REMERCIEMENTS

La réalisation de ce travail a été rendue possible grâce à des rencontres, des encouragements, et
des confiances accordées, sans lesquels aucune page n'aurait pu être écrite. C’est pourquoi je
tiens à remercier avec profonde gratitude tout ceux et celles qui ont contribué de près ou de loin
, à l’aboutissement de ce travail .
Mes premiers remerciements vont à mon encadrent , dont les conseils avisés, la rigueur
intellectuelle et la disponibilité bienveillante ont été des repères précieux tout au long de ce
travail. Ses orientations ont su à la fois cadrer ma réflexion et m'encourager à l'approfondir avec
exigence et honnêteté.
Je remercie chaleureusement l'ensemble du corps professoral de l ‘ENCG CASABLANCA pour la
qualité de la formation dispensée et pour avoir su éveiller en moi un intérêt sincère pour les
métiers du chiffre et de l'audit. Les enseignements reçus constituent le socle sur lequel ce
mémoire a été construit.
Ma gratitude va également à l'équipe de KPMG Maroc, et en particulier aux professionnels qui
m'ont accueilli lors de mon stage, accordé leur temps et partagé leur expérience avec générosité.
Leur regard sur la réalité des missions d'audit a été une source d'apprentissage inestimable et a
donné à ce travail son ancrage dans le concret.
Je remercie sincèrement l'ensemble des professionnels qui ont accepté de répondre au
questionnaire de cette étude malgré la densité de leurs agendas. Leur contribution a été
déterminante pour la qualité de l'analyse empirique, et ce mémoire n'aurait pas la même valeur
sans leur participation.
Enfin, je tiens à adresser mes remerciements les plus chaleureux à ma famille et à mes proches,
pour leur patience, leur soutien et leur présence constante dans les moments de doute comme
dans ceux de satisfaction. Leur confiance a été, tout au long de ce parcours, ma source de
motivation la plus profonde.
À toutes et à tous, merci.

Résumé :
La transformation de l’audit est aujourd’hui une réalité qui s’impose dans le domaine . avec
changement de la réalité économique , l’essor des nouvelles technologies et l’explosion des
volumes des données , l’exploration des solutions intelligentes est un impératif pour les entités
qui n’ont pas d’autres choix que de s’adapter à cette nouvelle tendance .
Ce travail porte des réponses aux confusions qui entourent ce sujet , en suivant une
méthodologie claire et solide .
Mots-clés : Audit financier — Intelligence artificielle — Data Analytics — Approche par les risques
— Rôle de l'auditeur — KPMG Maroc — Normes ISA — Transformation numérique — Jugement
professionnel .
Abstarct :
The transformation of auditing is now a reality that is becoming increasingly important in the
field. With changing economic realities, the rise of new technologies, and exponential growth of
data volumes, exploring intelligent solutions is a necessity for organizations that have no choice
but to adapt to this evolving environment .
This study aims to provide a clearer understanding of this transformation by addressing the
uncertainties surrounding the subject through a rigorous and well-structured methodological
approach.
Keywords : Financial audit — Artificial intelligence — Data analytics — Risk-based approach —
Auditor's role — KPMG Morocco — ISA standards — Digital transformation — Professional
judgment

INTRODUCTION :

Dans un environnement économique marqué par la mondialisation, la complexité croissante des

modèles d’affaires et l’accélération du numérique, la fiabilité de l’information financière est
devenue un enjeu majeur. C’est ici que l’audit financier joue son rôle, en apportant transparence
et confiance aux états financiers publiés.

L’audit légal apparaît alors comme un dispositif essentiel de contrôle externe, visant à
certifier la régularité, la sincérité et l’image fidèle des états financiers, conformément aux
normes comptables et aux textes légaux. Cette mission, assurée par un commissaire aux
comptes (l’auditeur légal) indépendant, conserve toute son importance dans un environnement
économique de plus en plus complexe et digitalisé, en garantissant la fiabilité de l’information
financière et en contribuant à la stabilité du système économique.

Historiquement, les missions d’audit reposent sur une approche par les risques. L’idée est
simple : cibler les zones les plus sensibles aux anomalies pour mieux orienter les vérifications.
Mais avec la transformation numérique, cet environnement a radicalement changé.
Systèmes intégrés, automatisation poussée, volume de données qui explose au quotidien : ces
évolutions rendent les méthodes d’audit traditionnelles de plus en plus complexes à appliquer
efficacement.

Face à ce constat, de nouveaux outils s’imposent. Le Data Analytics et l’Intelligence Artificielle (IA)
sont aujourd’hui au cœur de cette mutation. Le Data Analytics rassemble les techniques de
collecte, de traitement et d’analyse de données massives pour éclairer la prise de décision
(GARTNER, 2024). L’intelligence artificielle, elle, permet aux machines de reproduire des facultés
cognitives humaines comme le raisonnement, l’apprentissage ou la reconnaissance de modèles
complexes (RUSSELL et NORVIG, 2022).

Intégrer ces technologies permet désormais d’examiner des populations entières de données, de
repérer des anomalies atypiques et d’automatiser certains contrôles. On voit alors émerger un «
audit augmenté », où l’analyse technologique vient épauler le jugement professionnel de
l’auditeur (VASARHELYI et al., 2024).

Ce sujet est d’autant plus pertinent qu’il est au centre de l’actualité. STANFORD HAI (2025) note
une adoption sans précédent de l’IA dans les organisations, ce qui influence les fonctions
comptables et financières. Parallèlement, des organismes comme l’IAASB travaillent à adapter les
normes aux outils avancés, tandis que des cadres réglementaires, à l’instar de l’AI Act européen,
soulignent l’importance stratégique de la gouvernance des données.

Au Maroc, les entreprises et administrations s’inscrivent également dans cette dynamique de

digitalisation. Les grands cabinets internationaux sur place investissent dans ces outils pour
accroître la qualité de leurs interventions. Cette transition pose toutefois des questions sur les
bénéfices concrets, les limites de ces technologies et, surtout, sur l’évolution du rôle et des
compétences de l’auditeur.

C’est précisément ce que ce mémoire explore :

« L’intégration de l’Intelligence Artificielle et du Data Analytics dans la démarche d’audit

financier : impacts sur l’approche par les risques et l’évolution du rôle de l’auditeur »

Ce travail cherche à analyser comment ces technologies transforment concrètement les

méthodes d’audit et redéfinissent l’exercice quotidien de la profession.

La problématique centrale peut être formulée ainsi :

Dans quelle mesure l’intégration de l’intelligence artificielle et du Data Analytics transforme-t-elle

la démarche d’audit financier fondée sur les risques et quelles sont les implications de cette
transformation sur le rôle de l’auditeur ?

Afin de répondre à cette problématique , cette étude s'appuie sur les hypothèses suivantes :

 H1 : L’intégration de l’intelligence artificielle et du Data Analytics connaît un niveau

d’adoption croissant au sein des cabinets d’audit.
 H2 : Le recours au Data Analytics améliore l’identification et l’évaluation des risques
d’audit en renforçant l’efficacité de l’approche par les risques.
 H3 : L’intégration de l’intelligence artificielle transforme progressivement le rôle de
l’auditeur ainsi que les compétences requises pour l’exercice de la profession.
  H4 : L’utilisation de l’intelligence artificielle en audit soulève des enjeux éthiques,
réglementaires et professionnels qui nécessitent une adaptation du cadre de référence
actuel.

Pour confirmer ou réfuter ces hypothèses , le mémoire se divise en deux volets complémentaires.

La première partie est dédiée au cadre théorique. Elle pose les bases de l’audit financier et
explicite les concepts de Data Analytics et d’IA, tout en analysant leurs effets sur les pratiques, la
gouvernance et le rôle des auditeurs.

La seconde partie, empirique, s’appuie sur une enquête menée auprès de professionnels de
l’audit et de la finance. L’objectif est de confronter la théorie aux réalités du terrain et de
recueillir l’avis des acteurs du domaine sur cette intégration technologique.

En somme, cette étude ambitionne de mieux cerner les mutations de l’audit. Il s’agit d’évaluer si
l’IA et le Data Analytics sont réellement les leviers capables de renforcer l’approche par les
risques et comment ils redessinent le rôle de l’auditeur dans un monde toujours plus digital.

PARTIE I — CADRE THÉORIQUE

Comprendre les transformations actuelles de l'audit financier demande, avant de se lancer dans
une analyse de terrain, de bâtir une base conceptuelle solide. C'est l'ambition de cette première
partie : poser des fondements théoriques pour pouvoir ensuite interpréter avec recul les réalités
observées.
La profession repose traditionnellement sur des principes, des normes et des méthodes qui ont
évolué au fil des décennies sous la pression des crises financières, des changements
technologique et des attentes des parties prenantes.
La légitimité de l’approche traditionnelle , repose avant tout , sur la confiance des acteurs
économiques. C'est cette architecture, à la fois robuste et changeante, que nous allons revisiter.
Or , le métier ne peut plus être appréhendé sans son contexte technologique . Avec l'IA, le
machine learning, le Big Data et les outils de Data Analytics, les missions d'audit changent de
nature. Ils ne sont pas là pour simplement assister un processus inchangé : ils en transforment la
logique, en remplaçant peu à peu la méthode classique par sondage par une analyse quasi
immédiate et exhaustive des données financières. Cela redessine les contours de l'approche par
les risques et nous force à mettre en question le rôle, les compétences et la responsabilité de
l'auditeur.

Cette partie théorique se divise en 5 chapitres, construits pour aller progressivement des bases
générales de l'audit vers les enjeux de sa transformation numérique.

Le premier chapitre pose les bases de l'audit financier : définitions, objectifs, cadre normatif tant
au niveau international qu'au Maroc, et les grands principes de l'approche par les risques selon
les normes ISA , ainsi que ses limites . Il s'agit ici d'établir le point de départ théorique à partir
duquel la transformation technologique prend tout son sens.

Le deuxième chapitre se penche sur l'IA et le Data Analytics. On y étudie les technologies
concrètement mobilisées comme les algorithmes de détection d'anomalies, le machine learning,
la RPA ou les outils de visualisation .

Le troisième chapitre examine concrètement comment ces technologies ont transformé

l’écosystème de l’audit . En commençant par un état des lieux pour mieux comprendre
l’immersion des cabinets dans cette nouvelle réalité ; et puis un debriefing sur les
transformations que cadre réglementaire a connu pour s’adapter à ces changements , et enfin ,
on va étudier la façon dont ces technologies bousculent les procédures d'audit au sein des
cabinets .

Le quatrième chapitre traite les enjeux éthiques et réglementaires posés par l'IA , et les défis de
transformation vers ce nouveau modèle d’audit .

Le cinquième chapitre décortique le souci du remplacement de l’humain par l’IA . Il s'agit

d'explorer les nouvelles compétences nécessaires, la mutation du jugement professionnel à l'ère
des algorithmes et le glissement stratégique de la profession vers le conseil, l'interprétation et la
gouvernance des données.

Ensemble, ces cinq chapitres constituent le cadre de référence théorique permettant de formuler
les hypothèses de recherche qui guideront le traitement statistique des données collectées, et
d'ancrer les résultats obtenus dans un dialogue rigoureux avec la littérature académique et
professionnelle existante.

Chapitre 1 — Fondements théoriques de l’audit financier et des technologies intelligentes

Avant d'aborder les bouleversements que l'intelligence artificielle impose à l'audit, il est
indispensable de bien comprendre ce qu'elle vient transformer.
L'audit financier est une discipline construite sur plusieurs décennies, façonnée par les crises, les
scandales comptables et les attentes toujours plus fortes des marchés en matière de fiabilité de
l'information.
Ce chapitre pose les bases théoriques nécessaires ; sans elles, impossible d'analyser
rigoureusement la transformation numérique du métier. Il s'agit d'abord de reprendre les
fondamentaux de l'audit financier : ses objectifs, ses principes déontologiques et son cadre
normatif marocain .
Ensuite, nous explorerons le cœur de la méthode actuelle : l'approche par les risques. C'est elle qui
guide chaque mission. C'est le prisme à travers lequel l'auditeur organise ses interventions, choisit
comment allouer ses ressources et finit par formuler son opinion.
Pour finir, ce chapitre propose une lecture critique des limites propres à cette approche classique.
C'est justement là, dans ces failles, que les technologies d'IA et de Data Analytics ont trouvé leur
place et toute leur utilité.

Section 1 : Les fondements de l’audit financier :

1. Définition et objectifs de l'audit financier

L’audit financier est définit par l’IAASB ( 2024) comme un engagement d'assurance
visant à obtenir des éléments probants suffisants et appropriés pour former une
opinion sur la fiabilité des états financiers établis par une entité .

La norme ISA 200 (révisée 2023), souligne que l’objectif de cet examen est de réduire
le risque que les états financiers comportent des anomalies significatives à un niveau
acceptable .

Une anomalie significative est une erreur qui peut impacter la prise de décision des
utilisateurs des états financiers : investisseurs , régulateurs ...

Il faut noter que l’auditeur ne cherche pas à obtenir une assurance absolue , mais une
assurance raisonnable que que les états financiers ne comportent pas d'anomalies
significatives, qu'elles soient d'origine frauduleuse ou résultent d'erreurs
involontaires .

L’audit trouve sa légitimité dans la théorie de l’agence ( Jensen & Meckling, 1976) . En fait , dans
une entreprise les actionnaires ( principaux ) confient aux dirigeants ( agents ) des taches de
gestions quotidiennes . Ces derniers , possèdent alors par nature , des informations plus
détaillées et complètes de l’etat financier de l’entreprise ; Ce qui crée ce qu’on appelle une
asymétrie informationnelle . Cette asymétrie crée un risque de comportement opportuniste,
comme le earning management ou les manipulations comptables.

L’auditeur intervient comme un tiers indépendant , réducteur des coûts d’agence nés de la
séparation entre propriété et contrôle , permettant de surveiller les actions des dirigeants et de
rassurer les investisseurs sur la bonne gestion de leurs capitaux.
Selon Power (1997), l'audit crée une "infrastructure de confiance" indispensable à la stabilité
économique. Les crises financières récentes ont d'ailleurs poussé les régulateurs à renforcer ce
rôle pour éviter les faillites systémiques.
La mission de l’auditeur dépasse largement la simple vérification mathématique des comptes. Il
mène un examen approfondi visant à certifier que les états financiers reflètent une "image fidèle"
( true and fair view ) de la réalité économique de l'entité , conformément à la norme ISA 700 .
En signant son rapport, l'auditeur émet un véritable signal de qualité (DeAngelo, 1981). Son
indépendance donne de la crédibilité aux informations financières produites par la direction, ce
qui restaure la confiance des différentes parties prenantes et sécurise les prises de décision
économique.

2 . les principes fondamentaux de l’audit :

 L’indépendance : socle de la crédibilité
Le code d’éthique de l’IESBA , insiste que le jugement de l’auditeur ne doit être influencé par
aucune pression , financière ou relationnelle . il ne doit avoir aucun lien de familiarité avec
l’entreprise auditée , qui peut altérer l’objectivité de ses opinions .
Ce code actualisé en 2023 , souligne que même la tendance de digitalisation des taches au sein
des entreprises , ne doit créer une dépendance vis-à-vis des prestataires technologiques.

 Le scepticisme et le jugement professionnel

Le scepticisme professionnel , encadré par la norme ISA 200 , consiste à garder l’esprit critique
tout au long de la mission . il ne faut jamais admettre d’emblée la validité des preuves fournis
par le client avant son examen critique . il faut rester vigilant et attentif aux risques de fraudes ou
d’erreur dans les états financiers et même dans les systèmes d’information de l’entreprise .
A cela s’ajoute , le jugement professionnel , résultat des expériences cumulées , qui donne à
l’auditeur la capacité d’analyser les chiffres , les tendances et de les contextualiser .
Même avec l'essor de l'IA, le jugement humain reste l'ultime rempart pour interpréter des
situations complexes ou des estimations comptables subjectives.

 Éthique et protection des données

L’auditeur est soumis à une déontologie stricte incluant l’intégrité et la confidentialité. Avec
l’augmentation des flux de données numériques, la sécurisation des informations devient un
enjeu éthique majeur. L’auditeur doit garantir que les données sensibles extraites des systèmes
de ses clients sont protégées contre tout risque de fuite ou de cyberattaque, conformément aux
réglementations sur la protection de la vie privée.

