transformation digitale: vers un nouveau role
facteurs de succes et challenges. Revue Française d’Economie et de Gestion, 3(5).
7
El Fakir, M. (2023). L’indépendance des auditeurs et la qualité de l’audit: Une revue de littérature
systématique. International Journal of Accounting, Finance, Auditing, Management and Economics, 4(2-1), 26-
44.
8
Si, M. B., & Maalemi, T. (2023). Le triangle d’or (audit externe, audit interne et comité d’audit), comme
dispositif de la gouvernance et de la qualité de l’information financière: Revue de littérature. Revue Française
d’Economie et de Gestion, 4(2).

7
L’audit opérationnel désigne l’évaluation et l’examen systématiques d’opérations spécifiques
d’une entité afin d’améliorer son efficacité et son efficience 9. L’efficacité peut être définie
comme une mesure de la performance par rapport à l’atteinte des buts et objectifs fixés.
L’efficience indique la manière dont les ressources ont été utilisées pour atteindre ces
objectifs. Ces deux critères ne sont pas soumis à des normes spécifiques par rapport aux
normes IFRS et tendent donc à prendre en compte des opinions plus subjectives. Ce type
d’audit ne se limite pas au service comptable, mais s’étend à d’autres fonctions comme le
marketing, les opérations, la production et tout autre domaine nécessitant une évaluation de la
performance.

L’audit de conformité est un type d’audit qui vise à examiner les procédures d’une entité afin
de garantir leur conformité aux règles et réglementations établies par la direction ou
l’organisme de réglementation10. Il peut être réalisé par un auditeur interne ou externe, qui
rend ensuite compte à la direction. Bien que ce type d’audit soit généralement associé aux
auditeurs gouvernementaux (par exemple, l’audit de la conformité d’une banque aux
exigences de réserves de capital), les audits internes aux entreprises incluent un audit de
conformité basé sur les procédures de contrôle interne.11

Classification selon le type de bénéficiaires de l’audit

Les auditeurs peuvent être classés en auditeurs externes indépendants et auditeurs internes.
Les auditeurs externes sont des parties externes qui effectuent un audit d’une entité selon les
exigences proposées par les audités. Leur objectif principal est d’auditer les états financiers
des sociétés cotées et non cotées. Pour réaliser cet audit, les auditeurs externes doivent être
certifiés par un organisme comptable professionnel (tel qu’un expert-comptable, ou un
organisme public). Les auditeurs internes sont des auditeurs employés par une entité pour
examiner son efficacité opérationnelle. Leur objectif principal est d’auditer les contrôles
internes, et leur champ d’intervention comprend généralement des audits de fonctionnement
et de conformité. La plupart des auditeurs internes sont des employés internes, bien que la

9
Carassus, D., & Gregorio, G. (2003). Gouvernance et audit externe légal: une approche historique comparée à
travers l’obligation de reddition des comptes. In Neuvièmes journées d’histoire de la comptabilité et du
management.
10
Chauvey, J.-N. et Naro, G. (2023). Contrôle interne et management des risques : de la compliance à la stratégie
Le cas d’une cartographie des risques dans une compagnie d’assurance française. Comptabilité Contrôle Audit,
Tome 29(3), 85-129.
11
Ibid.

8
pratique de l’externalisation des audits internes auprès d’experts-comptables ait
considérablement augmenté ces dernières années12.

1.1.2. L’audit dans les Big 4

Les Big 4 sont composés de Deloitte, Ernst & Young, KPMG et PwC. La comptabilité et
l’audit représentent environ 50 % de leurs revenus. Ces cabinets disposent chacun d’un siège
international où sont partagées technologies, procédures et directives mondiales. De plus, du
fait de leur présence mondiale, chaque cabinet Big 4 audite généralement les filiales des
cabinets membres de ses clients situées à l’étranger 13. Deloitte est actuellement le plus grand
cabinet comptable au monde, avec un chiffre d’affaires en 2024 de 67,2 milliards de dollars 14,
suivi de PwC avec un chiffre d’affaires de 55,4 milliards de dollars américains 15, d’EY avec
un chiffre d’affaires de 51.2 milliards de dollars américains et de KPMG avec un chiffre
d’affaires de 38 ,4 milliards de dollars américains16.

1.1.3. Risques d’audit

L’audit présente des limites inhérentes qui peuvent limiter la capacité d’un auditeur à
identifier les anomalies significatives, qui, selon la norme ISA 320, désignent toute omission
dans les états financiers, qu’elle soit individuellement ou globalement, affectant les décisions
économiques prises sur la base des informations contenues dans les rapports financiers. La
norme SAS 300 définit le risque d’audit comme « le risque qu’un auditeur donne une opinion
inappropriée sur les états financiers ».

Les risques d’audit peuvent être classés en trois catégories :

 le risque inhérent,
 le risque de contrôle et

12
Lebraty, J.-F. (2009). Externalisation ouverte et pérennité Une nouvelle étape de la vie des organisations.
Revue française de gestion, 192(2), 151-165. https://shs.cairn.info/revue-francaise-de-gestion-2009-2-page-151?
lang=fr.
13
Hayes, R., Wallage, P., & Gortemaker, H. (2014). Principles of auditing: an introduction to international
standards on auditing. Harlow: Prentice Hall.
14
Source : https://www.efinancialcareers.fr/actu/travailler-pour-pwc-deloitte-ey-et-kpmg-quelle-
difference#:~:text=En%20termes%20de%20chiffre%20d,effectifs%20comptaient
%20460%20000%20personnes.
15
https://www.efinancialcareers.fr/actu/travailler-pour-pwc-deloitte-ey-et-kpmg-quelle-difference#:~:text=PwC
%20est%20le%20deuxi%C3%A8me%20Big,le%20domaine%20de%20l’audit.
16
Source : fr.statista.com

9
  le risque de détection.
Les deux premiers sont difficiles à maîtriser pour les auditeurs externes, même s’ils peuvent
suggérer une amélioration des processus de contrôle interne pour les minimiser. Plus les
risques d’audit sont élevés, plus l’auditeur doit recueillir d’éléments probants pour obtenir une
assurance raisonnable lorsqu’il émet une opinion d’audit.17
Le risque inhérent est défini comme le risque d’anomalies significatives en l’absence de
contrôles internes. Thiery-Dubuisson18 a catégorisé les risques inhérents selon trois sources
distinctes :
 l’intégrité de la direction,
 le risque comptable et
 le risque commercial.
L’intégrité de la direction indique dans quelle mesure les états financiers reflètent fidèlement
la performance financière réelle. Le risque comptable peut survenir en raison de la nature de
certains comptes, plus sujets aux erreurs, qu’elles soient intentionnelles ou dues à une erreur
humaine. Le risque commercial fait référence à la nature du secteur d’activité de l’entreprise
et est largement influencé par la conjoncture économique.

Le risque de contrôle est défini comme le risque d’anomalies significatives qui ne peuvent
être facilement évitées ou détectées par les contrôles internes de l’entité. Bien que certains
risques de contrôle ne puissent être éliminés en raison des limites inhérentes aux contrôles
internes, des procédures efficaces les maintiendront au minimum. De plus, des processus et
techniques d’audit appropriés, tels que des procédures d’évaluation des risques et l’examen
des éléments probants issus de contrôles efficaces, contribueront à garantir la détection de ce
type de risque, le cas échéant. Enfin, le risque de détection désigne le risque que les auditeurs
ne parviennent pas à identifier une anomalie significative dans les états financiers. Il pourrait
être dû à des procédures d’audit inappropriées, à une mauvaise application des procédures
d’audit, à des éléments probants insuffisants ou à une interprétation erronée des résultats
d’audit. Ce risque peut être évité par l’affectation d’auditeurs appropriés, un contrôle qualité
adéquat et l’exercice d’un esprit critique lors de la planification du processus d’audit. Porter et
al.19 ont indiqué que le risque de détection pouvait également être causé par le risque

17
Hayes, Wallage et Gortemaker, (2014). Op.cit.
18
Thiery-Dubuisson, S. (2009). II. L’approche par les risques. L’audit (p. 29-44). La Découverte.
https://shs.cairn.info/l-audit--9782707152800-page-29?lang=fr.
19
Porter, B., Simon, J., & Hatherly, D. (2014). Principles of external auditing. 4th edition. Chichester: John
Wiley & Sons.

10
d’échantillonnage. Comme seul un échantillon des éléments probants est examiné, les
transactions présentant des anomalies significatives n’ont pas été sélectionnées dans les
échantillons. Par conséquent, un échantillonnage d’audit approprié doit être établi
conformément aux techniques statistiques afin de garantir la réduction du risque de détection.

1.1.4. Modèle de processus et avenir de l’audit

Le processus d’audit standard suit un processus systématique divisé en étapes. Dans ce cas, le
client désigne l’audité, tandis que l’auditeur désigne un cabinet comptable proposant des
services d’audit. Le processus d’audit commence par la détermination de l’aptitude du client,
notamment l’acquisition de nouveaux clients ou la poursuite de contrats avec des clients
existants, puis par la vérification de l’acceptation du client et de son acceptation par le client.
L’étape suivante consiste à établir un plan d’audit afin de comprendre le contexte du client et
de déterminer le volume et le type d’éléments probants nécessaires pour vérifier si les états
financiers sont exempts d’anomalies significatives. L’auditeur évalue ensuite les éléments
probants fournis concernant les contrôles internes et l’exactitude des états financiers. Une fois
les procédures d’audit terminées, il émet une opinion d’audit par voie de lettre officielle 20.

Phase 1
La phase d’acceptation du client commence par l’évaluation de son historique et des raisons
justifiant l’audit afin d’obtenir une vue d’ensemble de sa gouvernance, de ses contrôles
internes et des risques associés. Cette évaluation peut être réalisée en examinant les
informations publiques, l’expérience de l’auditeur avec le client et les informations fournies
par ce dernier. Une fois l’acceptation du client et la confirmation de sa conformité aux
exigences déontologiques relatives à l’indépendance des auditeurs et aux services non audités
qu’il propose, l’auditeur prépare une proposition et sélectionne le personnel chargé de l’audit.
Une fois l’acceptation du client confirmée, ce dernier lui adresse une lettre de mission,
autrement dit un accord entre l’auditeur et le client concernant les procédures d’audit et les
services connexes21.

20
Abbadi, A., & Escaffre, L. (2022). du rapport d’audit. société, 23.
21
Obert, R., Mairesse, M. P., & Desenfans, A. (2023). Chapitre 16. Procédures mises en œuvre dans une mission
d’audit. Expert Sup, 5, 480-511.

11
Phase 2
Une fois la phase 1 terminée, la planification de l’audit commence. Selon la norme ISA 300,
la planification de l’audit se divise en deux étapes : l’élaboration d’une stratégie générale et la
création d’un programme d’audit. Le programme d’audit lui-même constitue la mise en œuvre
de la stratégie générale. L’élaboration d’un plan d’audit commence par l’étude, par l’auditeur,
du contexte commercial du client, de son environnement de contrôle et de sa structure de
contrôle interne.
Pour bien comprendre le client, la norme ISA 315 précise que l’évaluation des risques doit
être réalisée en consultant ce dernier sur ses objectifs et ses attentes envers ses parties
prenantes, en effectuant des analyses de ses transactions (y compris une comparaison de ses
résultats avec ceux du marché) et en observant et en inspectant ses activités principales, ses
politiques comptables, ses rapports de gestion, ses manuels de contrôle interne et autres
documents pertinents . Ces informations peuvent ensuite être utilisées pour identifier les
risques d’audit potentiels pour le client.
En fonction des risques d’audit, les auditeurs peuvent déterminer le seuil de matérialité. Celui-
ci peut être défini comme le degré d’inexactitude des états financiers qui est toujours
considéré comme acceptable compte tenu de leur finalité. Plus les risques d’audit sont élevés,
plus le seuil de matérialité est faible, ce qui implique des coûts d’audit plus élevés 22. Il
n’existe actuellement aucune norme internationale unique pour le seuil de matérialité, et celui-
ci diffère généralement d’un cabinet comptable à l’autre. Les lignes directrices courantes
utilisées par les auditeurs incluent des valeurs de référence similaires, telles que
 le résultat net avant impôts,
 le total de l’actif,
 le total des revenus
 le total des capitaux propres, et
 des fourchettes de pourcentages similaires23.
Enfin, un programme d’audit définissant les objectifs, le calendrier et les procédures d’audit
pour obtenir les éléments probants requis sera élaboré, y compris le détail des catégories
d’opérations, des soldes de comptes et des transactions significatifs24.

Phase 3

22
Hayes et al. (2014). Op.cit.
23
Selmer, C. (2023). Outil 53. La mission d’audit interne. BàO La Boîte à Outils, 4, 162-165.
24
Hayes et al. (2014). Op.cit.

12
Cette phase commence par les tests de conformité des contrôles internes, qui incluent des tests
de conception (visant à tester l’efficacité des contrôles). Ce test vise à garantir que les
informations relatives aux contrôles internes que l’auditeur entend utiliser ont été respectées
par le personnel du client, ce qui permet d’établir la solidité du contrôle interne 25. Les
éléments probants nécessaires aux tests de contrôle peuvent être obtenus par des demandes
directes auprès du personnel d’audit interne du client, par l’observation et la réexécution de
l’application d’un contrôle spécifique, par l’inspection de documents ou de rapports et par la
traçabilité du système d’information afin d’identifier les transactions correspondantes pour
l’information financière.
Une fois les contrôles testés, l’auditeur met en œuvre des procédures de corroboration pour
tester les transactions et les soldes des comptes. Selon la norme SAS 400, plus la solidité des
contrôles internes est élevée, plus l’étendue des procédures de corroboration requises est
importante.