3. Le cadre normatif et réglementaire de l’audit : l’ancrage marocain

Le Maroc a fait le choix stratégique , de s’aligner avec les standards internationaux . le cadre
normatif et réglementaire du Maroc repose sur une dualité entre la loi nationale et les normes
internationales.
  L’adoption des normes ISA par l’Ordre des Experts-Comptables (OEC)
Depuis l'adoption officielle des normes ISA (International Standards on Auditing) par le Conseil
National de l'Ordre des Experts-Comptables (OEC), les professionnels marocains sont tenus
d'appliquer une méthodologie identique à celle des grands cabinets mondiaux. Cette adoption
garantit la comparabilité des rapports d’audit et renforce la crédibilité de la place financière de
Casablanca.
L'évolution récente vers l’ISA 315 (révisée) impose désormais aux auditeurs marocains une
évaluation plus fine des risques liés aux systèmes d’information de leurs clients, marquant le
début de l’audit "digitalisé" au niveau normatif.
 Le cadre légal : Loi 15-89 et Loi 17-95
L’exercice de l’audit au Maroc est protégé et encadré par des textes législatifs fondamentaux :
 La Loi 15-89 : Elle régit la profession d’expert-comptable et institue l’Ordre (OEC).
Elle définit les conditions d'accès à la profession et les règles déontologiques.
 La Loi 17-95 relative aux sociétés anonymes : Elle rend obligatoire le commissariat
aux comptes pour les SA et définit les missions de contrôle légal. Elle précise les
conditions de nomination, de récusation et les responsabilités des auditeurs,
garantissant ainsi que l'audit demeure un outil de protection de l'épargne
publique et des tiers.
 Les exigences de contrôle qualité et les normes ISQM au Maroc
À l'instar de la scène internationale, le Maroc intègre les nouvelles normes de gestion de la
qualité. La mise en œuvre des normes ISQM 1 et 2 (International Standards on Quality
Management) par les cabinets marocains représente un défi organisationnel majeur pour la
période 2022-2026 . Ces normes imposent une approche par les risques pour la gestion interne
des cabinets.
Pour les structures marocaines, cela signifie une documentation plus rigoureuse des outils
informatiques utilisés et une surveillance accrue de la qualité des éléments probants collectés de
manière digitale.
 La responsabilité de l’auditeur et la protection des données (Loi 09-08)
l'engagement légal de l'auditeur au Maroc possède une nature civile, pénale et disciplinaire. Une
nouvelle obligation stricte est imposée par l'avènement du Data Analytics, laquelle concerne la
Loi 09-08 relative à la protection des personnes physiques à l'égard du traitement des données à
caractère personnel .
Quand les professionnels réalisent un audit intelligent, le respect des directives de la CNDP
(Commission Nationale de contrôle de la protection des Données à caractère Personnel) est
vérifié par l'auditeur marocain avec précision. Il a été observé que l'extraction ainsi que l'examen
des données de masse (Big Data) demandent une conformité totale aux standards nationaux.
L'auditeur marocain maintient cette conformité même si les processus technologiques
deviennent complexes.

Les règles de droit représentent actuellement un axe de surveillance majeur pour les structures
qui utilisent l'IA. Les experts prétendent que ce cadre juridique définit les frontières précises
concernant la gestion des éléments monétaires confidentiels.
Les limites de la manipulation des informations financières délicates sont fixées par ces textes
législatifs pour garantir la sécurité.
L'IA doit opérer dans ces limites parce que la transparence est requise par les autorités de
contrôle.

Section 2 : La démarche d’audit traditionnelle fondée sur les risques

L’audit classique faisait appel à la vérification quasi exhaustive des opérations comptables .
Avec la croissance des flux transactionnels financières , cette méthode est devenue
opérationnellement impossible , donc la profession a passé à une nouvelle approche par les
risques .
Bien que cette dernière semble stratégique et sélective , elle montre aujourd’hui des limites
structurelles imposée par la big data .

1. L’approche d’audit par les risques : fondements et mécanismes

L’approche par les risques décompose le risque d’audit en 3 segments :
 Le risque inhérent (RI) : lié à la nature de l’activité
 Le risque de contrôle (RC) : lié aux défaillances potentielles du contrôle interne de
l’entreprise.
 Le risque de détection (RD) : seul composant sur lequel l’auditeur peut agir en
modulant l’étendue de ses tests.

Selon la norme ISA 315, l’auditeur établit une cartographie des risques pour repérer les points ou
le risque de fraude ou d’erreur est élevé . Cette phase est inséparable de la fixation de la
matérialité (seuil de signification, ISA 320) , qui permet de classer les travaux par ordre
d'importance et de se concentrer sur les écarts susceptibles d'avoir une influence sur les
décisions des lecteurs des états financiers.

Pour maîtriser le risque de contrôle , l’auditeur procède à une évaluation minutieuse du

processus de contrôle interne de identité auditée . Le but est de voir si le diapositif appliqué
permets de repérer et prévenir les erreurs ou les risques de fraude .

La phase d'identification des risques a été considérablement renforcée par la révision de

la norme ISA 315 (applicable depuis 2022). Cette norme exige désormais de l'auditeur une
compréhension beaucoup plus pointue et documentée de l'environnement informatique (IT) de
l'entreprise. Il ne s'agit plus seulement d'évaluer les processus manuels, mais de comprendre
comment les systèmes d'information génèrent et sécurisent la donnée financière.

2. Les procédures classiques de collecte des preuves d’audit

Après la cartographie des risques , l’auditeur déploie plusieurs procédures pour collecter les
éléments probants , sur lesquels il va se baser pour formuler son opinion finale .

La démarche combine généralement :

 les tests de conformité : qui visent à s'assurer que les contrôles internes de l'entreprise
fonctionnent réellement , et permettent de détecter les risques . ces tests permettent de
définir l’ampleur des test substantifs , ou autrement si on peut dépendre du control interne
ou pas .
 les tests substantifs, qui consistent à vérifier directement les montants inscrits dans les
comptes à l'aide de factures, de relevés bancaires ou de confirmations de tiers.
 Procédure analytique substantive ( SAP ) : analyse les relations entre les données financière
afin de détecter les variations inhabituelles , les écarts anormaux , les incohérences ...

Or , face aux transactions volumineuses enregistrées par les entreprises , il est matériellement
impossible pour l’auditeur de tester l’exhaustivité des lignes . Donc l’audit utilise des techniques
d’echantillonage encadrées par la norme ISA 530 , qui consistent à tester une sélection et
généraliser les résultats obtenus sur l’ensemble de la population des données .
Cette technique a toujours introduit un risque que la sélection ne soit pas parfaitement
représentative de la réalité.

3. Les limites structurelles de l’approche d’audit traditionnelle

 Une vision rétrospective et statique : l'anachronisme du diagnostic historique
L’audit traditionnel intervient après la clôture de l’exercice comptable . cette approche offre une
simple « photographie statique » du passé, incapable d’alerter les utilisateurs financiers sur les
vrais risques de liquidité imminents ou les retournements brutaux de marché .
La faillite retentissante du géant immobilier China Evergrande illustre parfaitement cette limite.
Les investisseurs se sont retrouvés piégés par des rapports d'audit certifiés conformes qui
masquaient une crise de solvabilité systémique déjà bien réelle en coulisses, prouvant que les
états financiers historiques ne reflètent plus la vélocité économique moderne.

 L'insuffisance méthodologique de l'échantillonnage face aux fraudes systémiques

Pour des contraintes opérationnelle , le modèle classique s’appuie sur des techniques
échantillonnage des transactions . ce qui engendre un « risque de non-détection »
structurellement élevé.
Les fraudes aujourd’hui sont bien plus orchestrées et ne se traduisent pas par des simples erreurs
repérables facilement , mais par des manipulations algorithmiques complexes dispersées dans
des millions de lignes de données.
L'affaire Evolve Bank aux États-Unis a mis en lumière cette impuissance : bien que des dizaines de
millions de dollars de fonds des utilisateurs aient disparu via des failles de conciliation complexes,
les procédures de sondages traditionnelles n'avaient rien décelé, creusant irrémédiablement
l'écart d'attentes (expectation gap) avec le public.

 Le piège de la "standardisation défensive" au détriment du jugement (Knechel)

Sous la pression des autorités de contrôle , l’audit traditionnel est tombé dans la
bureaucratisation excessive. les cabinets adoptent une attitude défensive , en essayant juste de
cocher des cases réglementaires standardisées plutôt que d’améliorer la vraie qualité d’audit ,
juste pour prouver leur conformité et éviter le risque d’inspection punitif .
Cela concrétise le concept de expactations gap / écart d’attente , illustré par kenchel dans ses
travaux .
L’audit traditionnel axé sur la vérification post clôture et l’échantillonnage des états financiers , ne
répond plus aux exigences du marché , qui proclame une vision prospective et une garantie plus
élevée , voire absolue .
En limitant son rôle à la fourniture d’une simple « assurance raisonnable » et en s’enfermant dans
une standardisation rigide pour satisfaire les régulateurs, l’audit traditionnel échoue à traiter des
risques modernes cruciaux comme la fraude complexe, la viabilité future , l'exposition d'une
entreprise aux cyberattaques, aux ruptures de chaînes d'approvisionnement, ou aux risques
climatiques et de gouvernance (ESG).
Cet ancrage dans le passé et cette standardisation à outrance créent précisément l’écart de
performance et de normes dénoncé par Knechel, prouvant que les outils traditionnels sont
désormais insuffisants pour offrir la valeur ajoutée et la transparence attendues par les
investisseurs.

Ce premier chapitre a posé les bases conceptuelles et normatives de l’audit financier. On y a vu

toute la complexité d'une démarche qui repose sur l'évaluation des risques, le jugement
professionnel et l'indépendance. Mais cet examen a aussi révélé les limites structurelles de
l'exercice : on travaille souvent par sondages, on reste exposé aux biais humains et il devient
difficile de repérer des anomalies précises au milieu de volumes massifs de données.
Ces faiblesses ne signifient pas que la méthode a échoué. Elles marquent simplement ses limites
naturelles, que les technologies numériques permettent aujourd'hui de dépasser.
C’est donc convenable de se pencher sur ces outils, comprendre comment ils fonctionnent et
voir ce qu'ils peuvent vraiment apporter à l'audit. C'est ce que nous allons voir dans le deuxième
chapitre.

Chapitre 2 — L’intelligence artificielle et le Data Analytics comme vecteurs de transformation

de l’audit
Si le premier chapitre posait les bases de l'audit financier, ce second volet se penche sur ce que
l'intelligence artificielle et le Data Analytics permettent réellement de faire. Avant d'évaluer leur
impact sur le métier, il faut commencer par les définir : il s'agit de les démystifier, de comprendre
comment ils fonctionnent et, surtout, de faire la part des choses entre ce qui est opérationnel
aujourd'hui et ce qui reste encore du domaine de la spéculation.
L'intelligence artificielle est un terme assez large qui regroupe des technologies aux
fonctionnements très différents. Le machine learning, la détection d'anomalies, la robotic process
automation, la visualisation de données ou encore l'IA générative : tous ces outils ne répondent
pas aux mêmes logiques, ne servent pas les mêmes objectifs et n'impliquent pas les mêmes
risques.
Ce chapitre dresse une cartographie claire de ces technologies, en les reliant systématiquement à
leurs usages concrets dans les missions d'audit. L'idée n'est pas de dresser un inventaire
technique complet, mais plutôt de se concentrer sur l'usage pratique. On cherche à comprendre
comment chaque outil s'intègre dans le travail d'audit, à quelle étape il intervient, ce qu'il
apporte vraiment et les contraintes qu'il impose. Cette approche est essentielle pour aborder,
dans la suite de l'ouvrage, la transformation concrète des pratiques, des normes et du quotidien
des professionnels.

Section 1 : Fondements technologiques et analytiques de data analytics appliquée à l’audit

1.1 Caractéristiques et typologies du Big Data

Le concept de Big Data ne se définit pas simplement par le volume des données
traitées, mais par la conjonction de plusieurs dimensions qui rendent leur gestion et
leur exploitation qualitativement différentes de celles des bases de données
conventionnelles. Le modèle des « 3V », initialement proposé par Laney (2001) au
sein du cabinet Gartner, reste le cadre de référence le plus cité dans la littérature : il
articule le Volume — ordre de grandeur des téraoctets à l'exaoctet —, la Vélocité —
vitesse de génération, de transmission et de traitement des flux de données —, et la
Variété — diversité des formats, allant des données structurées des bases
relationnelles aux données semi-structurées (XML, JSON) et non structurées (textes,
images, flux audio-visuels).

Le concept de big data , depasse le simple volume des données traitées .il se definit
par la conjonction de plusieurs dimensions qui rendent leur gestion et leur exploitation
qualitativement différentes de celles des bases de données conventionnelles.

Le modèle des « 3V », initialement proposé par Laney (2001) au sein du cabinet

Gartner, est la reference la plus cité dans la littérature . il articule le Volume — ordre
de grandeur des téraoctets à l’exaoctet —, la Vélocité — vitesse de génération, de
transmission et de traitement des flux de données —, et la Variété — diversité des
formats, allant des données structurées des bases relationnelles aux données semi-
structurées (XML, JSON) et non structurées (textes, images, flux audio-visuels).

Des auteurs ultérieurs ont enrichi ce modèle initial. Boyd & Crawford (2012) y ont
ajouté la dimension de Véracité, qui interroge la fiabilité, la complétude et la qualité
intrinsèque des données massives, et la Valeur, qui désigne la capacité à extraire une
connaissance actionnable de ces flux informationnels.

Certains auteurs ajoutent un 6ᵉ V : la Variabilité (changements de signification des

données dans le temps), particulièrement pertinente dans les contextes d'audit
dynamique où les normes comptables évoluent.

Du point de vue typologique, les données exploitables en audit se répartissent selon

trois grandes catégories :

 Les données structurées — transactions comptables, écritures de journal,

balances âgées, états de rapprochement — constituent le matériau
traditionnel de l'audit et sont directement accessibles via les systèmes ERP.
 Les données semi-structurées — fichiers de logs, métadonnées des
systèmes d'approbation, exports XML des applications financières —
 fournissent des informations contextuelles précieuses sur le processus de
génération des données comptables.
 Les données non structurées — courriers électroniques, contrats, procès-
verbaux, publications sur les marchés financiers — représentent un gisement
informationnel dont l'analyse automatisée ouvre des perspectives nouvelles
pour la compréhension de l'environnement de l'entité auditée (Cao, Chychyla
& Stewart, 2015).

1.2 Les différentes formes de Data Analytics et leurs niveaux

de maturité

Le Data Analytics désigne l'ensemble des processus systématiques d'examen, de

transformation et de modélisation des données en vue de produire des informations
utiles à la décision.

Gartner a proposé un modèle de maturité analytique en quatre paliers, très adopté dans
la littérature académique et dans la pratique professionnelle, qui permet de positionner
les outils et les démarches analytiques selon leur degré de sophistication et la nature
des questions auxquelles ils répondent.

L'analytique descriptive donne des réponses à la question « que s'est-il passé ? ».

Elle mobilise des techniques de résumé statistique, d'agrégation et de visualisation
pour caractériser des phénomènes passés à partir de données historiques. Dans
l’audit , elle se manifeste par la production d’indicateurs de performance (KPI), des
graphiques et des tableaux de bord interactifs , la détection des variations ou
d’évolutions inhabituelles par rapports aux provisions ou aux périodes antérieures .
Bien qu'élémentaire, ce niveau analytique reste indispensable : il constitue le point
d'entrée obligé de toute démarche de prise de connaissance de l'entité auditée,
conformément aux dispositions de l'ISA 315 révisée.

L'analytique diagnostique est le 3eme niveau de maturité du Data analytics . elle

répond à la question « Pourquoi cela s'est-il passé ? » . elle sert à trouver les causes et
les origines des anomalies et variations inhabituelles , en faisant appel à plusieurs
outils :

 Le Forage des données (Drill-Down) : L'auditeur part d'une anomalie globale

(ex: une hausse anormale de 15% des charges de personnel) et clique pour
descendre dans le détail des données, jusqu'à isoler la transaction unique ou
l'utilisateur à l'origine de l'écart.
 Le recoupement de données (Data Mining et Corrélations) : Recherche de
liens logiques ou illogiques entre deux variables . ( ex : Corréler le volume
des ventes avec l'évolution des stocks. Si les ventes augmentent de 30% mais
que les stocks restent stable et qu'aucun flux logistique ne correspond,
 l'analyse diagnostique révèle une anomalie de cohérence : risque de ventes
fictives ) .
 Le filtrage par attributs (Isolations des facteurs) : Segmenter la donnée pour
comprendre où se concentre le risque (par filiale, par type de produit, par
utilisateur, ou par période).

L'analytique prédictive permet de passer d’une démarche purement constative à une

démarche d’anticipation . elle répond à la question « Que va-t-il se passer ? » . en
audit , elle sert à anticiper les risques futurs de l’entreprise , en utilisant plusieurs
outils :

 Les modèles de régression (Linéaire ou Logistique) : Permettent de modéliser

la relation entre une variable à expliquer (ex : le chiffre d'affaires à venir) et
plusieurs variables explicatives (ex : les carnets de commandes, les indices de
confiance des consommateurs, l'évolution du PIB). L'auditeur crée sa propre
projection pour la comparer aux prévisions de la direction.
 Les arbres de décision et le scoring de risque : Des algorithmes classent les
clients ou les filiales selon leur probabilité de défaillance. En attribuant un
"score de risque" prédictif à chaque élément, l'auditeur identifie
immédiatement les entités qui nécessitent des contrôles approfondis
 L'analyse des séries temporelles (Time Series) : Analyse des données
historiques (ventes, stocks, flux de trésorerie) pour capter les tendances de
fond, les cycles et les saisonnalités, afin de simuler la trajectoire financière à
court et moyen terme de l'entreprise.