Selon la norme SAS 400, plus le contrôle interne est rigoureux, plus l’étendue des procédures
de substance requises peut être réduite, sans toutefois pouvoir être totalement éliminée 26. De
plus, plus le risque d’audit préalablement évalué est faible, moins l’étendue des procédures de
substance est importante. Les procédures de substance désignent les tests des états financiers
et des informations connexes. Ces tests peuvent être classés en procédures analytiques et en
tests de détail. Les procédures analytiques consistent à examiner les données comptables, y
compris les informations financières et non financières, afin d’identifier des relations
significatives et d’établir que les données contenues dans les états financiers ont une valeur
raisonnable (tests raisonnables). Les méthodes couramment utilisées sont l’analyse des
tendances au fil du temps, l’analyse des ratios entre les comptes financiers eux-mêmes ou
avec les informations non financières. En cas d’écart significatif par rapport à la valeur
attendue, une enquête plus approfondie est nécessaire pour vérifier l’existence d’anomalies
significatives27.

Le test des détails des transactions et des soldes est un test de validité du solde du grand livre
général, élément constitutif d’un état financier. Il examine la surévaluation, la sous-
évaluation, l’exhaustivité et la validité des transactions. Ce test examine les détails des

25
Selmer, C. (2023). Outil 53. La mission d’audit interne. BàO La Boîte à Outils, 4, 162-165.
26
Porter et al. (2014). Op.cit.
27
Morales, J. (2013). Le projet professionnel des contrôleurs de gestion: analyser des données pour aider les
managers à prendre des décisions rationnelles?. Comptabilité contrôle audit, 19(2), 41-70.

13
comptes à forte rotation, tels que la trésorerie, les comptes clients et les comptes fournisseurs.
Les différentes méthodes de collecte d’éléments probants (procédures d’audit) sont résumées
dans le tableau suivant :

Tableau 1. Techniques de collecte de preuves (procédures d’audit)

Technique Explication
Demande d’information Demander des explications à une personne compétente, interne
ou externe à l’entité
Observation Observer des processus ou procédures exécutés par d’autres

Inspection Examen de registres, de documents ou d’actifs corporels

Recalcul Vérifier l’exactitude arithmétique des documents sources et des

registres comptables ; appliquer une méthodologie
mathématique indépendante
Reperformance Exécuter de manière indépendante des processus ou procédures
initialement exécutés par les contrôles internes de l’entité
Confirmation Corroborer les informations des états financiers avec les parties
externes impliquées dans leur production
Procédure analytique Mettre en œuvre des procédures statistiques pour établir des
liens entre les données des états financiers et les informations
non financières afin d’identifier les informations incohérentes
ou les écarts par rapport aux valeurs attendues

Source : Elaboration personnelle, tableau adapté de Hayes, R., Wallage, P., & Gortemaker, H.
(2014). Principles of auditing: an introduction to international standards on auditing.
Harlow: Prentice Hall., p.365.

Phase 4
Au cours de cette phase, l’auditeur examinera les éléments probants recueillis et tirera une
conclusion qui servira ensuite à formuler une opinion d’audit. Il devra tout d’abord examiner
les passifs éventuels et les engagements du client. Les passifs éventuels désignent une
obligation future potentielle envers une partie externe, d’un montant inconnu, résultant d’un

14
événement passé, tel qu’un litige en cours pour contrefaçon de brevet, des responsabilités
liées aux produits, des garanties de produits, etc. Les engagements sont des accords du client à
respecter un ensemble de conditions fixes, quels que soient les bénéfices ou la situation
économique du moment. Par exemple, l’achat d’un produit à un prix stipulé dans le contrat.
L’auditeur doit s’enquérir auprès de la direction, examiner les documents de travail
juridiques, examiner les lettres de crédit, examiner les déclarations fiscales antérieures et
évaluer les passifs éventuels connus28. Ensuite, l’auditeur examine les événements postérieurs
à la date de clôture, c’est-à-dire ceux survenus entre la date des états financiers et la date du
rapport d’audit, comme le prévoit la norme ISA 560. La date du rapport d’audit est le jour où
l’auditeur a rassemblé les éléments probants appropriés pour formuler une opinion d’audit.
Cela inclut les événements donnant lieu à des ajustements qui peuvent mieux expliquer les
informations contenues dans les états financiers à leur date de publication. Ces informations
doivent être intégrées aux états financiers afin de refléter le rapport avec la plus grande
exactitude possible. Selon Porter et al. 29 les événements non donnant lieu à des ajustements,
survenant après la date de clôture, mais pouvant être considérés comme significatifs, ne
doivent pas être ajustés dans les états financiers, mais inclus dans les informations fournies
sous forme de note . Selon la norme SAS 500, les procédures d’identification des événements
postérieurs comprennent les demandes d’informations auprès de la direction, l’examen des
procès-verbaux des réunions du conseil d’administration et la revue des documents
comptables pertinents.

Par la suite, les états financiers et autres documents du rapport sont examinés afin de
déterminer si les informations requises ont été suffisamment divulguées. Ensuite, une fois
l’ensemble des travaux d’audit terminés, des procédures de clôture peuvent être mises en
œuvre. D’après Hayes et al. 30, celles-ci comprennent une revue de supervision au cours de
laquelle les auditeurs seniors examinent généralement le travail de leurs subordonnés,
l’examen des dossiers d’audit, l’évaluation des constatations d’audit pour déceler
d’éventuelles anomalies significatives et l’évaluation de l’hypothèse de continuité
d’exploitation du client. Selon les Normes d’informations financières (IFRS), la continuité
d’exploitation signifie que l’entité doit poursuivre son activité dans un avenir prévisible. Cette
évaluation peut se faire en comprenant les risques opérationnels, en effectuant des procédures

28
Hayes, R., Wallage, P., & Gortemaker, H. (2014). Principles of auditing: an introduction to international
standards on auditing. Harlow: Prentice Hall.
29
Op.cit.
30
Hayes et al. (2014). Op.cit.

15
analytiques et en identifiant des plans d’atténuation des problèmes identifiés. Une fois les
procédures de clôture terminées, l’auditeur présente ses conclusions importantes au comité
d’audit du client et produit un rapport d’audit contenant son opinion.

1.1.5. L’avenir de l’audit

Au fil des ans, l’audit a évolué, passant de sa mission traditionnelle de garantie de la

crédibilité des états financiers à celle de fournir des services à valeur ajoutée, tels que
l’évaluation des risques opérationnels, la détection des fraudes et le retour d’information sur
l’environnement de contrôle interne de l’entité. Les cabinets comptables ont également investi
dans des technologies pour améliorer leurs services, réduisant ainsi leur recours aux tests de
corroboration et se concentrant sur leurs évaluations qualitatives des risques et leurs
procédures analytiques afin de fournir une assurance raisonnable à l’audit.

Depuis le début des années 2000, l’audit continu a également transformé le secteur grâce à
l’émergence de la numérisation. L’AC est défini comme un processus systématique de
collecte d’éléments probants numériques servant de base à la formulation d’une opinion
d’audit sur l’exactitude des états financiers, dans le cadre d’un système comptable
dématérialisé et en temps réel. 31 Grâce à l’analyse en temps réel, la phase d’évaluation de
l’audit est raccourcie, car les tests de conformité peuvent être réalisés simultanément avec des
tests de détail approfondis. Les avantages de l’audit continu sont encore plus marqués
aujourd’hui, car la plupart des grandes entreprises ont intégré des progiciels de gestion
intégrés (ERP) à leurs opérations quotidiennes, ce qui facilite l’obtention d’éléments probants.
Avec les progrès de l’informatique, on s’attend à ce que les techniques d’audit basées sur la
technologie se multiplient et modifient les méthodes d’audit.

Ces dernières années, le développement de la loi Sarbanes-Oxley SOX a conduit à une plus
grande importance accordée à la gouvernance d’entreprise, comme le démontrent divers
ouvrages sur la gouvernance d’entreprise en comptabilité et en audit. De plus, la question de
la responsabilité sociale des entreprises prend de l’ampleur, ce qui pousse les grandes
entreprises à publier des rapports annuels sur le développement durable. Il est prévu qu’à
l’avenir, les auditeurs ne se contenteront plus d’auditer les états financiers, mais également les
informations non financières telles que la conduite des affaires, l’efficience et l’efficacité des
31
Dao-Le Flécher, P. (2022). L’apport de la technologie de l’information à l’audit continu: quelques pistes de
réflexion et d’action. Audit et société, (2), 41-47.

16
systèmes de l’entité et d’autres informations exigées par d’autres parties prenantes pour
garantir la mise en place d’une gouvernance adéquate.

L’ensemble de ces éléments nous conduit à la proposition de recherche suivante :

PR1 : L’audit externe vise à l’amélioration de la gouvernance d’entreprise.

Section 2. Intelligence artificielle

1.2.1. Développement de l’intelligence artificielle

Le concept d’IA a été conçu dans de nombreuses disciplines depuis la nuit des temps,
notamment en philosophie, en sciences, en mathématiques et en art. Les tout premiers
fondements de l’IA remontent à Aristote (384-322 av. J.-C.), qui proposa un type de
raisonnement déductif appelé syllogisme32. Un syllogisme est un raisonnement déductif
logique dérivé d’au moins deux prémisses supposées vraies 33. Il constitue le fondement de la
logique informatique conventionnelle, fondée sur des choix binaires. Au XIIIe siècle, Ramon
Llull, poète et philosophe, créa un système de roues, connu sous le nom d’« Ars Magna », qui
permet d’obtenir une réponse à une question, ces réponses étant générées par la combinaison
d’attributs issus d’une liste. Il s’agit de l’un des premiers travaux de la théorie
computationnelle, un domaine où l’humain utilise le raisonnement logique pour produire des
connaissances34.

Des progrès majeurs n’ont eu lieu qu’au XIXe siècle, avec l’avènement de l’électronique et
des ordinateurs modernes. Parallèlement, les recherches sur le cerveau humain et les réseaux
neuronaux étaient en plein essor. Alan Turing, l’un des fondateurs de l’informatique,
s’interrogeait alors : « Les machines peuvent-elles penser ? ». Dans son article, Turing
défendait l’idée que les machines ne peuvent faire que ce qu’on leur demande. Turing a
ensuite abordé les trois composantes de la connaissance et des capacités humaines : l’état

32
Le Meur, T. (2024). Aristote: du projet étudiant à l’IA génératrice de quiz pour les plateformes VoD. In JRES
(Journées réseaux de l’enseignement et de la recherche) 2024.
33
Crubellier, M. (2011). Du sullogismos au syllogisme. Revue Philosophique de la France et de
l’Étranger, 136(1), 17-36.
34
Yates, F. A. (1954). The art of Ramon Lull: An approach to it through Lull’s theory of the elements. Journal
of the Warburg and Courtauld Institutes, 17(1-2), 115-173.

17
d’esprit initial à la naissance, l’éducation reçue et les expériences vécues. Plutôt que de tenter
de développer une machine dotée de l’intelligence d’un cerveau humain adulte, Turing a
proposé la création d’une machine d’apprentissage à cerveau d’enfant, à laquelle on pourrait
35
apprendre à imiter l’intelligence humaine . Ce concept a inspiré les premiers
développements dans le domaine de l’IA, comme une machine jouant aux échecs capable
d’apprendre et de rivaliser avec un adversaire humain (1951).

Le terme « intelligence artificielle » a ensuite été inventé en 1956 par John McCarthy lors de
la conférence de Dartmouth. Cette conférence vise à aborder tout aspect de l’apprentissage ou
toute caractéristique de l’intelligence pouvant être simulée par une machine. Lors de cette
conférence, le théoricien de la logique a été présenté. Ce programme est considéré comme le
premier programme d’IA, spécifiquement conçu pour effectuer un raisonnement automatisé.
En 1958, McCarthy a développé LISP (dérivé de « LISt Processor »), un langage de
programmation basé sur la logique des prédicats, encore largement utilisé en IA aujourd’hui.
Entre les années 1960 et le début des années 1980, le développement de l’IA a atteint son
apogée et a conduit à l’invention d’innovations telles que le résolveur de problèmes généraux
(GPS) ; le programme STUDENT de Bobrow, capable de résoudre des problèmes d’algèbre ;
DENDRAL, le premier programme basé sur la connaissance capable d’élaborer des
hypothèses scientifiques (1977) etc.

DENDRAL a finalement marqué un tournant dans l’évolution de l’IA vers des systèmes basés
sur la connaissance, passant de systèmes initiaux basés sur l’inférence logique et le théorème
de résolution36. Dans les années 1990, l’IA a adopté un nouveau paradigme : celui d’un
« agent intelligent » capable de percevoir son environnement et d’agir pour maximiser ses
chances de succès37. Ce concept incite les chercheurs à examiner des problèmes spécifiques et
à trouver des solutions, même en s’inspirant d’autres disciplines, par exemple les statistiques
(comme la théorie des probabilités, les modèles de Markov et les réseaux bayésiens) et la
biologie, ce qui a abouti à la création d’algorithmes évolutionnaires38.

35
Turing, A. M. (1988). Chess. Computer Chess Compendium, 14-17.
36
Buchanan, B. G., & Feigenbaum, E. A. (1981). DENDRAL and Meta-DENDRAL: Their applications
dimension. In Readings in artificial intelligence (pp. 313-322). Morgan Kaufmann.
37
Sebag, M. (2024). I. Ouverture: quelles limites l’IA a-t-elle déjà surmontées?. In Ce qui échappe à
l’intelligence artificielle (pp. 21-29). Hermann.
38
Nadeau, P., & Jobin, K. (2024). 1. Fondements de l’IA générative. Hors collection, 10-29.

18
 1.2.2. Classification et avenir de l’intelligence artificielle dans l’audit externe

1.2.2.1. Classification de l’intelligence artificielle

Les algorithmes d’IA ont progressé au fil des ans et se sont diversifiés aujourd’hui. De la
reconnaissance vocale à l’exploration de données, en passant par le diagnostic médical et la
robotique, l’IA est présente dans de nombreux aspects de la vie humaine. Bien qu’il n’en
existe pas de classification unique et fixe, les chercheurs ont tenté de la regrouper selon
différents aspects, notamment le cadre des capacités de l’IA, les approches de l’IA en
résolution de problèmes et les domaines de problèmes abordés par l’IA39.

Cadre des capacités de l’IA

Selon le cadre des capacités de l’IA, l’IA peut être classée en trois catégories selon son niveau
d’intelligence développé :
 l’intelligence artificielle étroite (ANI) ou intelligence faible,
 l’intelligence artificielle générale (IAG) et l
 a superintelligence artificielle (ASI).

L’ANI se caractérise par un éventail restreint de capacités, dans lequel l’IA développée à ce
jour peut être classée. Ce type d’IA pourrait être soit réactif (répondre à un stimulus externe),
soit doté d’une mémoire limitée, lui permettant d’exécuter les tâches pour lesquelles elle est
programmée. L’IAG désigne une machine dotée du même niveau d’intelligence qu’un
humain. Pour y parvenir, les chercheurs en IA doivent développer une machine consciente
dotée de capacités cognitives inspirées du cerveau humain, dont la faisabilité est encore
sujette à débat. Un autre objectif hypothétique de l’IA est de développer l’IAS, une machine
capable de surpasser les capacités humaines. Il s’agit d’un modèle d’IA auto-consciente qui
adopte le cadre de la théorie de l’esprit, une théorie psychologique qui guide la manière dont
les états mentaux sont attribués à la façon dont l’homme pense et agit.

Les paradigmes de l’IA

Les paradigmes de l’IA classent l’IA en fonction de ses différentes approches pour résoudre
des problèmes spécifiques. Celles-ci incluent les approches symboliques, statistiques et sous-

39
Gornet, M., & Maxwell, W. (2023). Normes techniques et éthique de l’IA. In CNIA 2023-Conférence
Nationale en Intelligence Artificielle.

19
symboliques40. L’approche symbolique consiste en une IA fonctionnant sur la base de la
logique et/ou de la connaissance. L’IA logique s’appuie sur la représentation des
connaissances et la résolution de problèmes, tandis que les machines basées sur la
connaissance agissent en fonction d’un vaste ensemble de bases de données, d’informations et
de règles. L’approche statistique inclut l’IA basée sur des outils mathématiques, tels que la
méthodologie statistique et l’apprentissage automatique. En s’appuyant sur les statistiques, ce
type d’IA peut comparer les probabilités de scénarios et proposer des solutions possibles.
L’apprentissage automatique tente d’utiliser les données historiques pour optimiser les
performances futures. Les approches sous-symboliques incluent l’IA, fondée sur l’intelligence
incarnée et l’optimisation des moteurs de recherche. L’intelligence incarnée se rapporte à l’IA
qui exploite les capacités humaines développées, telles que l’interaction, la perception et la
visualisation, tandis que l’IA d’optimisation des moteurs de recherche agit comme une
fonction de recherche afin de trouver plusieurs solutions à une requête.

Domaines de problématiques de l’IA

L’IA est également classée selon le type de problème(s) qu’elle traite. Cela comprend les
spectres suivants : raisonnement, connaissance, planification, communication et perception.
Ces domaines ne sont pas nécessairement désintégrés, car certaines machines travaillent dans
des domaines qui se chevauchent. Le raisonnement désigne l’IA utilisée pour la résolution de
problèmes. L’IA centrée sur la connaissance vise à fournir des informations et à comprendre
le monde humain. Les IA planificatrices sont celles qui sont capables d’atteindre les objectifs
qui leur sont assignés, tandis que les IA du domaine de la communication peuvent traiter les
langues et communiquer. Enfin, l’IA capable de transformer des entrées sensorielles
(visuelles, sonores, tactiles) en informations utiles peut être classée dans le domaine de la
perception41.

Les applications générales de l’IA utilisant une approche symbolique incluent la

programmation logique inductive, l’automatisation des processus robotiques et les systèmes
experts. La programmation logique inductive (PLI) désigne des outils capables de générer des
hypothèses à partir d’un ensemble de données donné grâce à la logique computationnelle. Le
système repose sur les propriétés des règles d’inférence et la convergence des algorithmes.

40
Lukyanenko, R. (2025). Prochain paradigme de données: utiliser l’IA pour gérer toutes les données humaines.
41
Benbouzid, B., & Cardon, D. (2022). Contrôler les IA. Réseaux, (2), 9-26.

20
Plutôt que de fournir une réponse déductive à partir du code logique généré par l’utilisateur, la
PLI génère une conclusion à partir de ses connaissances de base et des instances.

Une application de la PLI est le programme « CART », qui génère des arbres de décision
basés sur des scénarios donnés. L’automatisation des processus robotiques (APR) désigne des
machines ou des systèmes capables d’effectuer une action de la même manière qu’un humain.
La RPA fonctionne selon une structure de données et suit généralement une cartographie des
processus codée dans le langage de l’outil RPA pour chacune de ses actions. Les fournisseurs
de RPA commerciaux tels qu’AutomationEdge, Blue Prism et UiPath ont connu une forte
demande ces dernières années en raison des réductions de coûts potentielles qu’elle apporte
aux entreprises42. Les systèmes experts sont définis par l’IA, dont l’objectif est d’exécuter un
processus décisionnel à la manière d’un humain, grâce à un codage en dur avec le langage de
programmation LISP. Ce système repose sur des systèmes basés sur des règles où les
variables sont mappées sur une valeur continue comprise entre 0 et 1, au lieu de la logique
numérique des choix binaires (0 ou 1) (Jackson, 1998). Un exemple célèbre est MYCIN, un
système de diagnostic médical basé sur la description des symptômes43.

Les applications de l’IA combinant des approches symboliques et statistiques sont le

traitement du langage naturel (TALN) et la vision par ordinateur. Le TALN est un domaine de
l’IA lié aux données en langage naturel, incluant la génération et la compréhension du
langage, ainsi que la traduction automatique. Son objectif est d’exploiter le langage humain et
de le traduire en informations pertinentes44. Citons par exemple les outils de traduction
comme Google Translate, les assistants vocaux Siri et Google Alexa, ainsi que les logiciels
d’analyse de texte. Tout comme le TALN, l’IA de vision par ordinateur vise également à
reconnaître des schémas issus d’entrées visuelles (activités, reconnaissance d’images ou
vision artificielle) pour en tirer des informations utiles. Parfois, les machines peuvent
également prendre une décision sur la base des informations observées. La vision par
ordinateur a joué un rôle majeur dans la création de voitures autonomes et a été appliquée à la
technologie de reconnaissance faciale, ainsi qu’aux systèmes de maintenance prédictive dans
l’industrie manufacturière.

42
Van der Aalst, W. M., Bichler, M., & Heinzl, A. (2018). Robotic process automation. Business & information
systems engineering, 60, 269-272.
43
Shortliffe, E. (Ed.). (2012). Computer-based medical consultations: MYCIN (Vol. 2). Elsevier.
44
Boudin, F. (2013, June). TALN Archives: une archive numérique francophone des articles de recherche en
Traitement Automatique de la Langue. In Traitement Automatique des Langues Naturelles (TALN) (pp. 507-
514).

21
Les réseaux de décision et la programmation probabiliste sont d’autres exemples d’IA
utilisant des approches statistiques. Les réseaux de décision utilisent le concept de réseaux
bayésiens, où les décisions sont cartographiées en fonction de leurs relations probabilistes
dans des réseaux permettant des décisions séquentielles. En programmation probabiliste, les
machines disposent de modèles probabilistes prédéfinis, qui sont ensuite utilisés pour
effectuer une inférence dans chaque scénario. La machine est généralement utilisée dans des
situations comportant de nombreuses incertitudes, par exemple pour prédire le cours des
actions, recommander des films et diagnostiquer des problèmes informatiques.

Certaines IA combinent des approches statistiques et sous-symboliques, comme les réseaux

de neurones et l’informatique affective (apprentissage affectif). Les réseaux de neurones
reposent sur le concept de neurones humains, où se trouvent des processeurs interconnectés
appelés neurones, chacun produisant une séquence d’activations à valeur réelle. Les neurones
peuvent être activés par leurs capteurs qui perçoivent l’environnement ou par leurs
connexions avec d’autres neurones. L’apprentissage profond est un sous-domaine des réseaux
de neurones qui vise à établir ces connexions pour obtenir des informations plus approfondies.
Recaptcha, un service de sécurité web, utilise les connaissances humaines pour distinguer les
textes et les images afin d’entraîner des algorithmes. L’apprentissage affectif désigne l’IA
entraînée à reconnaître, interpréter et simuler les émotions humaines. Cela inclut l’étude des
expressions faciales, du ton de la voix, des gestes et des micro-expressions, qui sont ensuite
traduits en émotions humaines par des algorithmes. Des entreprises comme la BBC, Disney et
Coca-Cola ont déployé l’apprentissage affectif dans leur domaine marketing afin de mieux
comprendre la perception des clients vis-à-vis de leurs publicités.

L’IA utilisant des approches sous-symboliques comprend

 les systèmes autonomes,
 l’IA distribuée,
 l’informatique ambiante et
 les algorithmes évolutionnaires.

Les systèmes autonomes sont des IA combinant des éléments de robotique et de systèmes
intelligents. Au lieu d’effectuer des tâches automatiques, ces robots peuvent détecter leur
environnement physique et agir en conséquence en cas de changement. L’IA distribuée (IAD)

22
utilise des systèmes multi-agents pour résoudre des problèmes complexes, généralement à
partir de données volumineuses, en les répartissant entre des « agents » autonomes qui
interagissent entre eux. Ce type d’IA est aujourd’hui utilisé dans l’élaboration de stratégies
commerciales.

L’informatique ambiante est constituée de dispositifs physiques qui détectent, perçoivent et

réagissent (de manière subtile) à la présence humaine. Elle vise à faciliter le quotidien des
êtres humains de manière non instructive. Ses applications incluent la maison intelligente, la
voiture intelligente et la surveillance par caméras de rue. Les algorithmes évolutionnaires sont
définis comme des méthodes de recherche stochastique appliquées avec succès à de nombreux
problèmes de recherche, d’optimisation et d’apprentissage automatique. Ils reposent sur le
mécanisme évolutionnaire, un concept inspiré de la biologie. Ils suivent la notion de sélection
naturelle où la solution candidate la plus adaptée est choisie.45

1.2.2.2 L’avenir de l’intelligence artificielle

l’IA a connu une forte progression des années 1940 aux années 1980. Cependant, à partir de
la fin des années 1970, son financement a été interrompu, l’IA n’étant pas en mesure
d’atteindre l’un de ses objectifs tant attendus, à savoir la traduction automatique. Cette
période a été surnommée « l’hiver de l’IA ». L’incapacité à fournir une traduction,
initialement considérée comme simple, a suscité des critiques et semé le doute quant à la
capacité de l’IA à résoudre des problèmes humains complexes 46. Il en a résulté une stagnation
de son développement jusqu’au nouveau paradigme de réflexion sur l’IA dans les années
1990. Selon Lemoine47, si la technologie a quelque chose à offrir, elle ne restera pas dans un «
creux de désillusion », mais retrouvera un nouveau niveau d’activité.

L’innovation en IA devrait atteindre un rythme constant au XXIe siècle. Cependant, il faudrait

prndre en compte les crises financières, comme celle liée à la pandémie de COVID-19. Selon
la théorie de la destruction créatrice de Schumpeter 48, une crise économique peut donner
naissance à de nouveaux modèles économiques, entreprises et même industries susceptibles
de transformer l’économie, ce que l’on appelle aussi « l’innovation ».

45
Zaidenberg, S. (2009). Apprentissage par renforcement de modèles de contexte pour l’informatique
ambiante (Doctoral dissertation, Institut National Polytechnique de Grenoble-INPG).
46
Gefen, A. (2022). IA: pour une histoire culturelle. Revue d’histoire culturelle. XVIIIe-XXIe siècles, (4).
47
Lemoine, P. (2025). IA: l’esprit happé par l’imaginaire. Esprit, (4), 79-85.
48
Schumpeter, J. (2021). Théorie de la destruction créatrice. Éditions Payot.

23
La récession peut également servir de catalyseur de croissance. Par exemple, lorsque le
monde a commencé à se remettre de la Grande Dépression, Alexander Field, économiste
historique, a affirmé que cette décennie avait été marquée par les plus grands progrès
technologiques du siècle49.

Dans le même ordre d’idées et compte tenu de l’ampleur de la crise économique provoquée
par la pandémie, l’innovation en matière d’IA a connu une forte croissance, entraînant des
progrès sans précédent.

Force est de constater que les opinions sur l’avenir de l’IA divergent considérablement. Une
enquête menée auprès de 550 experts en IA révèle que 41 % des personnes interrogées
estiment qu’une IA capable de simuler l’apprentissage et tous les aspects de l’intelligence
humaine ne sera jamais développée. Le même pourcentage de personnes interrogées estime
que cela est possible, mais probablement dans plus de 50 ans 50. En revanche, Rahli51 prédit
l’apparition d’une telle machine d’ici 2029. Il tire cette conclusion de la loi de Moore, selon
laquelle la vitesse des processeurs informatiques doublera tous les deux ans. Une autre étude 52
prédit également que l’IA pourrait surpasser certaines capacités humaines dans les années à
venir, ce qui rejoint le concept de superintelligence artificielle.

À mesure que la recherche en biologie moléculaire et en neurosciences approfondira nos

connaissances sur la façon dont le cerveau humain pense, traite la parole et réagit à un
stimulus donné, une IA capable de mieux simuler le comportement humain, comme
l’intelligence artificielle générale (IAG) et l’IAS, pourrait être développée. Les algorithmes
doivent aller de pair avec les sciences pour comprendre les progrès futurs de l’IA. Néanmoins,
la question éthique d’une IA dépassant l’intelligence humaine pourrait poser problème et
mériterait d’être prise en compte avant d’envisager un tel développement.

49
Field, A. J. (2003). The most technologically progressive decade of the century. American Economic
Review, 93(4), 1399-1413.
50
Müller, V. C., & Bostrom, N. (2016). Future Progress in Artificial Intelligence: A Survey of Expert Opinion.
Fundamental Issues of Artificial Intelligence, 555-572.
51
Rahli, H. (2018). Le Mythe de la Singularité. Faut-il craindre l’intelligence artificielle?.
52
Forestier, F., & Ansermet, F. (2021). La dévoration numérique. Odile Jacob.