L'analytique prescriptive, est le plus haut niveau de maturité dans me data analysis ,
il intervient une fois en répond à toutes les question mentionnée ci dessus . elle va au
delà de la simple détection ou prédiction d’une anomalie . elle recommande
automatiquement à l'auditeur la stratégie de contrôle la plus efficace et suggère les
actions correctives ou les ajustements comptables à exiger du client . en mobilisant
une panoplie d’outils :

 Les moteurs de recommandations basés sur l'IA : Semblables aux

algorithmes qui suggèrent un produit sur un site de e-commerce, ces outils
analysent les caractéristiques de l'entreprise auditée (secteur, taille, faiblesses
du contrôle interne) et suggèrent à l'auditeur les procédures de test
spécifiques et les échantillons précis à contrôler en priorité.
 La simulation de scénarios et l'optimisation (Recherche Opérationnelle) :
L'algorithme teste des milliers de combinaisons de risques pour déterminer le
chemin d'audit optimal, c'est-à-dire celui qui maximisera la probabilité de
détecter une anomalie significative tout en optimisant le temps et le budget
de l'équipe (allocation prescriptive des ressources).
 Les arbres de décision automatisés pour les ajustements : Face à une erreur
détectée, le système applique les règles complexes des normes comptables
 (IFRS ou règles locales) pour prescrire l'écriture de correction exacte que
l'auditeur doit soumettre à son client.

Section 2 : Les fondements de l’intelligence artificielle

L’intelligence artificielle désigne la capacité de systèmes informatiques à accomplir des
tâches cognitives typiquement humaines — perception, raisonnement, apprentissage,
décision et génération de contenu — avec un niveau de performance égal ou supérieur à
celui de l’humain dans des domaines spécifiques (Russell & Norvig, 2022 ; Stanford HAI,
2026). Dans le contexte de l’audit, cette définition met l’accent sur les systèmes à usage
général (general-purpose AI) capables de traiter des volumes massifs de données
comptables, contractuelles et non structurées tout en maintenant la traçabilité et
l’explicabilité requises par les normes professionnelles (PCAOB, 2024 ; IIA, 2024).

Après les approches symboliques des années 1950-1980 et l’essor statistique des années
1990-2010, le deep learning à partir de 2012 et l’architecture Transformer (Vaswani et al.,
2017) ont ouvert l’ère des modèles à grande échelle. Le vrai tournant pour l’audit arrive en
2022-2023 , après la démocratisation des modèles génératifs (ChatGPT et successeurs).
Selon le Stanford AI Index 2026, l’industrie a produit plus de 90 % des modèles frontières en
2025, et les performances des agents autonomes sont passées de 12 % à environ 66 % de
succès sur des tâches informatiques réelles (OSWorld).

Le développement historique de l’ia peut être résumé comme suit :

 Fondations théoriques (années 1950–1970)

Le premier usage du concept de l’intelligence artificielle était en 1950 , par le mathématicien

ALAN TURING , dans son article « Computing Machinery and Intelligence ».
Il y propose le test de turing , qui permet d’évaluer la capacité de la machine d’immiter le
comportement et l’intelligence humaine .
L’intelligence artificielle a été établi comme discipline scientifique autonome en 1956 , lors
de la conférence de Darmouth .
Les premières expérience de l’ia avait pour but de créer des systèmes capables de résoudre des
problèmes logiques et mathématiques.

 IA symbolique et systèmes experts (années 1970–1990)

Cette étape se caractérise par l’émergence des systèmes experts, des applications d’IA
symbolique qui imitent le raisonnement d’un humain expert dans un domaine particulier.
Ces systèmes sont fondés sur :
Une base de connaissances qui contient des règles de type « si-alors » écrites de façon
explicite par des humains , et un moteur d'inférence appliquant ces règles pour tirer des
conclusions de faits .
Ces systèmes ont connu un succès marqué dans les années 1980, notamment dans les
domaines médicaux (diagnostic), financiers (conseil en investissement) et industriels
 (maintenance prédictive).

 IA statistique et machine learning (années 1990–2010)

Dans les années 90 , l’IA a changer les paradigmes : on devait plus programmer chaque règle
séparément , les systèmes apprenait directement à partir des données .
C'est l'essor du machine learning (apprentissage automatique).
Les avancées principales de cette période incluent :

 Les algorithmes de classification (arbres de décision, SVM, random forest)

 Les réseaux de neurones artificiels simples (perceptron, réseaux à une couche cachée)
 Les méthodes d'optimisation (rétropropagation du gradient) permettant d'entraîner les
modèles

Cette phase voit l'IA passer du laboratoire à des applications industrielles concrètes : filtres
anti-spam, moteurs de recommandation (Amazon, Netflix), reconnaissance optique de
caractères.
Dans cette phase, l'IA sort du laboratoire pour entrer dans des applications industrielles
concrètes : filtres anti-spam, moteurs de recommandation (Amazon, Netflix), reconnaissance
optique de caractères.

2 . Machine Learning et Deep Learning :

Le transition des systèmes informatiques traditionnels vers l’Intelligence Artificielle repose sur
une rupture cognitivo-technique majeure ; l’outil informatique change de statut : d’exécutant
passif des règles définies par l’humain, il devient apprenant (actif) de la logique cachée dans le
donné. Ce changement de paradigme s’opère en même temps grâce à deux technologies qui se
complètent.

a) Le Machine Learning (Apprentissage automatique) : La détection statistique des

anomalies

Le machine learning se base sur des algorithmes aptes à analyser le cumul historique des
données et d y tirer des règles fondées sur les structures récurrentes repérées . En audit , sa
mise en œuvre opérationnelle s'appuie sur deux approches fondamentales :

 L'apprentissage supervisé (Classification et Régression) : L’auditeur entraine

l’algorithme à repérer les erreurs et les fraudes , à travers une base de donnée
historique ou les anomalies sont déjà identifiées .

Exemple concret : Estimer si une note de frais a une probabilité élevée de fraude en fonction du profil
de l'employé, de la récurrence, du montant et de la nature de la dépense.
  L'apprentissage non supervisé (Clustering / Segmentation) : L’algorithme ne reçoit
pas de consignes préalables , il analyse 100% de la population étudiée ; et procède
automatiquement à la segmentation des transactions . tout ce qui est signalé anormal
est isolée sous forme d’atypisme .

Exemple concret : Isoler une écriture passée un dimanche à 3 heures du matin, pour un montant
inhabituel, par un utilisateur non habitué à ce module de l'ERP, sans qu'aucune règle humaine n'ait
eu à être programmée pour cela.

b) Le Deep Learning (Apprentissage profond) : La conquête des données non structurées

Le deep learning est une branche developpée du machine learning qui se sert des réseaux de
neurones artificiels multicouches inspirés de la structure cérébrale humaine.

Le deep learning permet aux machines d'apprendre par elles-mêmes à partir d'immenses volumes
d'informations, sans nécessiter de programmation humaine explicite pour chaque tâche.

Le Deep Learning alimente principalement le NLP (Natural Language Processing ou

Traitement automatique du langage naturel).

Ses applications transforment la collecte des éléments probants sur le terrain :

 L'audit automatisé des contrats :Il était impossible pour l’auditeur de lire individuellement
toutes les documents et contrats documents l’activite dune entreprise , aujourd’hui le deep
learning peut lire l’integarlité des documents en quelques minutes , et même extraire les
variables clés ( dates d'échéance, options d'achat, taux d'intérêt implicites, pénalités)et
vérifier leur conformité aux normes appliquées .

 La revue des rapports et des procès-verbaux : L'IA analyse les rapports émis par les
auditeurs internes, les procès-verbaux des conseils d'administration ou les correspondances
juridiques pour y détecter des signaux faibles de risques opérationnels, de litiges non
provisionnés ou de conflits d'intérêts.

3 . Intelligence artificielle générative :

L’essor de l’intelligence artificielle générative marque le passage d’une IA analytique qui se limite
au classement des données ou à la prédictions des dérives , à une IA cognitive capable de créer
un contenu original , à partir des modèles linguistiques appelé LLM ( LARGE LANGUAGE
MODELS ) .

A. Le traitement de la documentation non structurée et l'esprit de synthèse

L’IA generative a la capacite de traiter des volumes massifs de texte juridiques et reglementaires
pour en extraire la substance economique . En couplant ces outils à des bases de connaissances
internes sécurisées via des architectures RAG (Retrieval-Augmented Generation) , l’auteur peut
trouver directement l’information qui’il cherche dans des milliers de pages de rapports de contrôle
 interne, de procès-verbaux de comités d'audit ou de mémos fiscaux complexes , reduisant ainsi le
temps de lecture et d»exploitation manuelle .

B. La pré-rédaction des livrables et la documentation d'audit

Conformément aux exigences de la norme ISA 230 sur la documentation, chaque constat d'audit
doit être rigoureusement formalisé. L'IA générative est désormais utilisée pour pré-rédiger :

 Les mémos de section explicitant le jugement de l'auditeur sur les risques identifiés.
 Les conclusions de tests de substance et les synthèses analytiques.
 Les lettres de commentaires destinées au Gouvernement d’Entreprise (CFO, Comité d'audit), en
adaptant automatiquement le ton pour qu'il soit professionnel, neutre et percutant.

C. La simulation de scénarios de fraude (Fraud Simulation)

L’ia generative peut imiter des schemas de fraude complexe ou de blanchiment d’argent , en
s’appuyant sur les détournements déja detectés . il s’agit des scénarios fictifs , mais qui
permettent à l’audit de tester plus stratégiquement les procédures de contrôle interne des clients .

Section 3 : Les technologies mobilisées dans l'audit digitalisé

Les quatre piliers technologiques de l'audit digitalisé sont les Computer Assisted Audit
Techniques (CAATs), la Business Intelligence, le Process Mining et la Robotic Process Automation
(RPA), ainsi que les outils analytiques développés par les Big Four.
1. CAAT :
Les CAATs (Techniques d'audit assistées par ordinateur) représentent le socle historique de l'audit
informatique. Il s'agit de logiciels spécialisés (tels que les outils commerciaux IDEA ou ACL) ou de
scripts de programmation personnalisée (SQL, Python) qui permettent d'exécuter des requêtes
directement sur les bases de données comptable .
Ils sont principalement utilisées pour l’analyse et le traitement des données :
· Extraction et requêtage : permettent d’etudier des énormes bases de données , pour en
extraire les informations souhaitées par l’auditeur .

· Stratification et échantillonnage : segmentation des données et sélection automatique des

échantillons représentatifs .

· Recherche d'anomalies : identification des opérations en doubles ou des séquences

manquantes .

2. Business Intelligence et visualisation des données

la Business Intelligence (BI) se définit comme un ensemble de technologies, d'architectures et de processus qui
collectent, intègrent, analysent et présentent les données brutes d'une organisation pour soutenir la prise de
décision (Power, 2008). Appliquée à l'audit, elle désigne la capacité à industrialiser l'extraction et le traitement
des flux de données financières et opérationnelles.
Les principaux usage de la BI en audit sont :
 L'audit continu (Surveillance en temps réel) : La bi permet un suivi en temps reel des
transactions pour détecter immédiatement les anomalies ou les risques , ce qui n’est pas possible
avec une intervention a posteriori .
 La détection automatisée d'anomalies structurelles : La bi peut isoler toute anomalie : écriture
manuelle atypique dans les grand livre , valeurs aberrantes , rupture de séquence
chronologique ...
 L'évaluation de la conformité du contrôle interne : Les outils de BI procurent une image sur
l’efficacité du contrôle interne de l’entreprise auditée , ils cartographient d’une manière
automatique le respect du principe de séparation des taches pour éviter des conflits d’interet
susceptibles .

Principaux outils du marché

La mise en œuvre opérationnelle de la BI repose sur trois solutions majeures, interconnectées avec les ERP
d'entreprise :
 Microsoft Power BI : Solution leader caractérisée par sa forte capacité de modélisation des données
(moteur DAX) et son intégration native dans les environnements d'entreprise.
 Tableau Software : Reconnu pour sa puissance graphique et sa flexibilité dans l'exploration visuelle avancée
de données complexes.
 Qlik Sense : Distingué par son moteur associatif qui permet d'explorer les relations entre les données sans
être limité par des requêtes prédéfinies.

Il est pertinent de clarifier que la buisness intelligente ne renvoie pas à la data visualisation .
La BI est l’infrastructure arrière , elle englobe l’ensemble de processus de gestion de données , allant de la
connexion aux ERP , au nettoyage et extration , jusqu’à le stockage des données au data warehouse .
Alors que la data visualisation represente juste l’interface de l’utilisateur , autrement dit c’est la phase finale de la
BI . son role se limite dans la representation graphique des données ( data story telling ) , pour réduire la charge
cognitive nécessaire à la compréhension des volumes massifs traités en amont (Tufte, 2001).

3. Process Mining et Robotic Process Automation (RPA)

Le Process Mining (ou minage de processus) est un domaine situé à la croisée des sciences des données et de la
gestion des processus. Elle consiste à extraire les empreintes numériques et les journaux d’événements (event
logs) stockés par les systèmes d’information (ERP, CRM) afin de reconstituer, modéliser et analyser le
déroulement réel des opérations d’une entreprise (van der Aalst, 2016).
C’est un outil d’observation . Le Process Mining n'agit pas sur les données et ne modifie pas les flux ; il fait un
mapping objectif des éléments déjà existents afin de révéler les failles dans les procédures internes .

La Robotic Process Automation (RPA) est une technologie logicielle configurée pour imiter les actions humaines
répétitives sur les interfaces numériques . Le robot logiciel, fonctionnant selon des règles de gestion strictes et
prédéfinies, réalise des tâches standardisées sans avoir besoin de facultés cognitives (Moffitt et al., 2018).
C’est un outil d’exécution. La RPA ne comporte aucune fonction analytique. Elle intervient lorsque le processus est
compris, figé et optimisé. Il a pour fonction de faire les taches transactionnelles à faible valeur ajoutée à la place
de l’humain (Cooper et al., 2019).
En somme, le Process Mining révèle les dysfonctionnements d’une organisation, tandis que la RPA automatise les
tâches répétitives afin d’améliorer l’efficacité opérationnelle.

Usage en audit :
 La découverte automatique et le contrôle de conformité (Conformance Checking) : Le Process Mining
permet à l'auditeur d'effectuer une comparaison rapide entre le modèle théorique des procédures de
l'entreprise et la réalité des pratiques consignées dans le système. Cela permet d’identifier immédiatement
les dérives de validation, les circuits d’approbation anormaux ou les transactions suspectes.
 La collecte autonome des preuves : La RPA supprime la phase d’extraction documentaire. Les robots
logiciels accèdent eux-mêmes aux bases de données, aux portails bancaires ou aux plateformes
réglementaires afin de récupérer les soldes comptables, les contrats ou les justificatifs requis pour le dossier
d’audit.
 Le pointage de masse et la réconciliation : La RPA appliquée aux missions de contrôle assure le traitement
systématique de rapprochements de grands volumes de données. Elle réalise de façon automatisée le
lettrage comptable, la rapprochement bancaire ou la confrontation des flux physiques avec les
enregistrements d’inventaire, alertant l’auditeur que lorsqu’il y a un écart.

Ce deuxième chapitre nous a permis d'examiner en détail les technologies d'IA et de Data
Analytics utilisées dans l'audit actuel. L'idée était d'aller au-delà de cette vision simpliste d'une
profession qui serait simplement « outillée » par le numérique.
La réalité est plus complexe : ces outils ne font pas qu'accélérer le travail, ils transforment la
nature même des missions, leur logique et leur portée. Une chose est de connaître les outils, une
autre est de saisir comment ils ont fini par redessiner l'écosystème de l'audit, que ce soit dans les
cabinets, dans le rapport aux clients ou face aux régulateurs.
C'est justement ce que le troisième chapitre cherche à éclaircir. Il propose un état des lieux de
cette immersion technologique, analyse les ajustements réglementaires qui ont suivi et regarde
concrètement comment les procédures d'audit ont été bouleversées au quotidien.
Chapitre 3 : L’intégration de l’IA et du Data Analytics dans la démarche d’audit
Les deux premiers chapitres ont respectivement posé les fondements théoriques de l'audit et
cartographié les technologies qui en transforment la pratique. Ce troisième chapitre opère une
charnière essentielle dans la progression du mémoire : il s'agit désormais de descendre du niveau
conceptuel vers le niveau concret, et d'examiner comment la transformation numérique s'est
effectivement matérialisée au sein de l'écosystème de l'audit — dans les cabinets, dans les
normes et dans les procédures.
Cette analyse s'organise autour de trois mouvements complémentaires. Le premier est un état
des lieux : où en sont réellement les cabinets dans leur adoption des technologies d'IA et de Data
Analytics ? La réponse est moins uniforme qu'on pourrait le supposer, et les écarts entre grands
cabinets internationaux et structures de taille intermédiaire révèlent une transformation à deux
vitesses dont les implications pour la concurrence et la qualité de l'audit sont considérables.
Le deuxième mouvement examine les évolutions du cadre réglementaire : comment les
normalisateurs internationaux et les régulateurs nationaux ont-ils réagi face à l'irruption de l'IA
dans un domaine aussi sensible que la certification des comptes ?
Enfin, le troisième mouvement analyse concrètement la façon dont les procédures d'audit ont
été bousculées dans leur contenu, leur séquencement et leur documentation, au point parfois de
remettre en question des pratiques considérées comme immuables pendant plusieurs décennies.