24
1.2.2.2. Mise en œuvre de l’intelligence artificielle dans l’audit des Big 4
Selon Mamita et Pochet53, les cinq principales déficiences de l’audit proviennent de
l’insuffisance des éléments probants, de l’incapacité à maintenir une attitude professionnelle,
de l’absence d’un niveau suffisant d’esprit critique, de la mauvaise application des normes
comptables et de la conception inadéquate du programme d’audit. Afin de minimiser ces
erreurs humaines, il est nécessaire de mettre en place un contrôle efficace. Selon Lambert et
Sponem54, la première étape pour déterminer le meilleur contrôle pour une organisation
consiste à déterminer s’il est possible d’éviter l’intervention humaine par l’automatisation ou
la centralisation, optant ainsi pour l’évitement des problèmes de contrôle.

Comme expliqué précédemment, l’objectif final de l’IA est de créer une intelligence
artificielle générale (IAG) et, hypothétiquement, une superintelligence artificielle (IAS).
L’IAG est une IA capable d’effectuer des tâches au même niveau qu’un humain, tandis que
l’IAS désigne une IA capable de surpasser les capacités humaines. Certains auteurs 55
affirment qu’une fois l’IAG réalisée, les systèmes d’IA prendront progressivement le pas sur
les humains dans l’exécution des tâches, ce qui entraînera un processus appelé « explosion de
l’intelligence ». Dans ce cas, les emplois humains, y compris l’audit, seront alors affectés.
Cela est d’autant plus probable que de nombreux chercheurs ont précédemment présenté
l’audit comme un métier utilisant des méthodes de raisonnement algorithmique dénuées
d’émotion en raison de son processus d’audit systématique56.

Emerge alors la proposition de recherche suivante :

PR2 : L’IA permet la fourniture rapide des informations aux auditeurs externes,
améliore leur exactitude et peut contribuer à la fiabilité et à la transparence des
auditeurs.

53
Manita, M. H. R., & Pochet, C. (2020). Les defaillances affectant la qualite de l’audit: une etude qualitative sur
le marche français. Crises et nouvelles problématiques de la valeur, Nice.
54
Lambert, C. et Sponem, S. (2009). La fonction contrôle de gestion : proposition d’une typologie. Comptabilité
Contrôle Audit, Tome 15(2), 113-144..
55
Teigens, V. (2020). Intelligence artificielle générale (Vol. 1). Cambridge Stanford Books.
56
Cardon, D. (2018). Le pouvoir des algorithmes. Pouvoirs, (1), 63-73.

25
26
II. Etude de cas : le cas des big four

Section 1. Méthodologie

Afin d’apporter des éléments de réponse à la question de recherche, qui à titre de rappel est
formulée comme suit : « Dans quelle mesure l’IA impacte-t-elle l’audit externe ? » la
méthodologie est divisée en trois parties. Premièrement, il est crucial de comprendre
l’ampleur de l’utilisation de l’IA aujourd’hui, notamment dans l’audit des Big 4. Par
conséquent, la recherche commence par l’examen des informations existantes sur les
innovations en audit au sein des Big 4. Ces informations seront obtenues directement sur les
sites web de chaque Big 4 afin de garantir leur actualité et leur exactitude. Des mots-clés tels
que « innovation en audit », « technologie d’audit » et « intelligence artificielle en audit »
seront utilisés pour trouver les informations pertinentes.
La partie suivante vise à évaluer les innovations potentielles en matière d’IA que les Big 4
pourraient entreprendre en audit dans les années à venir. Diverses publications sur les
applications de l’IA en audit et les applications générales pertinentes seront étudiées en
référence au cadre général.
Enfin, nous étudierons les interviews que nous avons menées auprès du personnel desdites
entreprises. Nous n’avons pu interroger qu’un professionnel pour chacune des entreprises. Au
préalable, nous avons élaboré un guide d’entretien (Annexe).

En combinant les mots-clés du processus d’audit spécifique et les types d’IA potentiels
proposés dans le cadre, par exemple « recherche d’information » et « algorithmes évolutifs »,
la littérature existante sur le sujet sera étudiée afin de comprendre comment l’IA peut faciliter
l’audit. Cela inclut également les types d’IA qui n’ont pas été utilisés dans l’audit des Big 4,
mais qui présentent un potentiel d’utilisation dans certaines étapes d’audit. Dans ce cas, la
faisabilité de l’IA au cours d’un processus d’audit sera examinée. Des mots-clés plus
généraux tels que « audit », « innovation en audit » et « audit assisté par ordinateur » seront
également associés à tous les types d’IA afin de garantir la représentativité des résultats de
cette recherche.

En complément des recherches précédentes, l’orientation future de l’innovation en audit dans

les Big 4 sera également évaluée à partir de leurs sites web afin de prédire l’ampleur des
améliorations apportées à l’IA actuellement mise en œuvre. Enfin, s’il est conclu que l’IA

27
transformera effectivement le travail d’audit dans les Big 4, la littérature existante sur les
compétences pour un avenir axé sur l’IA sera examinée afin de dresser un tableau complet des
futurs travaux d’audit.

Afin de garantir la fiabilité de cette recherche, les articles qui seront étudiés sur l’application
de l’IA à l’audit ou en général seront soigneusement sélectionnés en fonction de leur facteur
d’impact. Cela signifie que seules les revues d’audit et d’intelligence artificielle présentant un
facteur d’impact élevé, gage de qualité, seront utilisées pour l’analyse de cette recherche. Par
ailleurs, toutes les démarches entreprises concernant le choix des mots-clés expliquées plus
haut dans ce chapitre assureront également la représentativité et la fiabilité de cette recherche.

Section 2. Résultats

2.2.1. Innovations actuelles en audit des Big 4

Aujourd’hui, les Big 4 ont diversifié leurs innovations en audit pour inclure différents
systèmes d’IA et technologies avancées. Ils adoptent deux approches pour déployer l’IA dans
leurs opérations. La première consiste à sélectionner un large éventail de fonctionnalités d’IA
auprès d’un nombre restreint de fournisseurs, comme c’est le cas de KPMG avec Microsoft et
IBM. La seconde approche consiste, comme l’ont suggéré Kokina et al. 57 à combiner
différentes technologies cognitives de différents fournisseurs afin de créer le « meilleur du
marché », une approche représentée par Deloitte.

KPMG
KPMG classe ses innovations en audit autour de trois piliers principaux :
 l’automatisation numérique,
 l’analyse prédictive et
 les technologies cognitives.

Ces fonctionnalités se manifestent par KPMG Clara, une plateforme d’audit intelligente créée
en collaboration avec les entreprises technologiques les plus avancées, qui utilise des
systèmes tels que Microsoft Azure et IBM Watson. La plateforme s’appuie sur la

57
Kokina, J., & Davenport, T. H. (2017). The emergence of artificial intelligence: How automation is changing
auditing. Journal of Emerging Technologies in Accounting, 14(1), 115-122.

28
méthodologie d’audit de KPMG et les normes internationales d’audit. Son objectif est de
« permettre aux professionnels de KPMG d’avoir une vision plus claire et de générer des
analyses plus approfondies et plus claires ». Ainsi, les auditeurs de KPMG peuvent travailler
plus efficacement et fournir des audits de meilleure qualité grâce à des capacités analytiques
améliorées. De plus, KPMG Clara intègre des algorithmes basés sur des modèles statistiques
qui permettent l’analyse d’une population entière plutôt que d’utiliser des techniques
d’échantillonnage. Cela permet d’identifier les anomalies au sein de l’entreprise et offre aux
auditeurs davantage de marge de manœuvre pour se concentrer sur ces risques et leurs
implications pour l’entreprise58 . En 2020, KPMG Clara Workflow a été déployé pour
remplacer son prédécesseur, eAudIT, un flux de travail basé sur les activités et un fichier
électronique essentiel pour mesurer le processus de mission d’audit et pour la documentation
d’audit.

KPMG Clara s’appuie sur différents types d’IA. Par exemple, IBM Watson est une
technologie d’informatique cognitive basée sur le traitement du langage naturel (TALN), la
programmation logique inductive (PLI) et l’apprentissage profond 59. Grâce à IBM Watson, un
volume important de données financières peut être analysé afin de détecter les informations
incohérentes, au lieu de se limiter à l’évaluation d’un échantillon de données comme dans un
audit traditionnel. Microsoft Azure est un service de cloud computing permettant l’analyse de
données en temps réel. L’apprentissage automatique (machine learning) renforce sa capacité
d’analyse prédictive60. L’automatisation robotisée des processus (RPA) intervient également
dans les étapes d’audit telles que les rapprochements, les confirmations d’audit et la
génération d’e-mails, ainsi que dans la collecte de preuves d’audit en collectant des
informations d’une organisation non intégrées dans un système unique et en appliquant un
ordre de données de base.

KPMG s’appuie également sur les technologies cognitives, axées sur la collecte de preuves
par le traitement du langage naturel et la reconnaissance optique de caractères (ROC) sur les
documents financiers. KPMG définit les technologies cognitives comme un élément de l’IA

58
KPMG. (2018b). KPMG Clara: A smart audit platform. KPMG. Consultable sur
https://assets.kpmg/content/dam/kpmg/xx/pdf/2017/05/kpmg-clara-a-smart-audit-platform.pdf
59
Kumar, A., Tejaswini, P., Nayak, O., Kujur, A. D., Gupta, R., Rajanand, A., & Sahu, M. (2022, May). A
survey on IBM watson and its services. In Journal of Physics: Conference Series (Vol. 2273, No. 1, p. 012022).
IOP Publishing.
60
El Mestari, S. Z., Lenzini, G., & Demirci, H. (2024). Preserving data privacy in machine learning
systems. Computers & Security, 137, 103605.

29
qui nécessite une interprétation humaine et un jugement cognitif pour traiter l’information et
produire le résultat. Par la suite, grâce à l’apprentissage profond, à l’apprentissage
automatique et à l’analyse prédictive, des hypothèses qui soutiennent la prise de décision
seront générées, qui devront ensuite être évaluées par des auditeurs humains pour tirer
pleinement parti des avantages des systèmes.

Ernst & Young (EY)

EY concentre ses innovations en audit sur l’IA, la blockchain et les drones. Ses
investissements dans l’IA se concentrent principalement sur
 l’apprentissage profond,
 l’apprentissage automatique et
 l’automatisation.

Grâce à l’IA, EY vise à analyser les données grâce à une reconnaissance avancée des formes
afin d’assister numériquement ses auditeurs. Ses fonctionnalités les plus importantes incluent
l’analyse et l’extraction d’informations à partir de données non structurées telles que des
images, des contrats et des factures pour recueillir des éléments probants, ainsi que l’analyse
d’un large éventail de données afin d’identifier avec précision les risques et de réagir aux
éventuelles anomalies significatives dues à la fraude. L’apprentissage automatique, dans ce
cas, inclut le traitement du langage naturel pour l’examen des documents et l’extraction de
données contractuelles.

EY a développé EY Helix et EY Canvas pour exploiter l’automatisation et améliorer

l’efficacité de l’audit. EY Helix est une plateforme mondiale d’analyse d’audit qui vise à
optimiser l’audit analytique afin que les auditeurs puissent se concentrer sur l’analyse des
données plutôt que sur leur collecte.

EY Helix a débuté avec EY Helix General Ledger Anomaly Detector (GLAD), un système
d’apprentissage automatique basé sur des systèmes experts qui évalue les écritures signalées
fournies par les auditeurs et recommande des mesures en fonction de l’analyse. Les
algorithmes du système s’appuient sur les connaissances des auditeurs d’EY, issues de leurs
clients précédents, notamment leur activité, leurs politiques comptables et leur gouvernance.
Plus EY Helix gère de missions d’audit, plus les algorithmes optimisent leurs méthodes de

30
détection. Aujourd’hui, les algorithmes d’EY sont entraînés à fournir des questions
pertinentes aux auditeurs afin d’obtenir des informations sur chaque type de données. EY
Helix s’est également diversifié dans l’analyse d’autres composantes de l’audit, telles que les
stocks, les dettes fournisseurs, les hypothèques et le périmètre d’audit.61
EY Canvas est une plateforme d’audit numérique cloud qui connecte les auditeurs à leurs
clients et digitalise le processus d’audit de bout en bout. La plateforme permet un suivi en
temps réel des missions, une communication simplifiée avec les clients, une réduction des
procédures administratives et une gestion de projet optimisée, améliorant ainsi la transparence
et la qualité des audits62.

La technologie blockchain et les drones complètent l’IA dans le processus d’audit. La

technologie blockchain, baptisée EY Blockchain Analyzer, vise à aider les auditeurs à
collecter l’intégralité des transactions d’une organisation à partir de plusieurs registres et à
rapprocher les données avec les livres clients d’EY. Les données sont ensuite évaluées grâce à
des analyses prédictives basées sur l’apprentissage profond, telles que l’analyse des tendances
et l’identification des valeurs aberrantes. EY Blockchain Analyzer peut également effectuer
des analyses de transactions, telles que le calcul des impôts et des plus-values, conformément
à la législation fiscale nationale. La technologie des drones vise à faciliter l’audit lors de la
phase de test. L’utilisation de drones peut faciliter l’observation des inventaires et autres
procédures effectuées, accessibles à l’auditeur en temps réel et à distance 63.

Deloitte
Deloitte dispose d’une plateforme d’audit mondiale appelée Deloitte Omnia. Cette plateforme
vise à enrichir les compétences, les connaissances et l’expérience des auditeurs de Deloitte
grâce à sa collaboration avec les technologies cognitives, les flux de travail basés sur les
risques et l’analyse avancée, afin d’offrir une qualité d’audit améliorée et des services d’audit
à valeur ajoutée. Elle permet de centraliser la gestion de projet, de rationaliser la récupération
des données, de cibler les tests grâce à l’analyse et de s’appuyer sur l’IA pour automatiser les
processus manuels et générer des insights64. En complément de Deloitte Omnia, Deloitte
déploie la technologie blockchain qui facilite l’accès aux données structurées, lesquelles

61
Ernst & Young. EY Helix. Ernst & Young. Consultable sur https://www.ey.com/en_om/audit/technology/helix
62
Ernst & Young. EY Canvas. Ernst & Young. Consultable sur
https://www.ey.com/en_om/audit/technology/canvas
63
Ernst & Young. udit Innovation. Ernst & Young. Consultable sur https://www.ey.com/en_gl/audit/innovation
64
Deloitte. Blockchain and financial reporting. Consultable sur
https://www2.deloitte.com/us/en/pages/audit/articles/blockchain-financial-reporting.html

31
servent de base à l’apprentissage automatique et à l’analyse avancée des données. De plus,
des drones dotés de télédétection et d’imagerie avancée sont actuellement utilisés pour
l’observation des stocks sur des sites distants et l’inspection des actifs.
Deloitte utilise diverses applications de l’IA en audit. Grâce à l’apprentissage automatique,
Deloitte utilise l’analyse prédictive pour permettre aux auditeurs de mieux évaluer
l’hypothèse de « disparition » du client et de lui fournir de meilleures informations. La
technologie cognitive permet également de lire des milliers de contrats en différentes langues
et d’en détecter les termes clés. Deloitte utilise également l’apprentissage profond pour
garantir que les algorithmes génèrent des prédictions plus précises et des informations plus
pertinentes après chaque mission d’audit. En 2015, Deloitte a remporté le prix de l’innovation
en audit de l’année pour le développement d’Argus, un outil d’innovation en audit cognitif qui
apprend de chaque interaction humaine et exploite l’apprentissage automatique avancé ainsi
que le traitement du langage naturel pour identifier et extraire les informations comptables de
données données. Pour l’analyse des éléments probants, Deloitte utilise le traitement du
langage naturel, la reconnaissance optique de caractères et l’apprentissage automatique. De
plus, l’automatisation robotisée des processus est utilisée pour exécuter les processus et les
tâches cognitives.

PricewaterhouseCoopers (PwC)
Les technologies clés de l’audit de PwC sont Halo, Aura et Connect. Halo est une technologie
d’audit de données qui exploite les données et la visualisation des informations internes et
externes du client pour identifier les risques métier, orienter les travaux d’audit et générer des
informations pour le client. Halo est également conçu pour tester la fiabilité des informations
fournies par le client. Il permet de tester simultanément une large population et améliore la
précision à chaque analyse grâce à ses algorithmes d’apprentissage profond. Au fil des ans,
Halo s’est enrichi de fonctionnalités telles que les journaux (identification des transactions à
haut risque et des inefficacités des processus), les revenus du grand livre (tests de
rationalisation des revenus), les tests d’audit, les évaluations des risques et les outils de
valorisation des investissements. Entièrement automatisé, le système permet une analyse en
temps réel et un processus rapide65.

65
(2019). Audit Explorer. PricewaterhouseCoopers. Consultable sur https://www.pwc.com/gx/en/audit-
services/assets/pdf/audit-explorer-at-a-glance-on-screen.pdf

32
Halo s’appuie sur Aura, un système mondial de planification des ressources d’entreprise
(ERP) qui garantit la qualité et la cohérence de l’audit à chaque étape. Aura joue un rôle
essentiel dans la planification de l’audit, car il facilite l’identification des risques d’audit et
permet au réseau mondial de PwC d’aborder ces risques de manière efficace et systématique.
Aura se concentre sur l’activité, les tendances stratégiques et macroéconomiques du client et
les risques opérationnels afin d’en déduire les risques d’audit. Elle permet un suivi en temps
réel et est accessible simultanément à plusieurs auditeurs, évitant ainsi les doublons. De plus,
la plateforme Connect est un outil de workflow d’audit collaboratif entre les auditeurs de PwC
et les clients, pour une communication fluide et en temps réel. Lorsqu’un document est
manquant, un message automatique est envoyé au client, ce qui optimise le processus. La
plateforme automatise également les plannings d’audit, ce qui permet de gagner du temps 66.

Les technologies clés sont complétées par d’autres outils basés sur l’IA, tels que Count, le
système de confirmation de PwC, la plateforme d’extraction de PwC et l’automatisation
robotisée des processus. Count est une application qui permet de mesurer avec précision et
rapidité les inventaires de stocks. Outre Count, PwC utilise également des drones pour les
observations d’inventaire. Le système de confirmation de PwC permet une confirmation
rapide et sécurisée en ligne, tandis que la plateforme d’extraction de PwC permet d’extraire
les données en toute sécurité du système du client vers la plateforme d’audit et de les
convertir en un format lisible. L’automatisation robotisée des processus a été déployée pour
automatiser les processus transactionnels et réduire la charge de travail du client lors du
processus d’audit.67

État actuel de l’innovation en audit dans les Big 4

Selon les innovations en audit actuellement mises en place par KPMG, EY, Deloitte et PwC,
ces cabinets utilisent une technologie commune pour différents processus d’audit afin
d’améliorer la qualité et l’efficacité de leurs audits.

2.2.2. Avenir de l’IA dans l’audit des Big 4

2.2.2.1. Applications actuelles et futures potentielles de l’IA en audit

Systèmes experts : Les premières applications de l’IA en audit reposaient principalement sur
les systèmes experts. Il existe un outil d’automatisation de l’audit par système expert appelé
66
Ibid.
67
Ibid.

33
ADAPT, qui vise à aider les auditeurs à créer un programme d’audit. ADAPT a pour objectif
de créer un plan d’audit probant suffisant, mais non excessif, de la manière la plus optimale
possible, améliorant ainsi sa rentabilité. Le système ADAPT conserve les connaissances
relatives aux assertions des états financiers, aux procédures d’audit et à la planification du
programme d’audit. Sur la base des informations client et des exigences fournies par
l’auditeur, le programme évalue les risques et génère des procédures d’audit possibles, qui
peuvent ensuite être modifiées si nécessaire, permettant ainsi à l’auditeur de garder le
contrôle. De plus, les systèmes experts peuvent déterminer le niveau de signification, évaluer
les contrôles internes et fournir un jugement de continuité d’exploitation.

L’utilisation des systèmes experts pour la planification de l’audit se concentre sur

l’identification et l’analyse des risques. En effet, ces tâches sont relativement peu structurées
et nécessitent la compréhension de données quantitatives et qualitatives, ce qui rend les
systèmes experts d’aide à la décision adaptés à ce processus. Cependant, l’utilisation de
systèmes experts en audit a fini par être vivement critiquée, car elle génère des
recommandations basées uniquement sur la méthode d’évaluation programmée dans ses
algorithmes, ce qui n’est pas neutre pour l’utilisateur, car chaque auditeur formulera des
recommandations différentes selon ses méthodes de travail. Au fil des ans, ce problème a
progressivement diminué, car les algorithmes peuvent être exposés à des expériences et des
modèles grâce à l’apprentissage profond pour générer des résultats plus neutres.

Réseaux bayésiens
Selon Palud et al.68, les réseaux de décision bayésiens constituent un cadre approprié pour
concevoir le modèle de risque d’audit. Ce modèle montre que les risques d’audit globaux sont
déterminés par le risque inhérent, le risque de contrôle, le risque lié aux procédures
analytiques et le risque autorisé lié aux tests de détails. Le dernier risque fait référence au
niveau de risque acceptable défini par les auditeurs après avoir pris en compte les autres
niveaux de risque afin d’atteindre le risque d’audit global souhaité. Les réseaux bayésiens
sont adaptés car les composantes du risque d’audit sont conditionnellement liées et
déterminées séquentiellement, ce qui correspond à la nature de la prise de décision
séquentielle probabiliste des réseaux bayésiens. Outre les réseaux de décision bayésiens, des
réseaux neuronaux (apprentissage profond) doivent être déployés pour garantir que le modèle

68
Palud, P., Thouvenin, P. A., Chainais, P., Bron, E. E., & Le Petit, F. (2023, August). Problèmes inverses et test
bayésien d’adéquation du modèle. In 29° Colloque sur le traitement du signal et des images (pp. 697-700).

34
de risque d’audit puisse reconnaître des schémas basés sur l’expérience et mieux imiter le
traitement du cerveau humain. Les auteurs ajoutent que l’application des réseaux bayésiens
est également évidente chez les Big 4 aujourd’hui, comme le montrent les systèmes KRisk de
KPMG et FRisk de PwC.
Traitement du langage naturel
Le traitement du langage naturel (TALN) joue un rôle crucial dans la revue de documents, qui
constitue un élément essentiel de la communication dans le domaine de l’audit. L’utilisation
du TALN en comptabilité remonte au début des années 2000, lorsque le TALN a commencé à
être déployé pour la classification du contenu des états financiers, une méthode qui s’est
avérée efficace69. Il améliore l’efficacité de l’extraction de données, car il suffit de quelques
minutes pour examiner un document, ce qui prendrait des heures si des auditeurs humains
l’effectuaient autrement. Il permet d’analyser des documents écrits tels que des factures, des
contrats, des comptes rendus de réunions et des rapports afin d’identifier des mots-clés et d’en
extraire des informations comptables pertinentes. Il est également en cours de développement
pour transformer des données non structurées, telles que la parole et les images, en
informations numériques, facilitant ainsi le traitement des données. Actuellement, l’inspection
d’images est peu utilisée dans le processus d’audit, mais elle pourrait s’avérer utile à l’avenir
pour l’analyse de certains types d’inventaires70

Apprentissage profond
L’apprentissage profond vise à imiter les réseaux neuronaux du cerveau humain dans la façon
dont l’homme traite les données et prend des décisions. Aujourd’hui, l’apprentissage profond
est présent à de nombreuses étapes du processus d’audit, notamment dans l’évaluation de la
possibilité de fraude de gestion, la prévision de rapports financiers frauduleux, la
détermination du seuil de matérialité, l’hypothèse de continuité d’exploitation d’une
entreprise et la fourniture d’informations et de recommandations aux auditeurs pour la
formation d’une opinion d’audit.71 Cependant, l’apprentissage profond existant aujourd’hui
est encore en phase de développement et nécessite de nombreuses améliorations avant de
pouvoir simuler les capacités cognitives humaines. Par conséquent, l’apprentissage profond
peut être utilisé pour l’apprentissage supervisé, mais il n’est pas encore en mesure de
remplacer l’humain dans la prise de décision.
69
Illouz, G. (2000). Vers un apprentissage en TALN dépendant du type de Texte. In les actes de Actes de la
7ème conférence annuelle sur le Traitement Automatique des Langues Naturelles TALN (pp. 16-18).
70
Kokina et al. Op.cit.
71
Pigé, B. (2017). Chapitre 2. L’audit. Audit et contrôle interne : De la conformité au jugement (p. 52-85). EMS
Éditions.

35
Néanmoins, à mesure que la base de connaissances de l’apprentissage profond s’enrichit de
divers ensembles de données d’apprentissage, elle pourrait traiter des données structurées et
non structurées sans intervention humaine. Ainsi, l’apprentissage profond pourrait aider le
traitement automatique des données à automatiser l’analyse des contrats et des documents,
ainsi que l’analyse des états financiers.

Automatisation robotisée des processus

L’automatisation robotisée des processus (RPA) offre de nombreuses possibilités tout au long
du processus d’audit. Lors de la phase d’acceptation du client, elle permet de collecter des
informations contextuelles auprès de sources exogènes et de générer une lettre de mission
spécifique72 . Elle permet également de vérifier l’exactitude des calculs mathématiques dans
les états financiers, de vérifier les écritures comptables et d’automatiser entièrement les tâches
manuelles, comme le test des transactions de paiement, y compris l’extraction des données
pertinentes pour les tests de corroboration ultérieurs. En général, l’humain doit encore gérer
les tâches non structurées, comme le formatage des données dans un format structuré, avant
de confier les tâches systématiques aux robots. Ces derniers convertissent ensuite les données
d’entrée en données de sortie selon les algorithmes pour lesquels ils ont été programmés, par
exemple pour identifier les erreurs, créer un rapport ou récupérer des informations du
système. L’utilisation de la RPA est réputée pour améliorer la rapidité et la précision, car elle
peut fonctionner en continu 24 heures sur 24 et traiter un volume important de travail
simultanément.73

Vision par ordinateur

La vision par ordinateur peut être utile pour la planification des audits, ainsi que pour les
phases de tests et de preuves du processus d’audit. Lors de l’observation du système de
contrôle interne du client, des drones peuvent être utilisés pour enregistrer des séquences
vidéo, puis analysées afin d’y déceler des anomalies. La vision par ordinateur peut être
intégrée aux drones pour la reconnaissance de formes et la visualisation afin d’identifier les
risques. Par exemple, chez PwC, les drones sont censés réaliser l’intégralité de l’audit des
actifs. De plus, l’utilisation de la vision par ordinateur combinée à la technologie des drones
pourrait également permettre la collecte automatisée de données pour les tests de contrôle, car
72
Tounkara, T. (2020). Automatisation Robotisée des Processus (RPA): quels défis pour la transformation
numérique des entreprises?. Approches Théoriques en Information-Communication (ATIC), 1(1), 95-118.
73
Ibid.

36
la capacité de suivi des capteurs de la vision par ordinateur permet de mesurer les stocks par
heure. Cela signifie que la vision par ordinateur est utile pour l’audit continu, car elle permet
de collecter des preuves d’audit en continu.
Programmation logique inductive
L’un des atouts de la programmation logique inductive (PLI) réside dans sa capacité à traiter
une grande variété de connaissances contextuelles, par rapport à d’autres types
d’apprentissage par attributs. Compte tenu des applications existantes, il est possible que la
PLI (en combinaison avec les réseaux bayésiens) puisse être utile pour des tâches présentant
des caractéristiques similaires en audit, telles que la détermination du seuil de matérialité, la
détection des fraudes et la classification des transactions dans les états financiers.