1. État des lieux : une intégration systémique guidée par l'IA générative

À l’international , la période 2024 - 2026 marque la maturité des techniques d’analyse des
données et l’intégration de l’intelligence artificielle dans plusieurs aspects de la vie
professionnel , notamment au sein des cabinets d’audit et de conseil , et dans les directions de
contrôle interne .
McKinsey indique qu’en 2025, 78 % des organisations interrogées utilisent l’IA dans au moins
une fonction, contre 72 % début 2024 et 55 % un an plus tôt.
selon une enquête mondiale menée par Gartner ( 2026 ) , plus de 70% des décideurs dans le
secteur de l’audit pensent que l’optimisation des outils de traitements des données intelligents et
l’adoption des solution IA , est une priorité stratégique .
D’aprés l’analyse de marché GMI Insights (2025) couvrant 150 cabinets d'audit dans 35 pays, avec
des données collectées via des entretiens avec des dirigeants de cabinets, des analyses de
rapports financiers annuels et des enquêtes auprès de 1 200 professionnels de l'audit ; Il est
prévu que le marché mondial des logiciel d’audit qui a été évalué à 3,1 milliards USD en 2024 ;
peut atteindre un taux de croissance annuel de 12,4% entre 2025 et 2034 .
De plus , le Fortune Business Insights 2024 , a prévoyé , que le marché global des services d’audit
devrait passer de 243,90 milliards USD en 2026 à 338,28 milliards USD d'ici 2034, montrant que
ce secteur est prometteur .

Le Maroc monte encore en maturité dans le sujet . l’utilisation de l’ia et data analytics n’est pas
répandu chez la majorité des cabinets , mais elle progresse rapidement , surtout chez les grands
cabinets internationaux implémentés au Maroc , et les entités bien structurées qui disposent
d’ERP et des systèmes digitalisés .
Le Maroc met la digitalisation et l’intégration des solutions intelligentes dans l’audit au cœur des
dynamiques économiques , à travers le lancement de la stratégie nationale Digital Morocco
2030 lancée en 2024, visant à créer 240 000 emplois directs dans le digital d’ici 2030 .

2 . Transformations réglementaires pour s'adapter : nouvelles normes et cadres juridiques :

L’Émergence du data analytics et de l’IA et leur adoptions dans les démarche d’audit , a
révolutionné le cadre normatif et réglementaire international .
Les normes ISA ont été révisées pour s’adapter aux nouvelles exigences du métier :
 ISA 315 (Révisée) : Identifier et évaluer les risques d'anomalies significatives
Ce qui change avec l'IA et la Data : Elle oblige l'auditeur à étudier l'environnement
informatique de l'entreprise. Si l'entreprise a recours à l'IA , l'auditeur doit auditer les
risques de biais algorithmiques et la sécurité des données.
  ISA 220 (Révisée) : Management de la qualité d'un audit d'états financiers
Ce qui change avec l'IA et la Data : Elle engage l'associé sur la gouvernance des outils
technologiques utilisés par le cabinet d'audit (outils d'IA, robots d'extraction de données).
Elle est accompagnée de la démarche Technology Quality Management lancée par l'IAASB
pour encadrer l'éthique de l'IA.

 ISA 540 (Révisée) : Audit des estimations comptables

Ce qui change avec l'IA et la Data : avec le recours exponentiel des entreprises aux outils
prédictifs pour calculer leur provision ou valeurs de marche , cette norme impose à
l'auditeur d'analyser en profondeur les variables, les bases de données et la logique des
modèles boite-noire de l'IA.

 ISA 240 (Révisée) : Responsabilités de l'auditeur relatives aux fraudes

Ce qui change avec l'IA et la Data : La norme part désormais du principe que l'auditeur va
utiliser des procédures assistées par la technologie (Data Analytics) pour aller détecter les
anomalies complexes et l'exploitation frauduleuse des données par l'IA.

 ISA 500 (Révisée) : Éléments probants

Ce qui change avec l'IA et la Data : C'est le chantier de la transformation le plus attendu. Il
redéfinit ce qu'est une "preuve" à l'ère du numérique . Elle donne un cadre clair sur la
fiabilité des données extraites par IA, l'utilisation de l'analyse automatisée (ATT) et le
scepticisme professionnel face aux résultats fournis par une machine.
 ISA 330 (Révisée) & ISA 520 (Révisée) : Réponses aux risques & Procédures
analytiques
Ce qui change avec l'IA et la Data : Ces chantiers s'orientent vers une normalisation de
l'audit en continu (tests automatiques répétés à distance sur 100% des flux) en
remplacement des tests sur échantillons.

Au niveau de l'IFAC (International Federation of Accountants), la Norme Internationale de

Pratique de l'Audit (ISQC 1) a été mise à jour en 2025 pour inclure des exigences
particulières sur la gouvernance de l'IA et du Data Analytics, avec notamment :
 La validation des modèles d'IA et d'analytique avant toute utilisation
 Documentation des biais éventuels, des limites algorithmiques et des hypothèses
des modèles mis en œuvre
 Contrôle sur la qualité des données
 Audit analytique des algorithmes et process analytiques en production .

Au niveau européen :
Le règlement eIDAS 2.0 (2024) et la directive sur la cybersécurité NIS2 imposent des
exigences accrues sur la traçabilité des données, la sécurité des algorithmes, et la
protection des données sensibles .
Le Règlement IA (AI Act, 2024) classe les IA utilisées dans l'audit comme à " risque élevé ",
et leur impose des obligation de :
   attestation de conformité avant la mise sur le marché
  tenue d'un registre de documentation technique
  mise en place d'une gouvernance des données
  activation de dispositifs de monitoring humain
  enregistrement dans la base de données de l'UE pour les IA génératives.

Au niveau marocain :

l'adoption du Data Analytics et de l'IA en audit est en cours au Maroc , même si on est encore
dans une phase assez prématurée, avec des spécificités locales différentes par rapport au reste
du monde.
Pour accompagner cette nouvelle réalité , des formations spécialisées, comme la « Formation
Data Analytics Audit Maroc », proposent de renforcer les compétences techniques en audit,
finance, achats, ventes, supply chain, RH ou encore IT. L'objectif est simple : gagner en visibilité,
mieux contrôler les processus et booster l'efficacité globale.

Le cadre réglementaire, lui, s'ajuste petit à petit :

 La loi 09-08 sur la protection des données personnelles, modifiée en 2024, est au cœur
du sujet. Elle impose désormais des règles strictes sur le consentement explicite, la
sécurité des données et le droit à l'explication dès lors qu'une décision automatisée est
prise .

 Le Code de commerce et la loi 130-13 (Loi de Finances Organique) jouent aussi un rôle
clé. En encadrant l'audit public, ils imposent une transparence totale sur les processus
et une traçabilité des décisions sur toutes les audits utilisant l’IA .

3 . impact de l’ia et data analytics sur la démarche d’audit :

L’IAASB reconnaît aujourd’hui que les automated tools and techniques , dont l’ia , la robotisation
et les techniques de data analytics , sont des technologies utilisables dans les procédures d’audit .
Cette affirmation , confirme que le métier de l’audit évolue vers un modèle de plus en plus
digitalisé , qui a totalement transformé la démarche d’audit :
 Automatisation des tâches répétitives :
L'automatisation des tâches répétitives est le premier biais de transformation vers un audit
digitalisé . Grâce à la RPA et à l'automatisation intelligente, on délègue aux systèmes les
opérations qui demandent peu d'effort intellectuel : extraire des données, rapprocher des
comptes, vérifier la conformité des justificatifs ou même générer des feuilles de travail et des
rapports types. Automatiser ces tâches avec l'IA dans les audits internes ne sert pas seulement à
gagner du temps, ça permet aussi d'étendre la couverture des audits sur toute l'organisation
(Ghafar et al., 2024).
 Analyse exhaustive des populations de données
L'une des contributions les plus transformatrices du Data Analytics à la démarche d'audit réside
dans le passage de l'échantillonnage statistique à l'analyse exhaustive des populations de
données. Cette capacité d'examen intégral change la donne pour l'auditeur. Il ne se base plus
uniquement sur une extrapolation statistique issue d'un échantillon, mais sur une vision
complète de toutes les transactions. C'est une méthode qui limite énormément le risque de
passer à côté d'une anomalie, un problème souvent lié aux failles de l'échantillonnage
traditionnel.
 Contrôles continus et audit en temps réel
L'audit continu, théorisé par Vasarhelyi et Halper dès 1991, trouve aujourd'hui les outils
techniques nécessaires pour être concrétisé .
les systèmes en temps réel analysent les flux transactionnels pour lancer les contrôles
automatiquement. On ne cherche plus les erreurs que après la clôture ; mais on les repère dès
qu'elles surviennent.
Grâce à l'IA, les contrôles s'insèrent directement dans les processus opérationnels (Rezaee et al.,
2002 ; Farley & Lansang, 2025), ce qui permet aux entreprises de réagir avant que les problèmes
ne s'accumulent.
Le métier d'auditeur glisse d'une posture réactive vers une approche proactive, modifiant
profondément sa manière d'appréhender sa mission.
 Renforcement de la détection des anomalies et fraudes
Les algorithmes de machine learning — comme les arbres de décision, les forêts aléatoires, ou
les réseaux de neurones — identifient des fraudes ou des anomalies bien plus efficacement que
les méthodes manuelles.
En croisant des données transactionnelles sous plusieurs angles, ces outils révèlent des
anomalies plus rapidement , qu'il s'agisse d'écritures comptables suspectes, de liens illogiques
entre transactions ou de défaillances dans les circuits de validation.
 Réduction des risques de non-détection
Le recours au Data Analytics réduit aussi le risque de non-détection, un paramètre clé que
l'auditeur gère en ajustant ses procédures. Puisqu'on peut désormais analyser l'intégralité des
données plutôt que des échantillons, la couverture des procédures substantives s'élargit. Résultat
: le risque qu'une erreur significative passe entre les mailles du filet diminue drastiquement.
 Amélioration de la pertinence des analyses de risques
traditionnellement , on s’appuyait surtout sur des entretiens, la lecture des procédures, des
revues analytiques et, le jugement de l’auditeur.
Avec l’analyse de données, l’auditeur identifie bien plus vite les zones sensibles. On repère
facilement les comptes avec des variations fortes , les transactions anormales , les doublons, les
saisies manuelles ou même les mouvements faits par des profils inhabituels.
Au final, la planification gagne en précision , devenant très ciblée , elle permet d’allouer les
ressources de l’équipe d’audit , là ou les anomalies sont plus susceptible d’avoir lieu .

Ce troisième chapitre a mis en évidence que la transformation numérique de l'audit n'est pas un
phénomène uniforme ni linéaire. Elle s'opère à des rythmes différents selon les cabinets, les
contextes nationaux et les types de missions. Elle bouscule les procédures avec une intensité
inégale selon les phases de la mission et les domaines d'application. Et elle contraint les
régulateurs à un exercice délicat d'adaptation normative, pris en étau entre la nécessité
d'encadrer des pratiques en pleine évolution et le risque de freiner une innovation dont les
bénéfices pour la qualité de l'audit sont réels.
Mais si la transformation des outils et des procédures est documentée, elle soulève
inévitablement des questions qui dépassent le cadre purement technique. L'intégration de l'IA
dans l'audit mobilise des algorithmes opaques, traite des données financières d'une sensibilité
extrême, redistribue les responsabilités entre la machine et l'auditeur et crée des dépendances
technologiques dont les risques sont encore mal maîtrisés. Ces enjeux — éthiques,
déontologiques et réglementaires — constituent le cœur du quatrième chapitre.

Chapitre 4 : LES ENJEUX ÉTHIQUES, RÉGLEMENTAIRES ET ORGANISATIONNELS DE L'AUDIT

INTELLIGENT
Chaque grande évolution technologique apporte des questions que la technique ne peut pas
régler à elle seule. L’intégration de l’intelligence artificielle dans l’audit financier n’est pas une
exception : elle pose des problèmes éthiques, déontologiques et réglementaires complexes, à la
mesure de la responsabilité sociale qui pèse sur cette profession.
Un auditeur financier n’est pas un simple technicien. Il est le garant de la fiabilité des comptes et
protège la confiance que les marchés, les actionnaires et les régulateurs accordent aux états
financiers.
Cette mission rend les enjeux éthiques liés à l’IA bien plus délicats . Comment rendre transparent
un audit qui repose sur des algorithmes opaques ? Comment l'auditeur peut-il garder son
indépendance face aux fournisseurs de logiciels dont il finit par dépendre ? Comment garantir la
confidentialité de données clients extrêmement sensibles une fois traitées par l'IA ? Et surtout,
qui porte la responsabilité professionnelle en cas d'erreur ou d'omission quand c'est la machine
qui a analysé le dossier ?
Ce chapitre aborde aussi les défis humains et organisationnels de cette transition. Entre la
résistance au changement, les coûts d'investissement, la gestion des données et la
transformation culturelle nécessaire, les cabinets ont beaucoup à faire. La technologie ne suffit
pas à elle seule ; c’est toute l’organisation qui doit s'adapter pour que l’audit augmenté par l’IA ne
reste pas qu'une simple promesse.
Section 1 : Les enjeux éthiques et de gouvernance des données
Bien que l’Intégration des data analytics et de l’ia , a transformé l’audit positivement , elle
incorpore d’autre risques et défis relatifs à la gouvernances des données , à l’éthique , à la
transparence et à la responsabilité professionnelle .
c’est ce qu’on va aborder dans cette section :

1. La qualité et la gouvernance des données : fondements de l’audit numérique

La performance des outils analytiques dépend directement de la qualité des données qu’on leur
donne. Même les algorithmes les plus sophistiqués produiront des résultats faux s'ils travaillent
sur des données incomplètes ou incorrectes. On résume souvent ça avec le principe « Garbage In,
Garbage Out » : si les données d'entrée sont mauvaises, le résultat sera forcément mauvais.

En audit, les données arrivent de partout : ERP, comptabilité, gestion commerciale, ressources
humaines ou applications métiers. Cette diversité multiplie les risques : erreurs de saisie,
doublons, codes qui ne correspondent pas ou infos perdues lors des transferts. L’auditeur doit
donc s’assurer que les données qu’il manipule sont bien propres, complètes et réellement
représentatives de la situation de l’entreprise.
La gouvernance des données est importante ici. Il s’agit de l’ensemble des règles et des
responsabilités mises en place pour assurer que les données sont fiables, sécurisées et traçables
sur toute leur durée de vie. En pratique, une bonne gouvernance nécessite de définir la
responsabilité de chacun , de documenter les flux, de contrôler la qualité et de garder une
politique de conservation cohérente.

D’après l’OCDE (2024), la gouvernance des données est devenue une condition de confiance
dans l’intelligence artificielle. Les organisations qui ne maîtrisent ni la qualité ni la traçabilité de
leurs données prennent des risques sérieux : décisions basées sur des erreurs, biais dans les
algorithmes ou non-conformité aux réglementations.

Pour l’auditeur, c’est un double défi. Il doit à la fois évaluer la qualité des données que l’entreprise
utilise pour ses propres décisions, mais aussi garantir que les données servant à ses travaux
d’audit sont suffisamment fiables pour constituer des preuves valides, conformément aux normes
internationales.

2. Les enjeux de confidentialité et de protection des données

La digitalisation des activités économiques fait exploser le volume de données sensibles

manipulées, aussi bien par les entreprises que par les cabinets d’audit. Qu’il s’agisse
d’informations financières, de données clients ou de dossiers stratégiques, ces éléments sont
devenus des actifs fragiles, toujours exposés aux risques de fuite, de perte ou d'usage détourné.

Avec l'audit assisté par les technologies analytiques, l’auditeur manipule désormais des volumes
de données bien supérieurs à ceux d’une approche classique. Forcément, cela pose de vraies
questions sur la confidentialité, le respect de la vie privée et la conformité aux règles en vigueur.

Au niveau international, le Règlement Général sur la Protection des Données (RGPD) a largement
durci les obligations des organisations concernant le traitement des données personnelles. Au
Maroc, la loi n°09-08 sur la protection des personnes physiques poursuit les mêmes buts, en
encadrant strictement la collecte, le traitement et la conservation de ces informations.

Ces contraintes s'imposent directement aux auditeurs. Dès qu'ils ont recours à des solutions
cloud, des outils d’analyse ou des applications d'intelligence artificielle, ils doivent garantir un
niveau de sécurité suffisant pour les données traitées. Ils sont aussi tenus de restreindre les accès
aux seules personnes habilitées et d'installer des systèmes pour tracer précisément chaque
traitement effectué.

3. Les biais algorithmiques et la question de l’équité des analyses

Un des principaux défis éthiques de l’intelligence artificielle, c’est la question des biais
algorithmiques. Contrairement à ce qu’on pense souvent, les systèmes d’IA ne sont pas neutres
par nature. Ils apprennent en se basant sur les données qu’on leur donne ; alors forcément, si ces
données sont imparfaites, déséquilibrées ou qu’elles ne reflètent pas bien la réalité, les résultats
finiront par être biaisés eux aussi.

En audit, si un algorithme doit repérer des transactions atypiques, il pourrait très bien marquer
des opérations normales comme étant suspectes, ou à l’inverse, passer à côté de vraies
anomalies. C’est un risque d’autant plus réel quand on utilise des modèles complexes dont on ne
comprend pas toujours précisément le fonctionnement interne.

Aujourd’hui, les organisations internationales poussent pour une IA responsable, avec des
impératifs de transparence, d’équité et, surtout, de contrôle humain. L’AI Act européen de 2024
va dans ce sens en imposant des règles plus strictes pour les systèmes d’IA jugés à haut risque.

4. Le défi de l’explicabilité et le phénomène de « boîte noire »

L’un des gros problèmes des technologies d’intelligence artificielle actuelles, c’est qu’elles
manquent d’explicabilité. Certains modèles, surtout ceux basés sur le deep learning, arrivent à
des résultats impressionnants, mais sans que personne ne puisse vraiment expliquer comment ils
y parviennent.