Programmation probabiliste
La programmation probabiliste présente des capacités potentielles pour faciliter le processus
d’audit dans la recherche d’informations sur les clients, la réalisation d’analyses prédictives,
l’observation des performances de contrôle et la détection des fraudes.

Informatique affective
L’utilisation de l’informatique affective en audit pourrait potentiellement se produire lors des
interactions de l’auditeur avec les clients ou lors du décodage d’images et de vidéos collectées
pour les preuves d’audit. L’informatique affective avancée peut reconnaître les expressions
faciales, les gestes du corps et écouter les voix humaines, puis, sur cette base, identifier
diverses informations programmées dans ses algorithmes. Par exemple, elle peut détecter la
possibilité d’un mensonge et déterminer l’heure et le lieu d’une image donnée. Cette
technologie peut donc contribuer à la prévention de la fraude. Ce type de système d’élicitation
des émotions pourrait s’appuyer sur la théorie du contrôle séquentiel, qui dessine un arbre de
décision émotionnel basé sur les attributs présentés à chaque nœud.

L’un des défis actuels des chercheurs en informatique affective est le manque de bases de
données pour entraîner le système. Comme pour la plupart des autres systèmes d’IA,
l’apprentissage profond sera également nécessaire pour fournir au système les informations
nécessaires à une interprétation précise des émotions humaines. Des recherches
supplémentaires sont encore nécessaires pour étudier les actions humaines et leur adaptation à
différents scénarios afin de générer une machine capable de reconnaître efficacement le
comportement humain.

37
Algorithmes évolutionnaires
Les algorithmes évolutionnaires permettent de détecter les fraudes et d’effectuer des
recherches d’informations avancées. Selon Debabeche 74, ils peuvent être utilisés pour la
classification des tâches d’audit, notamment pour classer une créance comme recouvrable ou
irrécouvrable, et pour déterminer si une transaction peut être considérée comme légitime ou
douteuse. Ils sont adaptés à la modélisation du comportement décisionnel des auditeurs dans
le cadre de la détection des fraudes. La combinaison d’algorithmes évolutionnaires et
d’algorithmes modernes d’estimation de la distribution permettait une détection précise des
fraudes dans les états financiers, comparativement à la méthode de détection traditionnelle
basée sur le modèle de régression logistique. De ce fait, les algorithmes évolutionnaires
semblent constituer une technologie adaptée pour tracer le système d’information et identifier
les transactions connexes pour le reporting financier. En outre, ils peuvent jouer un rôle dans
l’optimisation des moteurs de recherche, ce qui est utile pour la recherche d’informations lors
de la collecte des antécédents du client et des preuves d’audit.

2.2.2.2. Innovation en audit au sein des Big 4

KPMG se concentre actuellement sur le développement d’une technologie cognitive capable
de traiter des données non structurées provenant de sources non traditionnelles telles que les
médias sociaux, numériques et imprimés. Cette stratégie s’inscrit dans la tendance croissante
des investisseurs à baser leurs décisions sur des données non structurées telles que la
réputation, l’expérience client et les indicateurs économiques. Selon le rapport « Audit 2025 :
The Future is Now » publié par KPMG, les grandes entreprises américaines souhaitent une
vision plus prospective des risques et des données issues de l’audit afin de mieux gérer leurs
activités et leurs risques. Près de la moitié des personnes interrogées soulignent également la
nécessité d’une plus grande transparence lors du processus d’audit.

Comme KPMG, EY souhaite investir davantage dans l’apprentissage profond pour analyser
les données non structurées dans des formats non traditionnels, tels que les e-mails, les
publications sur les réseaux sociaux et même les fichiers audio des conférences téléphoniques.
Ce traitement des données permettra de produire des analyses plus approfondies, de réduire
74
Debabeche, O. (2020). La composition de services Cloud par les algorithmes évolutionnaires.

38
les tâches manuelles et d’améliorer les algorithmes d’apprentissage profond utilisés pour
analyser l’information. De plus, EY explorera la technologie blockchain pour exécuter des
transactions automatiquement et en temps réel. L’utilisation d’un système de registre distribué
en temps réel permettra de détecter davantage d’anomalies quotidiennement, augmentant ainsi
l’efficacité de l’audit.

À l’avenir, les services d’audit de Deloitte viseront à générer de meilleures analyses à partir
du processus d’audit afin de fournir aux clients des recommandations d’amélioration des
processus et une identification précise des risques liés aux perturbations potentielles de leurs
activités. Deloitte se concentrera également sur la technologie blockchain, qu’elle considère
comme un outil d’analyse potentiellement transformateur pour évoluer vers un audit continu,
compte tenu de la croissance prévue des transactions sur dérivés blockchain dans les années à
venir. Par ailleurs, l’équipe mondiale d’innovation en audit de Deloitte continuera de déployer
une approche « best-of-race » en matière d’innovation, en intégrant divers systèmes, plutôt
que de choisir une solution unique.

PwC se concentrera à l’avenir sur l’exploration d’autres applications potentielles de

l’automatisation robotisée des processus et le développement de capacités d’IA pour
améliorer les capacités d’analyse d’audit, telles que la prédiction et la détection d’anomalies.
Par exemple, en 2019, PwC a remporté le prix de l’Innovation en audit de l’année pour le
développement de Cash.ai, un système qui automatise l’audit de trésorerie de bout en bout en
lisant, en comprenant et en testant les soldes de trésorerie et les documents bancaires des
clients. Par ailleurs, PwC étudie également la technologie blockchain et d’autres utilisations
potentielles des drones pour optimiser l’efficacité du processus d’audit et améliorer la qualité
de l’audit.

2.2.2.3. Analyse de l’implication future de l’IA dans l’audit des Big 4

L’IA sera impliquée dans la majeure partie du processus d’audit, à l’exception des étapes plus
faciles à exécuter avec d’autres plateformes comme la blockchain ou le cloud computing, ou
directement par interaction humaine. Si certaines activités, comme l’analyse documentaire et
la recherche d’informations, pourraient être automatisées grâce à l’IA, d’autres étapes de
l’audit nécessiteront probablement une intervention humaine pour traiter les informations
générées par l’IA et garantir leur validité et leur exactitude. Le processus de vérification de

39
l’exactitude de l’IA peut être allégé chaque année, car l’apprentissage profond améliore la
précision des algorithmes d’IA à chaque mission. Il semble que l’IA réduira considérablement
la charge de travail des auditeurs en termes de collecte de preuves, d’échantillonnage d’audit,
de tests manuels et d’analyse des données, leur permettant ainsi de se concentrer davantage
sur l’analyse des informations fournies par l’IA afin de mieux accompagner les opérations
commerciales du client, de se concentrer sur les zones à haut risque et d’améliorer la détection
des fraudes. La norme d’audit actuelle pourrait également évoluer pour s’adapter aux effets
des technologies disruptives dans le domaine, comme l’adoption de l’audit continu.

Ainsi, plutôt que de remplacer le travail des auditeurs, l’IA viendra enrichir leur travail pour
offrir des audits de meilleure qualité et plus efficaces. Cela signifie que si l’IA peut jouer un
rôle majeur dans les tâches structurées faciles à reproduire, le reste du travail nécessite
toujours des interventions humaines. De plus, l’essor de l’innovation en matière d’IA signifie
également que l’orientation des métiers de l’audit externe évoluera au fil des ans vers une
approche d’audit numérique et axée sur les données, ce qui nécessitera de nouvelles
compétences pour les futurs auditeurs des Big 4. On peut donc conclure que l’IA transformera
modérément le travail d’audit des Big 4.

2.2.2.4. Compétences requises pour un audit piloté par l’IA

Selon une enquête du Forum économique mondial réalisée en 2015, 75 % des personnes
interrogées estiment qu’en 2025, 30 % des travaux d’audit des entreprises seront entièrement
réalisés par l’IA. Avec l’automatisation croissante de l’audit, l’accent sera moins mis sur les
tâches manuelles telles que l’extraction de données et les examens physiques, mais davantage
sur la compréhension des informations issues des données et de leurs hypothèses sous-
jacentes afin de fournir des analyses plus approfondies. De plus, on s’attend à ce qu’ils se
concentrent davantage sur d’autres domaines à haut risque afin de mieux comprendre les
activités de leurs clients, d’améliorer leur gestion des risques et d’améliorer la qualité de leurs
audits, selon Deloitte et KPMG. Dans ce contexte, les auditeurs doivent posséder des
compétences en résolution de problèmes complexes pour exceller dans leur travail.

Pour Kokina et Davenport75, les auditeurs doivent apprendre à travailler aux côtés des
machines intelligentes et posséder une connaissance adéquate du big data et des compétences
75
Op.cit.

40
analytiques avancées pour interpréter les informations et les recommandations fournies par la
technologie, afin d’améliorer leurs performances et leurs résultats. Ils doivent faire preuve
d’autant plus de discernement et de scepticisme professionnels face aux résultats fournis par
ces machines, car ces technologies ne possèdent pas cette capacité et le monde est en
constante évolution. De plus, selon le rapport « Audit 2025 : The Future is Now » de
KPMG :., les auditeurs doivent développer d’excellentes compétences en communication et
un esprit critique avec leurs clients, car ces tâches ne sont pas susceptibles d’être remplacées
par la technologie. Ils doivent communiquer efficacement et poser les bonnes questions pour
identifier et évaluer les problèmes critiques, et ainsi fournir des services d’audit à valeur
ajoutée.

2.2.3 Résultats des interviews

KPMG
Selon le responsable de KPMG que nous avons interrogé, ladite entreprise est leader mondial
avec plus de 270 000 professionnels. « Elle redéfinit l’audit grâce à la technologie et au
développement des compétences numériques. En s’associant à MindBridge AI pour une
analyse avancée des transactions et des risques, KPMG exploite l’intelligence artificielle
pour transformer l’audit. Cette stratégie souligne l’engagement de KPMG en matière
d’analyse de données innovante et le rôle de MindBridge en tant qu’acteur innovant dans les
secteurs de l’audit et de la finance. »

L’IA est au cœur de la stratégie technologique de KPMG. En tant qu’innovateur en matière de

transformation technologique, KPMG ne se contente pas d’intégrer l’IA à ses pratiques
existantes. Il adapte plutôt ses systèmes et ses collaborateurs grâce à des technologies
transformatrices.
Selon notre expert, parmi ses innovations, le groupe a développé Clara, une plateforme
d’audit intelligente basée sur le cloud, dotée d’un écosystème d’applications pour répondre
aux besoins d’audit et d’assurance à travers le monde. KPMG compte près de 90 000
professionnels de l’audit dans le monde entier travaillant chez KPMG Clara. La solution
idéale :
« Nous auditons dans presque tous les pays du monde, dans toutes les langues possibles et
auprès d’entités opérant selon des modèles économiques très différents et dans tous les

41
secteurs d’activité », a-t-il déclaré ( …) Les données sont d’une grande complexité et les
risques sont variés. »
Compte tenu de la diversité des audits de KPMG, l’entreprise vise une plus grande uniformité
dans leur réalisation, avec trois objectifs principaux pour sa technologie d’audit.
Premièrement, lorsqu’un auditeur, partout dans le monde, effectue une procédure d’audit
unique, comme la vérification de l’exactitude des revenus, des flux de travail standardisés
garantissent la cohérence des procédures à l’échelle mondiale. KPMG exploite
l’automatisation et l’IA pour faciliter l’identification des risques. Enfin, KPMG cherche à
centraliser l’exécution afin de supprimer les tâches routinières et fastidieuses et de permettre
aux professionnels de l’audit de consacrer leurs compétences et leur temps à des audits
complexes et fondés sur le jugement. MindBridge est la solution idéale pour KPMG, car il
s’agit d’une technologie évolutive, et non d’une solution de niche, capable d’améliorer la
cohérence globale. La confiance de KPMG en MindBridge se reflète sur le marché, tant pour
les audits internes qu’externes.
KPMG envisage l’IA sur un spectre large, allant du pilotage automatique, où les analyses
peuvent fournir directement des preuves d’audit, au copilotage, où un assistant virtuel
intelligent, supervisé par un humain, fournit des recherches et des résultats qui soutiennent les
tâches d’audit. MindBridge s’inscrit parfaitement dans le domaine du pilotage automatique,
selon notre interlocteur, car « il est interprétable, explicable et transparent. »

EY
EY a intégré l’intelligence artificielle (IA) à ses processus d’audit, permettant ainsi la
détection d’activités frauduleuses.

Notre interlocuteur, responsable de l’audit d’EY pour deux pays anglophones, a commenté
l’efficacité du système, indiquant que « ces premiers résultats démontrent son utilité
potentielle en audit. » Bien que celui-ci ait refusé de révéler les détails de son logiciel ou la
nature des fraudes découvertes, il a déclaré que les résultats suggéraient que la technologie
était adaptée à l’audit. EY a commencé à expérimenter l’IA en audit en 2018.

Notre interlocuteur a toujours été passionné de programmation. Son expertise dans le

développement de modèles et de systèmes d’audit l’a conduit à explorer l’application de
l’apprentissage automatique à l’analyse de données comptables.

42
Les recherches approfondies effectuées par celui-ci sur les articles universitaires et les
algorithmes existants lui ont permis de comprendre qu’il existait une meilleure façon de
détecter les anomalies grâce à l’apprentissage automatique. Motivé par sa vision, il a codé
« une solution d’IA capable de détecter les entrées anormales dans de grandes bases de
données. Cette technologie, première du genre dans le domaine de l’audit, a été brevetée. »

Conscient de la nécessité d’une collaboration, il a constitué une équipe d’auditeurs et de

développeurs « pour tester et améliorer la méthode de détection de la solution, baptisée plus
tard EY Helix GL Anomaly Detector ou Helix GLAD. »

Il ajoute que « la capacité du système d’IA à analyser rapidement et efficacement de vastes

volumes de données pourrait constituer un outil puissant pour les auditeurs, les alertant des
signes d’irrégularités et autres problèmes. Cependant, le secteur reste divisé quant à la
fiabilité de cette technologie, certaines entreprises exprimant leur scepticisme quant à la
capacité de l’IA à détecter les multiples formes de fraude potentielle. »

Les auditeurs jouent un rôle crucial dans l’évaluation des écritures signalées et la
recommandation des mesures appropriées. Pour gagner leur confiance, avec ses
collaborateurs, notre interlocuteur a mené des tests rigoureux de la solution sur un ensemble
de données où les écritures frauduleuses étaient prédéterminées.

En observant l’algorithme détecte avec précision les écritures frauduleuses, « l’équipe

d’assurance a commencé à croire au potentiel d’Helix GLAD pour améliorer la précision des
processus d’audit. Cependant, un aspect crucial manquait : les auditeurs ne comprenaient
pas pourquoi l’algorithme détectait des anomalies spécifiques. Cette connaissance était
essentielle pour évaluer l’impact et la validité des écritures signalées. »

Pour y remédier, l’équipe a conçu une solution exploitant l’analyse des données pour créer
des cartes visuelles des entrées signalées et des raisons de leur détection, offrant ainsi aux
auditeurs une vision transparente de la méthode de détection de l’algorithme.

Selon notre interlocuteur, a capacité de l’outil à analyser de vastes volumes de données et à

signaler les transactions suspectes a transformé le paysage de l’audit. Elle a non seulement

43
amélioré la précision et l’efficacité des audits, mais a également considérablement réduit le
risque que des irrégularités financières passent inaperçues.

Deloitte
Deloitte enrichit sa plateforme d’audit cloud Omnia avec des agents d’IA autonomes et des
agents de génération d’IA afin de rationaliser les processus, d’identifier les risques et
d’améliorer la qualité. Alors que le secteur comptable s’efforce de s’adapter à des
environnements commerciaux et des pressions réglementaires de plus en plus complexes,
Deloitte a commencé à déployer des agents d’IA sur sa plateforme d’audit mondiale.

Selon notre interlocuteur collaborateur chez Deloitte, « l’entreprise a annoncé de nouvelles

fonctionnalités d’IA au sein d’Omnia, son système d’audit cloud utilisé par les auditeurs du
monde entier. Cette mise à jour inclut à la fois des outils de génération d’IA et des agents
autonomes capables de gérer des tâches spécifiques sans surveillance humaine constante. »

Cette innovation s’inscrit dans une démarche plus large du secteur comptable visant à utiliser
la technologie pour gérer les tâches courantes, permettant ainsi aux auditeurs de se concentrer
sur des analyses plus complexes et sur la relation client.

La plateforme Omnia, lancée par Deloitte en 2015, gère les travaux d’audit de clients issus
de nombreux secteurs. Les 85 000 professionnels de l’audit et de la certification du cabinet
dans le monde entier utilisent ce système pour réaliser des audits d’états financiers et des
services connexes. Elle s’enrichit d’outils de documentation Gen AI.
Les nouvelles fonctionnalités de Gen AI ciblent les tâches fastidieuses qui accaparent
traditionnellement le temps des auditeurs. Elles permettent désormais d’examiner la
documentation d’audit et de suggérer des améliorations, contribuant ainsi à la cohérence
entre les équipes.

Notre interlocuteur responsable de l’activité audit et assurance de Deloitte ajoute que

« Poursuivre nos efforts pour intégrer des technologies toujours plus avancées et adaptatives
à notre plateforme d’audit a constitué un investissement crucial, permettant à nos auditeurs
de répondre avec agilité aux exigences croissantes de la profession, tout en maintenant notre
engagement envers la qualité et la confiance.»

44
Les auditeurs peuvent également télécharger des projets d’états financiers et poser des
questions sur leur contenu en anglais simple. L’IA peut parcourir plusieurs documents et
synthétiser les informations clés, ce qui permet aux auditeurs d’identifier les problèmes et de
tirer des conclusions plus rapidement. La plateforme peut également rédiger les premières
ébauches de communications d’audit et de notes comptables, tâches généralement confiées
aux collaborateurs juniors.

« Les capacités de recherche de la plateforme d’audit de Deloitte permettent désormais de

répondre rapidement aux questions techniques en comptabilité. Deloitte travaille sur une
technologie d’identification des risques qui analyse les sources d’information externes pour
détecter d’éventuels problèmes. » L’idée est d’aider les auditeurs à repérer les problèmes
avant qu’ils ne s’aggravent.

PwC
Selon notre interlocuteur de chez PwC, « L’International Accounting Bulletin de
PricewaterhouseCoopers (PwC) a nommé la technologie GL.ai, créée en collaboration avec
la start-up de la Silicon Valley H2O.ai, « Innovation en audit de l’année » en octobre 2017.
Elle est capable d’analyser des documents et de rédiger des rapports. Elle a créé la
plateforme analytique révolutionnaire « HALO », qui facilite le développement de procédures
d’audit efficaces et de haut niveau. »

En somme, nos interviews nous permettent d’avancer que l’intégration de l’IA dans les
processus en audit présente de nombreux avantages pour les grands cabinets comptables. Les
algorithmes d’IA peuvent analyser d’importants volumes de données en une fraction du temps
nécessaire à un auditeur humain.

Cette efficacité permet aux auditeurs de se concentrer sur l’analyse et l’interprétation des
résultats plutôt que de passer d’innombrables heures à examiner manuellement les données.
Ces modèles sont également insensibles aux biais et à la fatigue humaine. Ils appliquent
systématiquement des règles et des critères prédéfinis pour identifier les anomalies,
garantissant une approche plus objective et plus fiable. Cela réduit le risque de passer à côté
de transactions suspectes en raison d’une erreur humaine ou d’un oubli.

45
Cependant, l’ensemble de nos interlocuteurs s’accordent pour dire que la mise en œuvre de
l’IA dans la détection des fraudes en audit n’est pas sans poser de défis. L’un des principaux
défis réside dans l’intégration de l’IA aux systèmes et processus d’audit existants.

Les cabinets d’audit doivent s’assurer que les algorithmes d’IA sont compatibles avec leur
infrastructure existante et s’intègrent parfaitement à leurs flux de travail. Cela nécessite une
planification, une formation et une collaboration rigoureuses entre les auditeurs et les
spécialistes en IA.

Un autre défi réside dans la nécessité d’une surveillance et d’une mise à jour continues des
algorithmes d’IA. À mesure que les fraudeurs font évoluer leurs techniques, les algorithmes
d’IA doivent également s’adapter pour détecter de nouveaux schémas et anomalies. Auditeurs
et développeurs doivent collaborer pour affiner et mettre à jour les algorithmes afin de
devancer les menaces émergentes.

2.2.4 Préconisations

Avec l’intensité de la quatrième révolution industrielle, l’intelligence artificielle (IA) est

largement adoptée pour accomplir des tâches clés dans les activités économiques. La
profession d’audit a également adopté l’IA dans l’exercice de ses fonctions, notamment en
matière d’audit, de surveillance et de conseil. L’application de l’IA a été accueillie
favorablement, compte tenu de ses avantages dans certains milieux, mais avec résistance et
scepticisme dans d’autres. Les partisans de l’IA évoquent des avantages tels que
l’amélioration des procédures d’échantillonnage, la réduction de la main-d’œuvre et du temps
d’audit, une efficacité accrue (grâce à une couverture d’audit élargie), y compris une
amélioration de la qualité de l’audit. Les opposants soulèvent des préoccupations
pragmatiques telles que la violation des principes éthiques régissant la profession d’audit, les
biais potentiels (perte d’emploi) ainsi que les défis liés à la coordination des activités
humaines et mécaniques.

Les suggestions suivantes peuvent être approfondies pour des recherches ultérieures. De
futures recherches pourraient examiner l’analyse coûts-avantages de la mise en œuvre de l’IA
dans l’audit des Big 4 afin de prédire avec précision si ces cabinets adopteront effectivement
ces technologies à l’avenir. De plus, cette étude montre que les Big 4 ne se concentrent pas

46
uniquement sur l’IA, mais également sur d’autres innovations en audit, telles que les drones,
le cloud computing et la blockchain. Bien que ces sujets aient été brièvement abordés dans cet
article, des recherches supplémentaires sont nécessaires pour comprendre leur impact sur le
travail des auditeurs, notamment en raison de leur complémentarité avec l’IA.

Les recherches futures pourraient également impliquer des experts en IA et des auditeurs des
Big 4 afin de comprendre pleinement la logique de fonctionnement de chaque IA et leur
évolution dans l’audit futur. Toutes ces suggestions apporteront un éclairage supplémentaire
sur l’avenir technologique de l’audit externe dans les Big 4.

47
Conclusion
Cette recherche a examiné les capacités de différents types d’IA et testé leur faisabilité aux
étapes spécifiques d’un processus d’audit, telles que présentées dans le cadre général. L’étude
des sites web des Big 4 a permis d’obtenir des informations sur les innovations actuelles en
matière d’IA dans le cadre de l’audit des Big 4. Ces informations ont ensuite été comparées
aux axes d’innovation futurs des Big 4, ainsi qu’à la littérature existante sur la mise en œuvre
de l’IA en audit et aux applications générales de l’IA potentiellement adoptées dans le
processus d’audit.

L’étude montre que, si l’implication de l’IA dans le processus d’audit des Big 4 est
aujourd’hui plutôt faible, elle tend à se développer à un niveau modéré. Les innovations
actuelles en audit incluent des IA telles que le traitement automatique du langage naturel
(TALN), l’apprentissage profond, la programmation logique inductive, les systèmes experts,
les réseaux bayésiens, l’automatisation robotisée des processus, la programmation probabiliste
et la vision par ordinateur. Ces IA fonctionnent en complémentarité avec d’autres
technologies telles que la blockchain, les progiciels de gestion intégrés (ERP), les drones, le
cloud computing, les outils de visualisation de données et la reconnaissance optique de
caractères. De plus, les résultats prédisent qu’à l’avenir, l’IA sera modérément impliquée dans
les travaux d’audit des Big 4 et prendra entièrement en charge les tâches structurées. Des
tâches telles que l’examen des documents, la recherche d’informations et la rédaction de
lettres de mission peuvent être entièrement automatisées grâce à l’IA. Certains types d’IA,
actuellement non déployés dans les processus d’audit, présentent également un potentiel pour
faciliter certaines étapes, comme l’apprentissage affectif dans l’interaction avec les clients, et
les algorithmes évolutifs dans la détection des fraudes et la recherche d’informations
avancées. Ainsi, à mesure que l’IA automatise de plus en plus les travaux d’audit, les futurs
auditeurs des Big 4 pourront se concentrer moins sur les tâches manuelles comme l’extraction
de données et se concentrer sur l’analyse approfondie des données pour améliorer la qualité
de l’audit et fournir des services d’audit à valeur ajoutée à leurs clients.

Par conséquent, la question de recherche « Dans quelle mesure l’IA impacte-t-elle l’audit
externe ? » est répondue. L’IA transformera modérément le travail des auditeurs externes des
Big 4. En effet, l’IA sera impliquée dans la majeure partie du processus d’audit, à l’exception

48
des étapes qui peuvent être mieux exécutées par d’autres plateformes comme la blockchain ou
le cloud computing, ou directement par interaction humaine.

L’IA allégera considérablement la charge de travail des auditeurs en termes de collecte de

preuves, d’échantillonnage d’audit, de tests manuels et d’analyse des données. Ils pourront
ainsi se concentrer davantage sur l’analyse des informations fournies par l’IA afin de mieux
accompagner les opérations commerciales de leurs clients, de se concentrer sur les secteurs à
haut risque et d’améliorer la détection des fraudes. Pour exceller dans l’audit piloté par l’IA
des Big 4, leurs auditeurs doivent posséder une connaissance suffisante du Big Data, des
compétences analytiques avancées, ainsi qu’une capacité à communiquer efficacement et à
faire preuve d’esprit critique. De plus, il est nécessaire de faire preuve de davantage de
jugement professionnel et de scepticisme dans le traitement des informations fournies par l’IA
afin de produire une opinion d’audit précise.

Cette recherche a rencontré plusieurs limites. Premièrement, bien que cette étude souligne les
avantages de l’IA et évalue son potentiel dans le processus d’audit, elle n’a pas examiné les
coûts de mise en œuvre de l’IA et les risques associés. De ce fait, elle n’aborde pas
pleinement les limites de l’utilisation de l’IA en audit. De plus, les résultats de cette recherche
n’ont pas permis de dresser un tableau complet et détaillé de l’innovation en matière d’IA au
sein des Big 4 en raison du peu d’informations que ces cabinets publient publiquement. À
l’ère de l’innovation en audit, l’utilisation d’un type spécifique d’IA pourrait constituer un
avantage concurrentiel pour le cabinet. C’est pourquoi il ne partage ces informations que sur
demande de ses clients. De plus, les Big 4 utilisent souvent des termes non techniques pour
expliquer leurs innovations en audit, plus faciles à comprendre pour le grand public. Par
exemple, les expressions « apprentissage automatique » et « analyse prédictive », qui
constituent un autre type d’IA, étaient fréquemment utilisées sur leurs sites web. Il est donc
difficile d’identifier précisément le type d’IA déployé par les cabinets.

Enfin, le terme « intelligence artificielle » lui-même présente un inconvénient. La définition

de l’IA évolue constamment en raison du phénomène de l’effet IA. À mesure que les
machines deviennent de plus en plus performantes, les technologies qui se généralisent ne
seront plus considérées comme de l’IA. Par exemple, certains Big 4 ne considèrent plus
l’automatisation robotisée des processus comme de l’IA, mais comme un autre type de
technologie.

49
Bibliographie

(2019). Audit Explorer. PricewaterhouseCoopers. Consultable sur

https://www.pwc.com/gx/en/audit-services/assets/pdf/audit-explorer-at-a-glance-on-
screen.pdf

Abbadi, A., & Escaffre, L. (2022). du rapport d’audit. société, 23.