On appelle souvent ça le phénomène de la « Black Box AI », ou boîte noire. On donne des

données en entrée, on regarde le résultat, mais entre les deux, c’est le flou : le raisonnement
suivi par la machine reste opaque pour l’utilisateur.

C’est particulièrement gênant pour le métier d’auditeur. Historiquement, la crédibilité d’un audit
tient justement au fait qu’on peut justifier ses travaux, expliquer ses hypothèses et détailler ses
conclusions. Si un algorithme génère une alerte sans donner les critères précis qui ont mené à
cette détection, l’auditeur a beaucoup de mal à prouver la pertinence de son propre jugement.

Face à ça, les régulateurs et les organismes du secteur poussent pour utiliser des modèles plus
simples à comprendre et demandent une documentation très précise des traitements. L’idée,
c’est surtout de s’assurer qu’on puisse toujours comprendre, justifier et contrôler les décisions qui
comptent vraiment.

5 . La dépendance technologique et l'érosion du scepticisme professionnel

L'intégration de l'intelligence artificielle au sein des méthodologies d'audit a entraîné un risque
comportemental et déontologique bien réel : celui du biais de complaisance technologique, ou
*automation bias*.
Ce phénomène psychologique désigne cette tendance naturelle que nous avons à accorder une
confiance excessive, parfois aveugle, aux résultats sortis par une machine, au détriment de notre
propre esprit critique.
Dans les metiers de l’audit , cette dérive vient directement entamer le "scepticisme
professionnel", pourtant pilier central des normes internationales comme l'ISA 200. Cette érosion
se manifeste de deux manières concrètes : D'abord, elle pousse l'auditeur vers une forme de
passivité cognitive, surtout chez les plus jeunes.
Devant des outils de Data Analytics capables d'analyser des millions de transactions et de livrer
des conclusions toutes prêtes, l'auditeur risque de ne devenir qu'un simple exécutant. Si la
machine classe des alertes comme "normales", il devient tentant de ne plus faire aucune
vérification humaine. Ce manque de vigilance est d'autant plus dangereux qu'il est renforcé par
la pression des budgets et la rentabilité.
Ensuite, cette dépendance technologique entraîne une perte de savoir-faire et crée un vrai
déséquilibre dans nos compétences. À force de déléguer la détection d'anomalies, l'analyse de
contrats ou les procédures complexes à des outils, les auditeurs risquent de perdre cette intuition
technique et ce flair de terrain indispensables pour repérer des fraudes atypiques, celles que les
algorithmes ne savent pas modéliser.
On finit par se reposer entièrement sur l'outil pour se forger une conviction : si la technologie ne
dit rien, on conclut qu'il n'y a aucun risque. C'est un raccourci périlleux.

Section 2 : Les enjeux réglementaires et les défis de transformation des cabinets d’audit
L’intégration de l’intelligence artificielle et du Data Analytics dans les missions d’audit dépasse lle
simple cadre technique. C’est un enjeu majeur pour les cabinets, qui doivent faire face à un
modèle économique qui se réinvente . Si ces outils offrent des possibilités inédites pour
automatiser et mieux détecter les risques, leur adoption pose de vraies questions de conformité
et d’organisation. Cette dynamique se ressent particulièrement dans des économies émergentes
comme le Maroc, où les cabinets doivent jongler entre les standards internationaux et les
spécificités bien réelles du tissu économique local.

 L’asymétrie réglementaire et le décalage entre innovation et normalisation

Un des défis concrets de l’IA dans l’audit, c’est le fossé entre la vitesse des innovations et celle
des cadres normatifs. La technologie progresse très vite, alors qu’il faut souvent des années pour
que les règlements et les normes professionnelles soient mis à jour et intégrés officiellement.

Au niveau international, des organismes comme l’IAASB travaillent déjà à adapter les normes aux
réalités numériques. La révision de la norme ISA 500 sur les éléments probants montre bien cette
volonté d’intégrer les données massives et les outils automatisés dans la collecte des preuves. De
leur côté, des textes récents comme l’AI Act européen imposent des règles plus strictes en
matière de transparence et de supervision humaine pour certaines applications financières de
l’IA.

Au Maroc, ce sujet est assez particulier. Comme la profession applique les normes ISA via les
référentiels de l’Ordre des Experts-Comptables, les cabinets marocains sont directement
concernés par ce qui se passe à l’international. Pourtant, l’exploitation intensive des données
bute sur les contraintes de protection de la vie privée. La loi n°09-08 impose un cadre rigoureux
pour le traitement des données personnelles, surtout quand il s’agit d’informations sensibles
financières ou salariales. Cela devient délicat quand les outils analytiques reposent sur des
serveurs cloud situés à l’étranger ou sur des plateformes de fournisseurs internationaux.

Les cabinets marocains doivent donc trouver un équilibre entre la performance technologique, le
respect du droit et la souveraineté numérique. Cette pression les pousse peu à peu à privilégier
des environnements de traitement sécurisés pour garantir la confidentialité et l’intégrité des
données lors des audits.

 La fracture technologique entre les grands réseaux internationaux et les cabinets locaux

La transformation numérique accentue les disparités entre les acteurs du marché. L’IA et le Data
Analytics demandent des investissements lourds en infrastructures, en logiciels et en
compétences techniques, ce qui creuse l’écart entre les gros réseaux internationaux et les
cabinets de taille plus modeste.

À l’international, les grands cabinets investissent massivement depuis plusieurs années. Leurs
plateformes analytiques propriétaires et leurs outils de visualisation sont intégrés à leurs
méthodes et déployés partout dans le monde. Cette forme d’industrialisation de l’audit permet
d’analyser les données de manière exhaustive et de gagner en efficacité.

Au Maroc, la situation est plus contrastée. Les filiales des grands réseaux profitent des
infrastructures mondiales pour servir les grandes entreprises cotées ou les organismes publics
déjà engagés dans leur virage numérique. En revanche, la plupart des cabinets marocains de
taille moyenne se heurtent à des budgets limités, ce qui freine l’accès à ces outils avancés.

Cette difficulté est accentuée par la structure de l’économie nationale. Les petites et moyennes
entreprises sont majoritaires, mais elles disposent souvent de systèmes d’information moins
intégrés que les grands groupes. Entre l’absence d’ERP performants, la fragmentation des
données et la persistance de certaines procédures manuelles, l’exploitation automatisée des
informations est plus complexe. Finalement, la transformation de l’audit dépend autant de la
capacité d’investissement des cabinets que du niveau de maturité numérique de leurs clients.

 La remise en question du modèle économique traditionnel des cabinets

L’automatisation des travaux d’audit change les fondements économiques de la profession.

Historiquement, la rentabilité reposait sur un modèle de facturation au temps passé, avec des
équipes nombreuses de collaborateurs juniors chargés de la vérification.

Avec l’automatisation, cette logique est remise en cause. Les rapprochements, les tests de
cohérence ou les contrôles de séquence se font désormais en quelques instants grâce aux outils
analytiques. Cela réduit mécaniquement le nombre d’heures nécessaires à ces tâches et fragilise
le modèle de facturation classique.

À l’international, certains grands cabinets ont déjà basculé vers une approche centrée sur la
valeur produite plutôt que sur le temps de travail. La valeur vient alors de la capacité à
interpréter les données, à cerner des risques complexes et à fournir des analyses pertinentes aux
clients.
Au Maroc, cette transition est plus compliquée. Les honoraires restent souvent dictés par les
pratiques du marché et une concurrence centrée sur le prix. Les cabinets doivent donc justifier de
gros investissements technologiques tout en protégeant leur rentabilité. L’enjeu n’est plus de
faire un audit plus rapide, mais de prouver que la technologie améliore la qualité de l’analyse et
la fiabilité des conclusions.

 La transformation du capital humain et la responsabilité de l’auditeur

La digitalisation transforme aussi les besoins en personnel. On cherche de plus en plus des profils
capables de mêler expertise comptable, maîtrise des outils numériques et analyse de données. Il
faut des experts hybrides, à la fois financiers et informaticiens, qui comprennent comment
fonctionnent les algorithmes.

Les cabinets recrutent donc davantage de spécialistes en data, en IA ou en cybersécurité pour

compléter les équipes. Cette tendance modifie petit à petit la structure pyramidale classique des
cabinets, les orientant davantage vers l’expertise technologique.

Au Maroc, cette mutation est ralentie par la rareté des compétences spécialisées. Même si des
écoles comme l’ISCAE ou les ENCG intègrent progressivement ces thématiques dans leurs
programmes, la demande des cabinets reste largement supérieure à l’offre sur le marché.

Enfin, cela soulève la question de la responsabilité. Malgré l’automatisation, c’est toujours

l’auditeur qui porte l’opinion d’audit. Les outils technologiques aident à détecter des anomalies,
mais ils ne remplacent pas le jugement professionnel. Face aux risques de fraude ou d’erreurs
systémiques, l’auditeur doit garder son scepticisme et conserver un contrôle critique sur les
résultats produits par les systèmes.

L’intégration de l’intelligence artificielle et du Data Analytics est un levier majeur de

transformation pour les cabinets d’audit. Au-delà des opportunités, elle impose de relever des
défis réels de conformité, d’investissement et d’adaptation des compétences. Au Maroc, ces
enjeux sont démultipliés par le niveau de maturité numérique des entreprises et la difficulté de
trouver des profils spécialisés. La réussite de cette transition dépendra de la capacité des cabinets
à marier l’innovation technologique avec les principes fondamentaux qui font la crédibilité de
leur métier.

Ce quatrième chapitre a mis en lumière que l'intégration de l'IA dans l'audit ne se résume pas à
un défi technique ou réglementaire, mais engage une réflexion de fond sur les valeurs, les
responsabilités et l'identité même de la profession. La transparence algorithmique,
l'indépendance technologique, la confidentialité des données et la distribution de la
responsabilité professionnelle constituent des chantiers ouverts, dont la résolution conditionne la
légitimité à long terme de l'audit augmenté.
Ces enjeux convergent tous vers une même interrogation, plus profonde encore, qui traverse en
réalité l'ensemble de ce mémoire : quelle est la place de l'humain dans un audit de plus en plus
automatisé ? L'auditeur est-il condamné à devenir un simple superviseur de machines, ou peut-il
— doit-il — se réinventer pour préserver et valoriser ce que aucun algorithme ne peut reproduire
? C'est précisément cette question, centrale et structurante, que le cinquième et dernier chapitre
théorique se propose d'explorer.

Chapitre 5 — Reconfiguration du métier d’auditeur et perspectives de l’audit à l’ère de

l’intelligence artificielle
« L'intelligence artificielle va-t-elle remplacer l'auditeur ? » La question revient de plus en plus
souvent, que ce soit chez les universitaires, dans les cabinets ou dans les médias. Elle résume
bien l'inquiétude d'une profession qui voit ses tâches classiques s'automatiser à toute vitesse. On
se demande, très logiquement, ce qu'il restera du cœur du métier une fois que les machines
auront récupéré tout ce qu'elles sont capables de traiter.
Ce cinquième chapitre traite ce sujet . L'idée est de regarder de près ce que l'IA peut vraiment
faire à la place de l'auditeur, et ce qu'elle ne pourra jamais toucher — non pas parce qu'il
manque encore un peu de technologie, mais par nature. Le jugement, la responsabilité éthique,
la compréhension du contexte d'une entreprise ou la relation de confiance avec les clients, ce ne
sont pas juste des cases à cocher que l'IA n'aurait pas encore apprises. Ce sont des piliers de
notre métier, et la valeur sociale de l'audit repose justement sur ce côté humain, conscient et
responsable.
On explore aussi les nouvelles compétences que ce changement impose. Il ne s'agit pas juste
d'ajouter quelques notions informatiques à un profil qui ne bouge pas, mais de transformer
réellement l'auditeur pour qu'il devienne un mélange de financier, de data analyst et d'expert
critique. Le chapitre regarde comment la profession glisse vers le conseil, l'interprétation et la
gouvernance des données.
Enfin, il questionne les conditions — qu'elles soient liées à la formation, à l'organisation ou aux
institutions — pour que cette évolution serve à mieux valoriser le métier, plutôt qu'à simplement
réduire les équipes.
Section 1 : La transformation du rôle de l’auditeur dans un environnement digitalisé

L’intégration de l’intelligence artificielle et du Data Analytics change profondément le métier

d’auditeur. Ce n’est pas une simple mise à jour des outils, ça touche directement aux
compétences, à la relation avec le client et, au final, à la valeur ajoutée de la mission. Avant,
l’auditeur passait son temps à vérifier la conformité des comptes sur la base d’échantillons.
Aujourd’hui, les technologies numériques permettent d’analyser l’intégralité des données et
d’anticiper les risques plutôt que de simplement les constater. L’auditeur ne fait plus seulement
état des erreurs passées ; il devient un acteur capable de décoder des infos complexes, de
prévenir certains risques et d’épauler les organisations dans leurs prises de décision.

 De la vérification comptable à la création de valeur stratégique

L’un des changements les plus concrets de la digitalisation, c’est l’évolution de la mission
classique. Grâce à l’automatisation, comme la Robotic Process Automation (RPA), beaucoup de
tâches répétitives qui prenaient du temps aux équipes sont maintenant réglées très vite. Les
rapprochements, le pointage ou les extractions de données se font désormais automatiquement,
avec une rapidité et une fiabilité bien plus grandes.
Cette automatisation déplace le curseur de l’audit. La valeur n’est plus dans la collecte, mais dans
l’analyse. À l’international, on voit apparaître un audit orienté vers la stratégie. Les outils
analytiques repèrent des schémas de comportement ou des failles opérationnelles qui vont bien
au-delà de la simple conformité comptable. L’auditeur devient un vrai partenaire, capable de
donner une vision claire de la performance et des risques de l’entreprise.

C’est un enjeu particulièrement vrai au Maroc. Ici, beaucoup de PME et TPME voient encore
l’audit comme une obligation subie plutôt qu’un levier de valeur. Le Data Analytics permet
justement de changer cette image en offrant aux dirigeants des analyses bien plus fines. En
exploitant mieux les données, on aide à la décision et à l’optimisation des performances. Au final,
l’auditeur ne fait plus seulement "certifier les comptes" ; il devient un vrai conseiller pour la
gouvernance et la compétitivité.

 L’émergence d’un auditeur aux compétences hybrides

La transformation numérique demande de nouvelles compétences. Si la base comptable, fiscale

et financière reste indispensable, il faut désormais y ajouter une couche technologique.
L’auditeur doit aujourd’hui comprendre comment fonctionnent les systèmes d’information et
maîtriser les outils qui permettent d’exploiter les données.

À l’international, les cabinets cherchent des profils qui combinent expertise financière et
technique.
Au Maroc, c’est un vrai défi pour les écoles et les cabinets. Certes, les universités, ENCG, ISCAE et
écoles d’ingénieurs intègrent le Data Analytics et l’ia dans leurs programmes , mais la technologie
avance plus vite que les programmes. Les cabinets sont donc obligés de miser à fond sur la
formation continue pour faire monter leurs équipes en compétences, d’autant plus que les profils
qui maîtrisent à la fois la comptabilité et l’analyse de données sont encore rares sur le marché.

 Une relation auditeur–audité profondément renouvelée

La digitalisation bouscule aussi le lien avec le client. Historiquement, surtout au moment de la

clôture des comptes. Avec le temps réel et les systèmes connectés, on se dirige vers un audit plus
continu.

Dans les entreprises les plus équipées, les systèmes sont interconnectés avec ceux du cabinet. Les
anomalies peuvent être détectées quasiment en direct, ce qui change totalement la temporalité
de la mission. L’auditeur ne vient plus juste constater ce qui a été fait, il surveille les risques en
continu et échange plus régulièrement avec la direction.

Adopter ce modèle reste toutefois plus délicat au Maroc. Entre les systèmes d’information parfois
hétérogènes ou le manque de maturité numérique, l’automatisation totale est complexe. Il y a
aussi une part culturelle : l’accès permanent aux données est parfois vécu comme une intrusion
ou un risque pour la confidentialité. L’auditeur doit donc réussir à rassurer en misant tout sur la
transparence, la pédagogie et la maîtrise de la gouvernance des données.

 Le renforcement du jugement professionnel à l’ère des algorithmes

Contrairement à ce qu’on pourrait croire, l’intelligence artificielle ne rend pas le jugement

humain obsolète ; elle le rend plus crucial que jamais. Les machines traitent des volumes de
données énormes pour sortir des schémas complexes, mais elles ne comprennent pas pour
autant le contexte économique ou les spécificités d’une entreprise.

À l’international, le risque est d’être noyé sous une masse d’alertes automatisées qui ne sont pas
toujours pertinentes. Le rôle de l’auditeur est justement d’exercer son esprit critique pour
séparer les vrais signaux de risque des simples anomalies statistiques. Cette capacité
d’interprétation, c’est là que se trouve la vraie valeur ajoutée.

C’est encore plus vrai dans le contexte marocain, où les pratiques locales et les spécificités
commerciales peuvent tromper les algorithmes standards. Une transaction marquée comme
"atypique" par le logiciel peut très bien être normale ici. Dans ces cas-là, rien ne remplace le
terrain, la connaissance du tissu économique local et le flair de l’expert-comptable pour évaluer
la réalité des opérations.

L’intégration de l’intelligence artificielle et du Data Analytics transforme le rôle de l’auditeur. Ce

n’est pas la machine qui remplace l’humain, c’est la profession qui évolue pour devenir un mix
entre expertise métier, technique et analyse critique. Au Maroc, c’est une vraie opportunité pour
monter en qualité, mais ça demande un effort colossal sur la formation et la conduite du
changement. Plus que jamais, la valeur de l’audit réside dans la capacité de l’auditeur à
transformer des données brutes en une information fiable, au service de la gouvernance et de la
confiance des organisations.