Ali Nouna, S., & Khelifati, R. (2023). Transformation de la profession d’auditeur externe à
travers l’impact du digital (Doctoral dissertation, école superieure de gestion et
d’economie numerique).

Allouli, N., & Boumeska, M. (2023). L’Impact de la transformation digitale sur l’audit
externe: Nouvelles perspectives et pratiques émergentes: Revue systématique de
littérature. Alternatives Managériales Economiques, 5(4), 135-153.

Arharbi, N., & El Aissaoui, Y. (2024). Vers un contrôle de gestion agile: l’intelligence
Artificielle et le Big Data pour la performance en environnement incertain. IJDAM•
International Journal of Digitalization and Applied Management, 1(2), 195-210.

Arharbi, N., & El Aissaoui, Y. (2024). Vers un contrôle de gestion agile: l’intelligence
Artificielle et le Big Data pour la performance en environnement incertain. IJDAM•
International Journal of Digitalization and Applied Management, 1(2), 195-210.

Aziki, A., Fadili, M. H., & Ilahiane, N. (2023). Influence Sociale et acceptabilité de
l’Intelligence Artificielle par les Experts Comptables: une analyse conceptuelle.
In actes du colloque international «transition durable des organisations et
communautes: enjeux et perspectives» (p. 240).

Aziki, A., Fadili, M. H., & Ilahiane, N. (2023). Influence Sociale et acceptabilité de
l’Intelligence Artificielle par les Experts Comptables: une analyse conceptuelle.
In actes du colloque international «transition durable des organisations et
communautes: enjeux et perspectives» (p. 240).

50
Benbouzid, B., & Cardon, D. (2022). Contrôler les IA. Réseaux, (2), 9-26.

Boudin, F. (2013, June). TALN Archives: une archive numérique francophone des articles de
recherche en Traitement Automatique de la Langue. In Traitement Automatique des
Langues Naturelles (TALN) (pp. 507-514).

Buchanan, B. G., & Feigenbaum, E. A. (1981). DENDRAL and Meta-DENDRAL: Their

applications dimension. In Readings in artificial intelligence (pp. 313-322). Morgan
Kaufmann.

Carassus, D., & Gregorio, G. (2003). Gouvernance et audit externe légal: une approche
historique comparée à travers l’obligation de reddition des comptes. In Neuvièmes
journées d’histoire de la comptabilité et du management.

Cardon, D. (2018). Le pouvoir des algorithmes. Pouvoirs, (1), 63-73.

Chauvey, J.-N. et Naro, G. (2023). Contrôle interne et management des risques : de la

compliance à la stratégie Le cas d’une cartographie des risques dans une compagnie
d’assurance française. Comptabilité Contrôle Audit, Tome 29(3), 85-129.

Chong, L., et al. (2022). Human confidence in artificial intelligence and in themselves: The
evolution and impact of confidence on adoption of AI advice. Computers in Human
Behavior, 127, 107018.

Chong, L., et al. (2022). Human confidence in artificial intelligence and in themselves: The
evolution and impact of confidence on adoption of AI advice. Computers in Human
Behavior, 127, 107018.

Clinquart, M., & Stempnierwsky, Y. L’intelligence artificielle est-elle un atout ou une menace
pour le comptable/expert-comptable?.

Clinquart, M., & Stempnierwsky, Y. L’intelligence artificielle est-elle un atout ou une menace
pour le comptable/expert-comptable?.

Crubellier, M. (2011). Du sullogismos au syllogisme. Revue Philosophique de la France et de

l’Étranger, 136(1), 17-36.

51
Dao-Le Flécher, P. (2022). L’apport de la technologie de l’information à l’audit continu:
quelques pistes de réflexion et d’action. Audit et société, (2), 41-47.

Debabeche, O. (2020). La composition de services Cloud par les algorithmes évolutionnaires.

Deloitte. Blockchain and financial reporting. Consultable sur

https://www2.deloitte.com/us/en/pages/audit/articles/blockchain-financial-
reporting.html

El Fakir, M. (2023). L’indépendance des auditeurs et la qualité de l’audit: Une revue de

littérature systématique. International Journal of Accounting, Finance, Auditing,
Management and Economics, 4(2-1), 26-44.

El Mestari, S. Z., Lenzini, G., & Demirci, H. (2024). Preserving data privacy in machine
learning systems. Computers & Security, 137, 103605.

Ernst & Young. EY Canvas. Ernst & Young. Consultable sur

https://www.ey.com/en_om/audit/technology/canvas

Ernst & Young. Audit Innovation. Ernst & Young. Consultable sur
https://www.ey.com/en_gl/audit/innovation

Ernst & Young. EY Helix. Ernst & Young. Consultable sur

https://www.ey.com/en_om/audit/technology/helix

Field, A. J. (2003). The most technologically progressive decade of the century. American
Economic Review, 93(4), 1399-1413.

Forestier, F., & Ansermet, F. (2021). La dévoration numérique. Odile Jacob.

fr.statista.com

Gefen, A. (2022). IA: pour une histoire culturelle. Revue d’histoire culturelle. XVIIIe-XXIe
siècles, (4).

Ghandari, y., & Ouenzar, s. (2022). l’audit interne a l’ère de la transformation digitale: vers
un nouveau role facteurs de succes et challenges. Revue Française d’Economie et de
Gestion, 3(5).

52
Gornet, M., & Maxwell, W. (2023). Normes techniques et éthique de l’IA. In CNIA 2023-
Conférence Nationale en Intelligence Artificielle.

Hayes, R., Wallage, P., & Gortemaker, H. (2014). Principles of auditing: an introduction to
international standards on auditing. Harlow: Prentice Hall.

Hayes, R., Wallage, P., & Gortemaker, H. (2014). Principles of auditing: an introduction to
international standards on auditing. Harlow: Prentice Hall.

Hazgui, M., Dermarkar, S. et Trottier-Fortin, M. (2025). La transformation numérique dans

les Big 4 : où en sommes-nous ? ACCRA, 22(1), 49-77.

Hniche, O., & Chegri, B. E. (2023). Qualité de l’audit externe: Revue de littérature. African
Scientific Journal, 3(15).

https://www.efinancialcareers.fr/actu/travailler-pour-pwc-deloitte-ey-et-kpmg-quelle-
difference#:~:text=En%20termes%20de%20chiffre%20d,effectifs%20comptaient
%20460%20000%20personnes.

https://www.efinancialcareers.fr/actu/travailler-pour-pwc-deloitte-ey-et-kpmg-quelle-
difference#:~:text=PwC%20est%20le%20deuxi%C3%A8me%20Big,le%20domaine
%20de%20l’audit.

Illouz, G. (2000). Vers un apprentissage en TALN dépendant du type de Texte. In les actes de
Actes de la 7ème conférence annuelle sur le Traitement Automatique des Langues
Naturelles TALN (pp. 16-18).

Kokina, J et al. (2025). Challenges and opportunities for artificial intelligence in auditing:
Evidence from the field, International Journal of Accounting Information Systems,
Volume 56, 2025, ISSN 1467-0895.

Kokina, J., & Davenport, T. H. (2017). The emergence of artificial intelligence: How
automation is changing auditing. Journal of Emerging Technologies in Accounting,
14(1), 115-122.

KPMG. (2018b). KPMG Clara: A smart audit platform. KPMG. Consultable sur
https://assets.kpmg/content/dam/kpmg/xx/pdf/2017/05/kpmg-clara-a-smart-audit-
platform.pdf

53
Kumar, A., Tejaswini, P., Nayak, O., Kujur, A. D., Gupta, R., Rajanand, A., & Sahu, M.
(2022, May). A survey on IBM watson and its services. In Journal of Physics:
Conference Series (Vol. 2273, No. 1, p. 012022). IOP Publishing.

Lambert, C. et Sponem, S. (2009). La fonction contrôle de gestion : proposition d’une

typologie. Comptabilité Contrôle Audit, Tome 15(2), 113-144.

Lamri, J., Tertrais, G., & Silver, A. (2023). Chapitre 1. Comprendre les IA génératives et leur
portée. Questions de société, 23-67.

Lamri, J., Tertrais, G., & Silver, A. (2023). Chapitre 1. Comprendre les IA génératives et leur
portée. Questions de société, 23-67.

Le Meur, T. (2024). Aristote: du projet étudiant à l’IA génératrice de quiz pour les
plateformes VoD. In JRES (Journées réseaux de l’enseignement et de la recherche)
2024.

Lebraty, J.-F. (2009). Externalisation ouverte et pérennité Une nouvelle étape de la vie des
organisations. Revue française de gestion, 192(2), 151-165. https://shs.cairn.info/revue-
francaise-de-gestion-2009-2-page-151?lang=fr.

Lemoine, P. (2025). IA: l’esprit happé par l’imaginaire. Esprit, (4), 79-85.

Lukyanenko, R. (2025). Prochain paradigme de données: utiliser l’IA pour gérer toutes les
données humaines.

Manita, M. H. R., & Pochet, C. (2020). Les defaillances affectant la qualite de l’audit: une
etude qualitative sur le marche français. Crises et nouvelles problématiques de la valeur,
Nice.

Morales, J. (2013). Le projet professionnel des contrôleurs de gestion: analyser des données
pour aider les managers à prendre des décisions rationnelles?. Comptabilité contrôle
audit, 19(2), 41-70.

Müller, V. C., & Bostrom, N. (2016). Future Progress in Artificial Intelligence: A Survey of
Expert Opinion. Fundamental Issues of Artificial Intelligence, 555-572.

Nadeau, P., & Jobin, K. (2024). 1. Fondements de l’IA générative. Hors collection, 10-29.

54
Obert, R., Mairesse, M. P., & Desenfans, A. (2023). Chapitre 16. Procédures mises en œuvre
dans une mission d’audit. Expert Sup, 5, 480-511.

Palud, P., Thouvenin, P. A., Chainais, P., Bron, E. E., & Le Petit, F. (2023, August).
Problèmes inverses et test bayésien d’adéquation du modèle. In 29° Colloque sur le
traitement du signal et des images (pp. 697-700).

Pigé, B. (2017). Chapitre 2. L’audit. Audit et contrôle interne : De la conformité au jugement

(p. 52-85). EMS Éditions.

Pigé, B. (2024). Chapitre 2. L’audit externe. Audit et contrôle interne : De la conformité à la

responsabilité, la place du jugement professionnel dans un monde digitalisé financier et
extra-financier (p. 72-116). EMS Éditions.

Pluchart, J.-J. (2019). Chapitre 8. La créativité comptable et l’intelligence artificielle. Dans

A. Bahuon et J. Pluchart La transformation des entreprises : Les métiers du conseil, du
droit et du chiffre à l’ère phygitale.Vuibert.

Porter et al. (2014). Op.cit.

Porter, B., Simon, J., & Hatherly, D. (2014). Principles of external auditing. 4th edition.
Chichester: John Wiley & Sons.

Rahli, H. (2018). Le Mythe de la Singularité. Faut-il craindre l’intelligence artificielle?.

Rikhardsson, P., & al. (2022). Artificial intelligence and auditing in small- and medium-sized
firms: Expectations and applications. AI Magazine , 43 (3), 323-336.

Sahut, J. M., Braune, É., & Lissillour, R. (2023). Développement de l’IA et questions
éthiques: passage d’une perspective statique à une perspective dynamique. Management
& Avenir, 137(5), 137-158.

Schumpeter, J. (2021). Théorie de la destruction créatrice. Éditions Payot.

Sebag, M. (2024). I. Ouverture: quelles limites l’IA a-t-elle déjà surmontées?. In Ce qui
échappe à l’intelligence artificielle (pp. 21-29). Hermann.

Selmer, C. (2023). Outil 53. La mission d’audit interne. BàO La Boîte à Outils, 4, 162-165.

55
Selmer, C. (2023). Outil 53. La mission d’audit interne. BàO La Boîte à Outils, 4, 162-165.

Shortliffe, E. (Ed.). (2012). Computer-based medical consultations: MYCIN (Vol. 2).

Elsevier.

Si, M. B., & Maalemi, T. (2023). Le triangle d’or (audit externe, audit interne et comité
d’audit), comme dispositif de la gouvernance et de la qualité de l’information
financière: Revue de littérature. Revue Française d’Economie et de Gestion, 4(2).

Teigens, V. (2020). Intelligence artificielle générale (Vol. 1). Cambridge Stanford Books.

Thiery-Dubuisson, S. (2009). II. L’approche par les risques. L’audit (p. 29-44). La
Découverte. https://shs.cairn.info/l-audit--9782707152800-page-29?lang=fr.

Tounkara, T. (2020). Automatisation Robotisée des Processus (RPA): quels défis pour la
transformation numérique des entreprises?. Approches Théoriques en Information-
Communication (ATIC), 1(1), 95-118.

Turing, A. M. (1988). Chess. Computer Chess Compendium, 14-17.

Üçoğlu, D. (2022). Artificial Intelligence and Auditing: Benefits and Risks. In M. Gupta, D.
Sharma, & H. Gupta, Revolutionizing Business Practices Through Artificial Intelligence
and Data-Rich Environments (pp. 162-187)

Van der Aalst, W. M., Bichler, M., & Heinzl, A. (2018). Robotic process
automation. Business & information systems engineering, 60, 269-272.

Yates, F. A. (1954). The art of Ramon Lull: An approach to it through Lull’s theory of the
elements. Journal of the Warburg and Courtauld Institutes, 17(1-2), 115-173.

Zaidenberg, S. (2009). Apprentissage par renforcement de modèles de contexte pour

l’informatique ambiante (Doctoral dissertation, Institut National Polytechnique de
Grenoble-INPG).

56
Annexe : Guide d’entretien

1. Comment l’entreprise utilise-t-elle l’IA en termes d’audit externe ?

2. Quels sont les principaux objectifs pour la technologie d’audit de l’entreprise ?
3. Quels sons les spectres pour lesquels l’IA est envisagée ?
4. L’outil est-il efficace ?
Si oui, dans quelle mesure ?
Si non, pourquoi et comment faire en sorte qu’il le soit ?
5. Les défis à relever ?

57