SECTION 2 : L’AVENIR DE LA PROFESSION FACE À L’INTELLIGENCE ARTIFICIELLE : L’INTELLIGENCE

ARTIFICIELLE PEUT-ELLE REMPLACER L’AUDITEUR ?
La vitesse de développement des grands modèles de langage (LLMs), de l'apprentissage profond
et de l'automatisation (RPA) alimente un débat récurrent chez les comptables et les financiers :
l’intelligence artificielle va-t-elle finir par remplacer totalement l’auditeur ? Cette question vient
des performances croissantes de ces systèmes, capables de traiter des volumes gigantesques de
données, de repérer des anomalies complexes et d'automatiser une bonne partie des procédures
d'audit. Pourtant, si les machines surpassent largement l’humain sur les tâches purement
techniques, la mission d'audit elle-même bute sur des limites juridiques et humaines qui rendent
une substitution complète assez peu probable. Tout indique que nous nous dirigeons plutôt vers
une complémentarité entre l’humain et la technologie.

 La supériorité technique de la machine sur les tâches standardisées

L’idée d’un remplacement de l’auditeur repose d'abord sur les progrès de l’automatisation des
contrôles. L’IA se distingue par sa capacité à digérer des masses de données, à répéter des
opérations sans fatigue et à identifier des schémas que l’œil humain ne voit pas forcément. Là où
l’auditeur est limité par le temps et la fatigue, la machine peut analyser des millions de lignes en
un clin d’œil.

À l’échelle mondiale, les gros cabinets d’audit utilisent déjà des plateformes capables d’examiner
des données financières en temps réel, de rapprocher automatiquement des contrats avec des
écritures comptables ou d’évaluer des risques via des modèles prédictifs. Sur le terrain de la
donnée structurée, la supériorité de la machine n’est plus à prouver. Dans bien des cas, la
technologie a déjà pris le relais sur les tâches de vérification à faible valeur ajoutée.

Cette réalité commence à s'imposer dans les grands cabinets de la place casablancaise. Les
tâches de "pointage", de rapprochement des balances, ou de vérification de la conformité des
liasses fiscales par rapport au Code Général des Impôts (CGI) marocain s’automatisent
rapidement. Les profils de collaborateurs juniors, historiquement recrutés pour absorber ces
volumes de travaux répétitifs, voient leur rôle traditionnel disparaître au profit d’outils
technologiques standardisés.

 L’irréductibilité du jugement professionnel et du scepticisme humain

Malgré tout, l’argument principal en faveur de l’humain reste la distinction entre le traitement
d’info et l’exercice du jugement. L’audit n'est pas qu'une simple application de règles toutes faites
; cela demande un esprit critique, une compréhension du contexte et une capacité
d'interprétation qui échappent encore aux algorithmes.

Les normes internationales placent le scepticisme professionnel au cœur de la certification. L’IA

peut détecter une anomalie statistique ou un comportement bizarre, mais elle reste incapable de
comprendre pourquoi les dirigeants ont agi ainsi, ou quels sont les enjeux stratégiques réels de
l’entreprise. L’évaluation du risque de fraude ou l’analyse de la substance économique d’une
opération reposent toujours sur l’expérience, l’intuition et le discernement propre à l’auditeur.

Cette limite est encore plus frappante au Maroc, avec un tissu économique marqué par des
entreprises familiales, le poids des relations personnelles et une part de pratiques informelles.
Dans ce contexte, difficile de tout réduire à une lecture algorithmique. Une transaction jugée «
atypique » par un modèle standard importé pourrait être, en réalité, une pratique commerciale
tout à fait normale ici. La connaissance du terrain et des usages locaux reste donc indispensable
pour bien comprendre ce qui se passe durant une mission.

 La barrière juridique et la responsabilité de l’opinion d’audit

Au-delà de la technique, le remplacement de l'auditeur se heurte à un obstacle juridique majeur.

L’audit est une mission d’intérêt public pour protéger les investisseurs et les créanciers. Elle
repose sur un principe simple : quelqu'un doit être responsable.
Sur le plan international, les systèmes juridiques sont clairs : en cas de fraude manquée ou
d'erreur sur les états financiers, les tribunaux cherchent un coupable. Un algorithme n'a pas de
personnalité juridique, ni la capacité de répondre de ses actes devant un juge. C'est l'un des
principaux freins à l'automatisation totale.

Au Maroc, cette exigence est encore plus concrète via le cadre régissant la profession d’expert-
comptable. La responsabilité est celle de l’expert-comptable qui signe le rapport, point final.
Même avec l'IA en appui, l’obligation de diligence et le respect des règles déontologiques
incombent au professionnel. La technologie n'est qu'un outil de plus ; elle ne dédouane
personne.

 Vers l’auditeur « augmenté » plutôt que remplacé

Finalement, il faut relativiser l’idée d’un remplacement pur et simple. Si certaines tâches
techniques sont déjà automatisées, les dimensions intellectuelles et relationnelles de l’audit
restent profondément humaines.

L’avenir tourne davantage autour d’un modèle de collaboration. Les machines s’occupent du
répétitif et du traitement de masse, tandis que l’auditeur se concentre sur l’interprétation et les
situations complexes. Cette complémentarité améliore à la fois l'efficacité des missions et la
qualité des analyses.

Dans cette optique, l’IA ne rend pas l’auditeur inutile ; elle lui permet de changer de posture.
Libéré des tâches mécaniques, il peut passer plus de temps sur ce qui a vraiment de la valeur :
l’évaluation des risques émergents, la cybersécurité, ou la certification d'informations extra-
financières.

L’intelligence artificielle peut dépasser l’humain sur le plan technique, c'est un fait. Mais le métier
ne se résume pas à aligner des chiffres. Le jugement, le scepticisme, la compréhension du
contexte et la responsabilité juridique restent des piliers que la technologie ne peut pas porter
seule. L’avenir ne semble pas être à la disparition de l’auditeur, mais à l’émergence d’un «
auditeur augmenté », capable de marier l’intelligence humaine à la puissance des outils
numériques. Au Maroc comme ailleurs, les cabinets qui réussiront seront ceux qui sauront
intégrer cette technologie tout en préservant la confiance, socle fondamental de la profession.

Ce cinquième chapitre a permis de refermer la boucle ouverte dès l'introduction de la partie

théorique : la transformation numérique de l'audit ne signe pas la fin de l'auditeur, mais elle en
redéfinit profondément le sens, le contenu et les exigences.
L’automatisation des tâches répétitives n’est pas une menace pour la profession mais une
opportunité de recentrage sur la dimension la plus irremplaçable de la profession : le jugement
professionnel .
C’est à la faveur de ce cadre construit dans cette partie théorique, que se mettra en place
l’analyse empirique qui suit.
L’objectif principal de la partie qui suit est de vérifier, grâce à l’analyse d’une enquête menée
auprès de professionnels, si les vertus du terrain confirment , nuancent ou infirment les
enseignements de la littérature. La théorie a posé les questions ; le terrain répondra.

Partie 2 : ANALYSE EMPIRIQUE DE L’INTÉGRATION DE L’IA ET DU

DATA ANALYTICS DANS LA DÉMARCHE D’AUDIT FINANCIER

Cette partie empirique poursuit un objectif simple : mesurer, à travers le vécu des
professionnels, si les transformations décrites dans la littérature se vérifient vraiment
dans le travail quotidien. Pour y arriver, j'ai mené une enquête par questionnaire
auprès d'un échantillon de professionnels en audit externe, audit interne, expertise
comptable et direction financière. Les données recueillies ont ensuite fait l’objet d’une
analyse reposant principalement sur des statistiques descriptives (fréquences,
pourcentages, moyennes et écarts-types),. Cette démarche vise à confronter les
résultats empiriques aux hypothèses de recherche formulées en amont et à mieux
comprendre les effets de l’intégration de l’intelligence artificielle et du Data Analytics
sur la démarche d’audit.

Le terrain de cette étude se situe au Maroc. Cette approche a été complétée par mon stage chez
KPMG Maroc, qui m'a donné l'opportunité d'observer de l'intérieur comment un grand cabinet
international gère concrètement ces changements technologiques au quotidien.

Cette partie est organisée en un seul chapitre divisé en deux sections. La première détaille la
méthodologie retenue ; la seconde présente et discute les résultats obtenus, ce qui permet
finalement de valider les hypothèses et d'apporter une réponse à la problématique centrale du
mémoire.

SECTION 1 — CADRE
MÉTHODOLOGIQUE DE L’ÉTUDE

1.1 Présentation de KPMG Maroc

1.1.1 Historique et positionnement de KPMG Maroc

KPMG fait partie des quatre grands cabinets mondiaux d’audit et de conseil, ce qu'on appelle
couramment les « Big Four ».
Au Maroc, l’enseigne est présente depuis les années 1980. En plus de quarante ans, le cabinet a
accompagné de près des réformes structurelles, comptables, fiscales et juridiques lancées par le
Royaume. a tout a basculé pour la firme en février 2022. Après la rupture de son contrat
d’affiliation avec l'entité locale qui gérait historiquement la marque, le réseau international a
décidé de revenir sur le marché marocain avec une nouvelle approche : celle d’une filiale en
direct.
cette structure montre bien la volonté du groupe à s'installer durablement au Maroc. Elle mise
désormais sur une vraie synergie, en particulier grâce à l’organisation « One Team » qui connecte
les expertises du Maroc, de la France et du Canada.

1.1.2 structure organisationelle de KPMG Maroc :

La structure organisationnelle de KPMG Maroc est conçue pour maximiser l'efficacité

et l'innovation dans la prestation de services.

 Les instances de gouvernance:

- Managing Partner: Responsable de la direction stratégique et opérationnelle.

- Comité Exécutif: Composé de leaders des différentes divisions, ce comité assure la
coordination et la supervision des opérations.
- Responsables De Division: Chaque service majeur (audit, conseil, fiscalité) a un
responsable dédié qui gère les équipes et les projets spécifiques à leur domaines .

 Division fonctionnelle :
Les services de KPMG Maroc sont divisés en plusieurs segments fonctionnels
principaux :

-Audit : Fournit des services d'audit financier et d'assurance, garantissant la

transparence et la fiabilité des informations financières.
-Conseil: Offre des conseils en gestion, stratégie, transformation digitale, et gestion
des risques.
-Fiscalité: Conseille les clients sur les questions fiscales locales et internationales,
aidant à optimiser leur charge fiscale tout en respectant les régulations.
-Services Juridiques: Fournit des conseils juridiques et réglementaires, aidant les
clients à naviguer dans les complexités du cadre légal marocain.

1.1.2 Organisation du département Audit

Le département Audit au sein de KPMG Maroc est structuré pour répondre aux obligations de la
loi 15-89 sur le commissariat aux comptes et aux normes d'audit internationales (ISA). Sa
gouvernance repose sur une double approche : une structure managériale hautement hiérarchisée
et une spécialisation par secteurs économiques.

A. La structure managériale et pyramidale

 La répartition des responsabilités au sein des équipes d'audit suit une organisation pyramidale
classique. Cette hiérarchie garantit une supervision continue et un contrôle de qualité rigoureux à
chaque étape de la mission :

 Les Associés (Partners) et Directeurs : Membres de l'Ordre des Experts-Comptables du Maroc,

ils détiennent la responsabilité légale finale de la mission. Ils signent les rapports de certification
des comptes et valident les choix techniques complexes.
 Les Managers : Responsables opérationnels du portefeuille de dossiers, ils coordonnent la
planification, gèrent les budgets de temps, résolvent les points d'audit critiques et maintiennent le
lien quotidien avec la direction financière du client.
 Les Seniors (Réviseurs) : Chefs d'équipe sur le terrain, ils encadrent directement les assistants.
Ils prennent en charge l'audit des cycles comptables les plus complexes ou à fort risque
(provisions, instruments financiers) et effectuent la première revue des dossiers.
 Les Assistants (Juniors 1 et 2) : Ils interviennent directement sur le site du client pour exécuter
les travaux de contrôle de base : contrôles de substance, circularisations des tiers, inventaires
physiques et vérifications documentaires (factures, relevés bancaires).

B. La spécialisation sectorielle (Pôles d'excellence)

Pour appréhender les risques spécifiques à chaque activité, le département Audit de KPMG Maroc
segmente ses ressources en divisions sectorielles dédiées :

 Financial Services (FS) : Pôle spécialisé dans le secteur financier (banques, compagnies
d'assurances, fonds d'investissement et de capital-risque). Ce secteur requiert la maîtrise des
règles prudentielles édictées par Bank Al-Maghrib et l'ACAPS.
 Corporates (Indus/Services) : Division prenant en charge les grandes entreprises nationales, les
multinationales et les PME opérant dans l'industrie, l’automobile, l'énergie, l'immobilier et la grande
distribution.
 Secteur Public : Équipe dédiée aux offices publics, aux établissements étatiques et aux agences
de développement, soumis aux règles du contrôle financier de l'État.

C. Le support transversal de l'IT Audit

La numérisation des processus comptables exige une validation technique des infrastructures. Le
département d'audit financier collabore systématiquement avec les experts en IT Audit &
Assurance. Ces spécialistes interviennent en amont pour auditer les contrôles généraux
informatiques (ITGC) des ERP (SAP, Oracle, Sage), garantissant l'intégrité des données
financières extraites par les auditeurs financiers.

1.1.3 Les outils technologiques utilisés dans les missions d’audit

Les transformations récentes en matière de big data , ont profondément modifié les pratiques
d’audit . afin de s’adapter avec le nouvel engrenage , kpmg Maroc utilise une infrastructure
technologique unifiée, articulée autour de sa plateforme mondiale exclusive KPMG Clara. Cette
suite d'outils basés sur le cloud permet de standardiser la démarche de certification, d'automatiser
les contrôles récurrents et d'apporter des analyses prédictives approfondies.
A. Le cœur de l'écosystème numérique : KPMG Clara
KPMG Clara rassemble toutes les étapes d'une mission d'audit dans un environnement cloud
sécurisé, développé avec Microsoft Azure [KPMG International, 2023]. Pour structurer le travail,
l'outil s'appuie sur trois modules interconnectés :
 KPMG Clara Workflow (KCw) : Ce module accompagne l'auditeur étape par étape dans
l'application de la méthodologie mondiale de la firme. Il assure que les contrôles
respectent bien les normes internationales d'audit (ISA) et permet aux managers et
associés de revoir les dossiers à distance [KPMG Switzerland, 2023].
 KPMG Clara Analytics (KCa) : Fini l'échantillonnage statistique traditionnel. Les équipes
de KPMG Maroc peuvent charger l'intégralité du grand livre comptable du client pour
examiner 100 % des transactions sur un exercice [KPMG Germany, 2023]. L'algorithme
détecte tout de suite les écritures suspectes, comme celles passées un week-end, des
montants ronds anormaux ou des accès utilisateurs non autorisés.
 KPMG Clara Collaboration (KCc) : C'est le portail d'échange sécurisé qui lie le cabinet
au client. On oublie les échanges de fichiers par courriel : le client dépose directement
ses balances, états financiers et pièces justificatives, et l'équipe d'audit suit en direct
l'avancement des demandes de documents [KPMG Belgium, 2024].
B. Automatisation et Intelligence Artificielle (IA)
En complément de la plateforme Clara, le cabinet utilise des outils d'automatisation (RPA) et d'IA
générative pour gagner en efficacité sur les tâches courantes :
 Analyse de contrats par l'IA : Grâce à des outils de lecture intelligente, il est désormais
possible d'analyser des centaines de contrats — baux commerciaux, prêts, conventions
— en quelques minutes. L'IA repère automatiquement les clauses financières
importantes, comme les taux d'intérêt ou les dates d'échéance, pour s'assurer qu'elles
sont correctement traduites en comptabilité [KPMG Denmark, 2025].

 DataSnipper : Pour éliminer les tâches manuelles liées aux vérifications documentaires,
KPMG Maroc intègre la plateforme d'automatisation DataSnipper. Directement ancré
dans Microsoft Excel, cet outil utilise la reconnaissance optique de caractères (OCR) et
des algorithmes de rapprochement automatique :

 Le « Vouching » automatisé : DataSnipper permet de croiser instantanément les

lignes d'un grand livre ou d’un échantillon avec des centaines de pièces
justificatives numérisées (factures fournisseurs, bons de livraison, relevés
bancaires).
 La traçabilité de la preuve : Chaque donnée extraite par l’outil reste visuellement
liée à sa source documentaire d'origine, permettant au réviseur (Senior ou
Manager) de valider le test en un clic.
 Le contrôle des états financiers : DataSnipper automatise la vérification de la
cohérence arithmétique et le report des chiffres (cross-footing) entre les liasses
fiscales et le rapport financier final.

C. L’intelligence artificielle générative : Microsoft Copilot

Fruit d'une alliance stratégique globale entre KPMG et Microsoft, l'assistant d’intelligence
artificielle Microsoft Copilot est déployé pour accroître la productivité quotidienne des équipes
d'audit au Maroc. Intégré aux outils de la suite Microsoft 365, il intervient à des moments clés de la
mission :

 Synthèse de documents juridiques : Copilot est utilisé pour analyser rapidement de

volumineux contrats complexes (baux commerciaux, conventions réglementées, pactes
d'actionnaires) afin d'en extraire les clauses à impact financier immédiat.
 Rédaction et formalisation : L'outil assiste l'auditeur dans la formulation des notes de
synthèse, des points de recommandation destinés au management du client, ou des courriels
professionnels de cadrage. [1]
 Analyse de données textuelles : Il facilite le traitement qualitatif des procès-verbaux de
conseils d'administration ou d'assemblées générales pour identifier les événements post-
clôture à mentionner dans l'annexe.

Grâce à cette synergie d'outils, KPMG Maroc optimise les temps de contrôle matériel au profit d'un
audit à forte valeur ajoutée, axé sur l’exercice du jugement critique et l'analyse approfondie des
zones de risques opérationnels .

1.2 Design de la recherche

1.2.1 Positionnement épistémologique

Ce mémoire adopte un paradigme interprétativiste, tout en intégrant une dimension post-

positiviste via des outils statistiques.

Ce choix s’adapte bien au sujet : la transformation de l'audit financier par l'IA est un phénomène
qui se mesure, avec des indicateurs quantifiables, mais qui a des dimensions subjectif. Il touche à
des vécus, des identités et des jugements que seule une approche compréhensive permet de bien
saisir.

Dans une optique post-positiviste, on accepte qu'une réalité existe — l'IA change effectivement
l'audit — mais on reconnaît que notre connaissance de cette réalité est partielle, toujours
médiatisée par les perceptions de ceux qui la vivent. Les données du questionnaire aident à
structurer cette réalité pour mieux la comparer, sans pour autant viser une objectivité totale.
Parallèlement, l'approche interprétativiste et les entretiens semi-directifs permettent d'écouter le
sens que les professionnels donnent à leur expérience et à leur vision du futur de la profession.
Ces significations ne se lisent pas dans les chiffres ; on les découvre par l'écoute, le dialogue et
l'interprétation.

Ce double ancrage justifie naturellement le recours à une méthode mixte, qui croise le quantitatif
et le qualitatif .

1.2.2 Justification de l'approche mixte

Combiner questionnaire et entretiens n’est pas une question de facilité. C’est une nécessité dictée
par la rigueur méthodologique et les réalités du terrain .

D’abord, la problématique soulève des enjeux variés qu’une méthode unique ne couvrirait pas.
L'impact de l'IA sur l'efficacité des missions se mesure via des indicateurs clairs. Mais pour la
transformation du jugement, l'identité de l'auditeur ou la perception des responsabilités, seuls le
discours et l'analyse qualitative sont pertinents.

Ensuite, l’échantillon de 22 répondants est une limite assumée, qui nécessite ce complément. Les
entretiens ne servent pas à compenser un manque de volume, mais à enrichir les données : si le
questionnaire donne des tendances générales, les entretiens permettent d'aller voir de plus près,
avec des cas concrets.

Enfin, le terrain choisi — KPMG Maroc — est particulier. Les entretiens offrent une précision et
une authenticité que le questionnaire seul n'atteindrait jamais. Mon expérience de stage au
cabinet a permis d'observer certaines pratiques directement, ce qui apporte une profondeur
contextuelle à l'étude.

1.2.3 Schéma de la démarche de recherche

La démarche suit 3 étapes :

 Étape 1 : Collecte des données quantitatives

Un questionnaire en ligne structuré autour de six axes thématiques a été administré auprès
de 22 professionnels de l’audit et de la finance. Les données recueillies ont été analysées à
l’aide de statistiques descriptives et complétées par une analyse thématique des réponses
ouvertes.

 Étape 2 : Collecte des données qualitatives

J'ai mené deux entretiens semi-directifs avec des auditeurs de KPMG Maroc. Ces échanges ont
été analysés manuellement pour isoler les thèmes clés et le sens profond des témoignages.

 Étape 3 : Triangulation et discussion

Les résultats quantitatifs et qualitatifs ont été confrontés entre eux, puis mis en perspective avec la
littérature et le contexte marocain pour valider ou non les hypothèses de départ.

1.3 Le volet quantitatif — Enquête par questionnaire

1.3.1 Objectifs de l'enquête

L’enquête par questionnaire vise trois objectifs complémentaires directement liés aux hypothèses
de recherche.
Il s'agit tout d'abord de mesurer le niveau d'adoption des outils d'IA et de Data Analytics par les
professionnels de l'audit et de la finance, en distinguant le degrés d'utilisation, les types d'outils
mobilisés et le niveau de maturité digitale perçu des structures dans lesquelles ils exercent.
Dans un second temps, il s’agit d’évaluer les impacts perçus de ces technologies sur trois
dimensions directement liées aux hypothèses de recherche : l’impact sur l’efficacité des mission
d’audit reposant sur l’approche par risque , l’évolution du métier de l’auditeur et les risques
éthiques et réglementaires soulevés par l’utilisation de ces technologies dans l’audit .

Il s'agit enfin de recueillir les projections prospectives des professionnels sur l'avenir de la
profession, afin d'enrichir la discussion finale par une dimension anticipatrice ancrée dans les
perceptions du terrain.

1.3.2 Population cible et méthode d'échantillonnage

La cible regroupe tous les professionnels travaillant dans l'audit financier, le contrôle interne ou la
direction financière (auditeurs, experts-comptables, consultants, etc.). Cette diversité est volontaire
pour obtenir des avis variés et éviter un échantillon trop uniforme.

La méthode retenue est l'échantillonnage de convenance, en utilisant mon réseau professionnel et

académique. C'est une méthode classique pour ce genre de travail, pratique mais comportant un
risque de biais de sélection, puisque l'échantillon n'est pas aléatoire. C'est une limite dont je suis
consciente.

L'échantillon final compte 22 répondants. Ces résultats sont exploratoires : ils donnent des
indications importantes mais ne peuvent pas être généralisés à l'ensemble de la profession.

1.3.3 Structure et contenu du questionnaire

Le questionnaire est structuré en six sections thématiques comprenant au total 19 questions,

combinant des items à choix unique, des questions à choix multiples, trois items évalués sur
échelle de Likert en cinq points et une question ouverte.

Chaque section est directement reliée à une ou plusieurs hypothèses de recherche, garantissant
ainsi la cohérence entre le design de l'instrument et les objectifs de l'étude.

Hypothèse(s)
Section Contenu Questions
ciblée(s)

Section Variables de
Profil du répondant Poste, expérience, type de structure
1 contrôle

Section Maturité numérique et Utilisation du Data Analytics, utilisation de H1

 Hypothèse(s)
Section Contenu Questions
ciblée(s)

2 adoption des technologies l'IA, niveau de digitalisation, outils utilisés

Section Impact sur l'approche par Qualité de l'identification des risques, audit
H2
3 les risques exhaustif, apports de l'IA

Évolution du rôle, valeur ajoutée de

Section Évolution du rôle et des
l'auditeur, compétences requises, H3
4 compétences de l'auditeur
adéquation des formations

Section Enjeux éthiques et Adaptation du cadre réglementaire, risques

H4
5 réglementaires associés à l'IA

Section Perspectives d'évolution de

Scénario à 10 ans, question ouverte H3 – H4
6 la profession

Les items évalués sur échelle de Likert en cinq points sont au nombre de trois et sont interprétés
selon la grille suivante :

Intervalle de moyenne Interprétation

1,00 à 1,80 Accord très faible

1,81 à 2,60 Accord faible

2,61 à 3,40 Accord moyen

3,41 à 4,20 Accord élevé

4,21 à 5,00 Accord très élevé

1.3.4 Modalités de diffusion et de collecte

Le questionnaire a été conçu et administré via Google Forms et diffusé auprès de la

population cible par le biais de LinkedIn et whatssap . La participation était
volontaire et anonyme, ce qui a été explicitement précisé aux répondants en
introduction du formulaire afin de favoriser la sincérité des réponses et de réduire le
biais de désirabilité sociale. Aucune donnée d'identification personnelle n'a été
collectée.

1.3.5 Outils d'analyse retenus

Compte tenu de la taille relativement limitée de l’échantillon (n = 22) et de la nature

des données collectées, l’analyse repose principalement sur une approche descriptive.
Les réponses obtenues ont été traitées à l’aide de statistiques descriptives comprenant
les fréquences, les pourcentages, ainsi que les moyennes lorsque cela était pertinent.
Ces indicateurs permettent de mettre en évidence les principales tendances observées
concernant l’adoption de l’intelligence artificielle et du Data Analytics, leur impact
sur l’approche par les risques, l’évolution du rôle de l’auditeur ainsi que les enjeux
éthiques et réglementaires associés à leur utilisation.

Les résultats sont présentés sous forme de tableaux et de graphiques afin de faciliter
leur lecture et leur interprétation. Cette démarche descriptive apparaît particulièrement
adaptée au caractère exploratoire de l’étude et aux objectifs poursuivis par la
recherche.

Enfin, une question ouverte a été intégrée au questionnaire afin de permettre aux
répondants de formuler librement leurs observations. Toutefois, le faible nombre de
réponses exploitables obtenues n’a pas permis de réaliser une analyse qualitative
approfondie. Les éléments recueillis ont donc été mobilisés uniquement à titre
illustratif dans l’interprétation des résultats.

1.4 Le volet qualitatif — Entretiens semi-directifs

1.4.1 Objectifs des entretiens

Les entretiens semi-directifs poursuivent un triple objectif dans le cadre de cette étude. Ils visent
premièrement à approfondir et contextualiser les tendances dégagées par le questionnaire, en leur
donnant une épaisseur qualitative que les données chiffrées ne peuvent pas restituer. Ils visent
deuxièmement à recueillir des expériences vécues directement liées au terrain de KPMG Maroc,
permettant d'observer comment les transformations théoriques décrites dans la littérature se
manifestent concrètement dans le quotidien des missions d'audit au sein d'un grand cabinet
international. Ils visent troisièmement à compléter et enrichir l'analyse des hypothèses de
recherche, notamment celles relatives à l'adoption des technologies d'audit, à l'amélioration de
l'approche par les risques, à l'évolution du rôle de l'auditeur ainsi qu'aux enjeux éthiques et
réglementaires associés à l'utilisation de l'intelligence artificielle.
1.4.2 Profil des interviewés et critères de sélection

Deux entretiens ont été conduits auprès d'auditeurs en exercice au sein de KPMG Maroc. Le choix
de ce terrain est motivé par l'accès privilégié rendu possible par le stage effectué au sein du
cabinet, ainsi que par la pertinence de KPMG Maroc comme observatoire de l'intégration des
technologies d'audit dans le contexte marocain.

Les interviewés ont été sélectionnés selon trois critères : l'exercice actif d'une fonction d'audit au
sein du cabinet, une expérience suffisante pour être confronté à l'utilisation des outils numériques
dans les missions d'audit, et la disponibilité à s'exprimer librement sur les transformations de leur
métier. Le choix de deux auditeurs juniors vise à recueillir le point de vue de professionnels
directement impliqués dans l'exécution opérationnelle des missions et particulièrement exposés
aux évolutions technologiques qui transforment progressivement les pratiques d'audit.

Interviewé 1 Interviewé 2

Poste Auditeur Junior Auditeur Junior

Ancienneté chez KPMG 1 an 2 ans

Durée de l'entretien Environ 25 minutes Environ 30 minutes

Mode de l'entretien Présentiel Présentiel

Date [à compléter] [à compléter]

1.4.3 Structure du guide d'entretien

Le guide d'entretien a été structuré autour de six thèmes progressifs, conçus pour guider la
conversation tout en laissant aux interviewés la liberté de développer les points qu'ils jugent les
plus significatifs :
Thème Contenu Lien avec les hypothèses

Thème 1 Profil et contexte professionnel Variable de contrôle

Thème 2 Adoption et utilisation des technologies d'audit H1

Thème 3 Impact du Data Analytics sur l'approche par les risques H2

Thème 4 Transformation du rôle et des compétences de l'auditeur H3

Thème 5 Enjeux éthiques, réglementaires et professionnels H4

Thème 6 Perspectives d'évolution de la profession H3 – H4

Chaque thème est introduit par une question ouverte principale, complétée par des questions de
relance permettant d'approfondir les points soulevés spontanément par l'interviewé sans pour
autant orienter ses réponses.

1.4.4 Conditions de déroulement

Les entretiens ont été conduits dans des conditions favorisant la liberté d'expression et la
confidentialité des échanges. Chaque interviewé a été informé en amont des objectifs de la
recherche, du caractère strictement académique et confidentiel des données recueillies, ainsi que
de la possibilité de ne pas répondre à certaines questions ou d'interrompre l'entretien à tout
moment. Un accord de participation a été obtenu de chaque interviewé avant le début de
l'entretien.

Les entretiens ont été retranscrits dans les heures suivant leur réalisation afin de préserver la
fidélité des propos recueillis et de minimiser les pertes d'information liées à la mémorisation. Les
données ont ensuite été anonymisées afin de garantir la confidentialité des participants.

1.4.5 Méthode d'analyse — Analyse thématique

Les retranscriptions des entretiens ont été soumises à une analyse thématique manuelle, suivant
une démarche en quatre étapes inspirée des travaux de BRAUN et CLARKE (2006) sur l'analyse
thématique en recherche qualitative.

La première étape consiste en une lecture exploratoire des retranscriptions, visant à s'imprégner
globalement du contenu des discours sans chercher à les structurer immédiatement. La deuxième
étape correspond au codage des données, consistant à identifier et à étiqueter les unités de sens
significatives présentes dans les verbatims. La troisième étape repose sur la construction de
thèmes regroupant les codes similaires au sein de catégories cohérentes correspondant aux
principaux axes de recherche. Enfin, la quatrième étape consiste à interpréter les résultats
obtenus en les confrontant aux conclusions du volet quantitatif ainsi qu'aux enseignements issus
de la littérature académique et professionnelle.

Les verbatims les plus significatifs sont mobilisés directement dans la présentation des résultats,
entre guillemets et attribués à leur interviewé de manière anonymisée, afin d'illustrer concrètement
les analyses développées et de renforcer l'ancrage empirique des conclusions de l'étude.

1.5 Limites méthodologiques assumées

La taille de l'échantillon quantitatif Avec 22 répondants, l'échantillon ne permet pas d'appliquer des
tests paramétriques robustes ni de généraliser les résultats à l'ensemble de la profession. Les
conclusions du volet quantitatif sont à considérer comme des tendances exploratoires, et non
comme des données représentatives au sens statistique strict.

 Le biais de convenance : La méthode d'échantillonnage de convenance expose à un risque

de surreprésentation de certains profils — notamment les jeunes professionnels connectés
aux réseaux sociaux — au détriment d'autres, comme les auditeurs seniors moins présents
sur ces plateformes. Ce biais peut influencer les résultats, notamment sur les questions
d'adoption technologique.
 Le biais de désirabilité sociale : Les répondants au questionnaire peuvent être tentés de
surestimer leur maîtrise des outils technologiques ou d'adopter des positions plus
progressistes que leurs pratiques réelles, par souci de conformité aux attentes perçues.
L'anonymat du questionnaire vise à atténuer ce biais sans pouvoir l'éliminer totalement.
 La taille du volet qualitatif : Deux entretiens constituent un corpus qualitatif limité, insuffisant
pour prétendre à la saturation théorique généralement recherchée en recherche qualitative.
Les résultats des entretiens sont donc traités comme des éclairages contextuels et
interprétatifs complémentaires, et non comme des conclusions qualitatives indépendantes.

Ces limites, loin de disqualifier les résultats obtenus, en définissent le périmètre de validité et
ouvrent des pistes pour des recherches futures sur des échantillons plus larges et des terrains
plus diversifiés.

SECTION 2 — PRÉSENTATION ET
ANALYSE DES RÉSULTATS

2.1 Résultats du volet quantitatif

2.1.1 Profil des répondants

 Répartition par poste :

 Répartition par expérience


2.1.2 Niveau d'adoption de l'intelligence
artificielle et du Data Analytics
Les résultats mettent en évidence un niveau relativement avancé d'adoption des
technologies numériques au sein des structures représentées dans l'échantillon. En
effet, 59,1 % des répondants indiquent que les outils de Data Analytics sont utilisés
fréquemment ou systématiquement dans les missions d'audit, tandis que seuls 13,6 %
déclarent une utilisation rare ou inexistante. Cette tendance confirme l'intégration
progressive des approches fondées sur les données dans les pratiques professionnelles
de l'audit.

Par ailleurs, 72,7 % des répondants affirment que leur cabinet utilise déjà des
solutions intégrant l'intelligence artificielle. Ce résultat témoigne de l'émergence de
ces technologies dans l'environnement professionnel des auditeurs, même si leur
niveau de maturité varie encore selon les structures.

Cette dynamique est également visible à travers le niveau de digitalisation perçu des
cabinets. Près de 68,2 % des répondants évaluent celui-ci comme modéré à très élevé,
ce qui traduit une transformation numérique déjà bien engagée dans le secteur de
l'audit.

Concernant les outils utilisés, Excel avancé et Power Query demeurent les solutions
les plus répandues (86,4 %), suivis par les outils d'IA générative tels que ChatGPT ou
Copilot (81,8 %) et Power BI (54,5 %). À l'inverse, les logiciels spécialisés comme
IDEA, ACL Analytics ou Alteryx restent relativement peu cités. Ces résultats
montrent que la digitalisation des missions d'audit repose aujourd'hui davantage sur
des outils généralistes largement accessibles que sur des solutions analytiques
spécialisées.

Dans l'ensemble, ces observations apportent un premier élément de validation de

l'hypothèse H1 selon laquelle l'intégration de l'intelligence artificielle et du Data
Analytics connaît un développement croissant au sein des cabinets d'audit.

2.1.3 Impact perçu sur l'approche par

les risques
Les répondants attribuent globalement un impact positif au Data Analytics dans le
renforcement de l'approche par les risques. La question portant sur l'amélioration de
l'identification et de l'évaluation des risques obtient une moyenne de 3,64 sur 5,
traduisant un niveau d'accord globalement favorable. Plus de 63 % des répondants se
déclarent d'ailleurs d'accord ou tout à fait d'accord avec cette affirmation.

Toutefois, les résultats montrent également une certaine prudence concernant la

capacité de l'intelligence artificielle à remplacer totalement les méthodes
traditionnelles d'audit fondées sur l'échantillonnage. En effet, 50 % des répondants
considèrent que les limites techniques demeurent importantes, tandis que 36,4 %
estiment que le passage à une analyse exhaustive des données n'est actuellement
possible que de manière partielle. Seule une minorité considère cette évolution
comme déjà pleinement réalisée.

Les principaux bénéfices associés à l'utilisation de l'IA dans l'approche par les risques
concernent l'identification plus rapide des zones à risque (45,5 %) ainsi que la
couverture exhaustive des données auditées (45,5 %). Les répondants soulignent
également la réduction des biais humains (40,9 %), l'amélioration de la traçabilité des
travaux (31,8 %) et la capacité à anticiper les risques émergents (31,8 %).

Ces résultats confirment que le Data Analytics est perçu comme un levier important
d'amélioration de l'approche par les risques, tout en montrant que les professionnels
restent conscients des limites actuelles des technologies analytiques. L'hypothèse H2
apparaît ainsi globalement validée.

2.1.4 Évolution perçue du rôle de

l'auditeur
Les résultats obtenus mettent en évidence une transformation progressive du rôle de
l'auditeur sous l'effet de l'intelligence artificielle et des technologies analytiques. La
perception dominante est celle d'un repositionnement vers des fonctions à plus forte
valeur ajoutée. En effet, 40,9 % des répondants considèrent que l'auditeur évolue
progressivement vers un rôle de conseiller stratégique, tandis que 31,8 % estiment
qu'il conserve son rôle traditionnel, l'IA étant perçue comme un simple outil
d'assistance.

La question relative à la valeur ajoutée de l'auditeur obtient une moyenne de 3,36 sur
5, ce qui traduit une opinion globalement favorable quant à la capacité de l'IA à
libérer les professionnels des tâches répétitives afin qu'ils puissent se concentrer
davantage sur les activités nécessitant du jugement professionnel.

Cette évolution s'accompagne d'une transformation des compétences attendues. Les

répondants identifient principalement la maîtrise des outils de Data Analytics (59,1
%), le jugement professionnel et l'éthique (59,1 %), ainsi que l'interprétation critique
des résultats algorithmiques (54,5 %) comme les compétences les plus importantes
pour les auditeurs de demain.

Par ailleurs, les résultats révèlent une perception mitigée concernant l'adaptation des
formations actuelles. Plus de 71 % des répondants estiment que les cursus intègrent
insuffisamment les compétences liées à l'intelligence artificielle ou ne les couvrent
que partiellement. Cette observation suggère l'existence d'un décalage entre
l'évolution des pratiques professionnelles et l'offre de formation.

Dans l'ensemble, ces résultats montrent que l'intelligence artificielle est davantage
perçue comme un facteur de transformation du métier que comme une menace directe
pour la profession. Ils apportent ainsi un soutien significatif à l'hypothèse H3 relative
à l'évolution du rôle et des compétences de l'auditeur.

2.1.5 Risques et limites perçus

Les résultats mettent en évidence une certaine réserve des répondants quant à
l'adéquation du cadre réglementaire actuel face au développement de l'intelligence
artificielle en audit. La question relative à l'adaptation des normes obtient une
moyenne de seulement 2,64 sur 5, ce qui traduit une perception plutôt mitigée, voire
critique, de l'encadrement réglementaire existant.

Les principaux risques associés à l'intégration de l'IA concernent l'atteinte à la

confidentialité des données (63,6 %) et la dépendance excessive aux outils
technologiques (59,1 %). Les répondants mentionnent également la perte potentielle
du jugement professionnel (40,9 %), le manque de transparence des algorithmes (31,8
%) et les difficultés de conformité aux normes d'audit (22,7 %).

Ces résultats montrent que les préoccupations des professionnels dépassent les seules
considérations techniques. Elles concernent également les enjeux de gouvernance, de
responsabilité et de contrôle des systèmes d'intelligence artificielle. Ainsi, malgré les
bénéfices associés à ces technologies, leur intégration soulève des défis importants qui
nécessitent une adaptation progressive des pratiques professionnelles et du cadre
réglementaire.

Ces observations vont dans le sens de l'hypothèse H4 relative aux enjeux éthiques,
réglementaires et professionnels générés par l'utilisation croissante de l'intelligence
artificielle en audit.

2.1.6 Perspectives futures

Interrogés sur l'avenir de la profession, les répondants anticipent majoritairement une
transformation progressive du métier plutôt qu'une disparition de l'auditeur. En effet,
50 % considèrent que la profession sera partiellement automatisée et comptera moins
d'effectifs, tandis que 31,8 % estiment qu'elle demeurera centrale malgré les
transformations technologiques.

À l'inverse, seuls 9,1 % des répondants envisagent une profession entièrement

redéfinie autour de la gouvernance des données, et 9,1 % anticipent un déclin de la
profession face à l'automatisation.

Ces résultats traduisent une vision relativement équilibrée de l'avenir de l'audit. Les
répondants reconnaissent l'importance croissante des technologies intelligentes, tout
en considérant que les dimensions liées au jugement professionnel, à l'éthique et à
l'analyse critique continueront de justifier l'intervention humaine dans les missions
d'audit. Cette perception rejoint les tendances observées dans les sections précédentes,
qui mettent davantage en évidence une transformation du métier qu'un remplacement
de l'auditeur par la machine.

Analyse thématique de la question ouverte

Un seul verbatim exploitable a été recueilli parmi les répondants ayant répondu à la
question ouverte :

« Faut être prudent avec l'utilisation de l'IA car c'est une épée à
double tranchant »

Ce verbatim, bien que bref, est emblématique de l'ambivalence qui traverse l'ensemble
des résultats quantitatifs : l'IA est perçue comme une opportunité réelle, mais dont les
risques exigent une vigilance professionnelle constante. La métaphore de l'épée à
double tranchant résume avec précision la tension centrale du mémoire : entre
promesse technologique et responsabilité professionnelle.

2.2 Résultats du volet

qualitatif
Afin de compléter les résultats issus du questionnaire, deux entretiens semi-directifs
ont été réalisés auprès de professionnels exerçant au sein de KPMG Maroc. Ces
entretiens avaient pour objectif d'approfondir la compréhension des transformations
induites par l'intelligence artificielle et le Data Analytics dans les pratiques d'audit,
tout en apportant un éclairage opérationnel sur les réalités du terrain. L'analyse des
discours recueillis a permis de faire émerger quatre thématiques principales :
l'adoption des technologies d'audit, leur impact sur l'approche par les risques,
l'évolution du rôle de l'auditeur ainsi que les enjeux éthiques et réglementaires
associés à leur utilisation.

2.2.1 Adoption et usage des technologies

d'audit
Les deux interviewés confirment l'intégration progressive mais désormais
incontournable des outils numériques dans les missions d'audit. Les plateformes
internes de KPMG, notamment KCw (KPMG Clara Workflow), constituent
aujourd'hui le socle de la documentation et du pilotage des missions. À ces outils
s'ajoutent diverses solutions spécialisées telles que le Confirmation Portal pour les
circularisations, les modules de Journal Entry Testing (JET), Clara AI pour la
génération automatisée de flowcharts ou encore KPMG Copilot pour l'assistance à la
rédaction.

L'auditeur junior souligne que l'ensemble des travaux est désormais centralisé au sein
de KCw, ce qui facilite la traçabilité et la standardisation des procédures. Selon lui :

« Aujourd'hui tout est dans KCw. [...] Sur les gros

engagements Enhanced, on voit la vraie puissance des
outils. »

L'auditeur senior partage cette observation et considère que la digitalisation a

profondément modifié la manière de conduire les missions :

« Aujourd'hui c'est vraiment un outil de pilotage de la

mission. La standardization a changé la façon dont on
pense le risk assessment. »

Les deux interviewés mettent également en avant les gains d'efficacité générés par
l'automatisation de certaines tâches répétitives. Les opérations d'extraction, de tri de
données, de recalculs arithmétiques ou encore de suivi des circularisations sont
désormais largement automatisées. Le senior indique notamment que certains travaux
qui nécessitaient auparavant plusieurs jours peuvent aujourd'hui être réalisés en
quelques heures grâce aux outils analytiques.

Toutefois, les deux répondants nuancent ces gains de productivité. Le temps

économisé sur certaines procédures est en partie réinvesti dans la documentation des
travaux, devenue plus exigeante avec la généralisation des standards méthodologiques
de KPMG. Cette observation montre que la technologie ne réduit pas nécessairement
la charge de travail globale, mais modifie sa nature en déplaçant les efforts vers des
tâches à plus forte valeur ajoutée.
Dans l'ensemble, les discours convergent vers l'idée que l'intégration des technologies
améliore significativement l'efficacité des missions d'audit, ce qui tend à confirmer
l'hypothèse H1.

2.2.2 Impact sur l'approche par les

risques
L'un des constats les plus marquants issus des entretiens concerne l'apport du Data
Analytics dans le renforcement de l'approche par les risques. Les deux professionnels
interrogés estiment que les outils analytiques permettent une identification plus fine
des anomalies et une meilleure priorisation des zones de risque.

L'auditeur junior évoque notamment un cas où l'analyse automatisée des écritures

comptables a permis d'identifier une écriture inhabituelle passée un week-end par un
utilisateur non rattaché à la fonction comptable :

« Ça, ça n'aurait jamais été capturé par un sondage. »

De son côté, l'auditeur senior insiste sur le changement de paradigme induit par ces
outils :

« Quand je faisais du sondage, j'espérais tomber sur les

bonnes écritures. Maintenant je suis certain d'avoir
regardé toutes les écritures répondant aux critères de
criticité. »

Les deux entretiens soulignent également la capacité des outils à détecter des schémas
d'anomalies invisibles dans le cadre d'un audit traditionnel fondé sur
l'échantillonnage. Grâce à l'analyse exhaustive des données, il devient possible
d'identifier des comportements récurrents ou des anomalies dispersées
individuellement peu significatives mais importantes lorsqu'elles sont observées dans
leur globalité.

Néanmoins, les interviewés rappellent que l'analyse exhaustive n'est pas encore
généralisée à tous les cycles d'audit. Si le Journal Entry Testing permet déjà un
traitement quasi exhaustif des écritures comptables, d'autres cycles reposent encore
partiellement sur des techniques d'échantillonnage traditionnelles. Par ailleurs, le
senior souligne que l'efficacité des outils dépend fortement du paramétrage des
critères de sélection et de la qualité des données fournies par les clients.
Ainsi, les entretiens confirment largement les résultats du questionnaire et apportent
un soutien significatif à l'hypothèse H2 selon laquelle le recours au Data Analytics
renforce la qualité de l'approche par les risques.

2.2.3 Évolution du rôle et des

compétences de l'auditeur
Les deux interviewés considèrent que l'intelligence artificielle transforme
progressivement le métier d'auditeur sans pour autant remettre en cause son utilité
fondamentale. Les tâches les plus répétitives tendent à être automatisées, tandis que
les activités reposant sur le jugement, l'analyse critique et l'interaction avec les clients
prennent une importance croissante.

Selon l'auditeur junior :

« Je pense qu'on va de moins en moins exécuter des

tâches répétitives et de plus en plus interpréter des
résultats. »

L'auditeur senior partage cette vision :

« L'auditeur de demain sera davantage un interprète de

résultats algorithmiques qu'un exécutant de procédures
manuelles. »

Cette évolution implique le développement de nouvelles compétences. Les deux

professionnels mettent particulièrement l'accent sur la maîtrise des outils de Data
Analytics, la compréhension des systèmes d'information des clients, la capacité à
interpréter les résultats produits par les algorithmes ainsi que le maintien d'un esprit
critique face aux recommandations automatisées.

Les interviewés convergent également sur les insuffisances des formations

universitaires actuelles. Tous deux considèrent que les cursus traditionnels en audit et
comptabilité intègrent encore trop peu les compétences liées à l'analyse de données,
aux systèmes d'information et aux nouvelles technologies. L'essentiel de leur
apprentissage dans ces domaines a été réalisé à travers les formations internes
proposées par KPMG et l'expérience acquise sur le terrain.

Ces observations montrent que la transformation du métier concerne davantage les

compétences mobilisées et la nature des travaux réalisés que la disparition de la
profession elle-même.
2.2.4 Enjeux éthiques, réglementaires et
perspectives d'avenir
Les enjeux éthiques et réglementaires occupent une place importante dans les discours
recueillis. Les deux interviewés identifient la confidentialité des données comme l'un
des principaux risques liés à l'utilisation de l'intelligence artificielle, notamment dans
le contexte de l'utilisation d'outils d'IA générative accessibles au grand public.

L'auditeur junior souligne :

« On est tentés d'utiliser ChatGPT ou Copilot pour

gagner du temps, mais si on colle des données client
dedans, c'est une violation grave. »

Au-delà de la confidentialité, l'auditeur senior insiste sur les risques liés à la

dépendance technologique et à la responsabilité professionnelle :

« Si l'algorithme manque quelque chose et qu'on n'a

pas exercé notre scepticisme professionnel, c'est notre
responsabilité en tant que CAC, pas celle de l'outil. »

Les deux interviewés considèrent également que le cadre réglementaire actuel

demeure insuffisamment adapté aux nouvelles pratiques d'audit assistées par
l'intelligence artificielle. Ils soulignent l'absence de directives précises concernant
l'utilisation des algorithmes, la documentation des analyses automatisées ou encore la
responsabilité de l'auditeur face aux résultats générés par ces outils.

Concernant l'avenir de la profession, les deux professionnels anticipent une

transformation profonde du métier plutôt qu'une disparition de l'auditeur. Ils
envisagent une réduction progressive des tâches d'exécution, une montée en puissance
des compétences technologiques et l'émergence de profils hybrides associant audit,
analyse de données et systèmes d'information. Toutefois, ils estiment que certaines
dimensions essentielles du métier, telles que le jugement professionnel, la relation
client, l'évaluation des situations complexes et la responsabilité légale de l'opinion
d'audit, demeureront durablement attachées à l'intervention humaine.

Dans l'ensemble, les résultats du volet qualitatif montrent que les professionnels
interrogés perçoivent l'intelligence artificielle comme un levier de transformation
majeur de l'audit. Si ses bénéfices en matière d'efficacité et de gestion des risques sont
largement reconnus, son intégration soulève également des défis importants en
matière de gouvernance, de réglementation et de compétences professionnelles. Ces
constats rejoignent les principales tendances mises en évidence par le volet quantitatif
et ouvrent la voie à une analyse croisée des résultats dans la section suivante.

2.3 Triangulation et
discussion des résultats
L'objectif de cette étape consiste à mettre en perspective les résultats issus du
questionnaire et ceux obtenus lors des entretiens semi-directifs afin d'identifier les
convergences, les divergences éventuelles et les enseignements complémentaires
apportés par chaque méthode de collecte. Cette démarche permet également de
confronter les résultats empiriques aux principaux apports de la littérature scientifique
et professionnelle mobilisée dans le cadre théorique de cette recherche.

2.3.1 Convergence entre résultats

quantitatifs et qualitatifs
L'analyse croisée des données quantitatives et qualitatives met en évidence une forte
cohérence entre les perceptions exprimées par les répondants au questionnaire et les
témoignages recueillis lors des entretiens.

Concernant l'adoption des technologies, les résultats quantitatifs montrent que plus de
70 % des répondants déclarent que leur cabinet utilise déjà des solutions intégrant
l'intelligence artificielle et que près de 60 % utilisent fréquemment ou
systématiquement des outils de Data Analytics. Les entretiens confirment cette
tendance en mettant en évidence l'utilisation quotidienne de plateformes telles que
KCw, Clara AI, KPMG Copilot, le Confirmation Portal ou encore les outils de Journal
Entry Testing. Les deux interviewés décrivent un environnement de travail fortement
digitalisé, notamment sur les missions d'audit les plus importantes.

Les résultats convergent également concernant l'impact du Data Analytics sur

l'approche par les risques. Le questionnaire révèle une perception globalement
favorable de l'apport des outils analytiques dans l'identification des risques d'audit.
Cette perception est largement confirmée par les entretiens, au cours desquels les
professionnels interrogés évoquent plusieurs exemples concrets de détection
d'anomalies rendues possibles grâce à l'analyse exhaustive des données. Les deux
interviewés considèrent que ces outils permettent une meilleure couverture des
populations auditées et une identification plus efficace des zones à risque.

Les deux volets convergent également sur la transformation du rôle de l'auditeur. Les
répondants au questionnaire considèrent majoritairement que l'auditeur évolue
progressivement vers des fonctions davantage orientées vers l'analyse, l'interprétation
et le conseil. Cette vision est confirmée par les entretiens, qui soulignent le
déplacement de la valeur ajoutée de l'auditeur vers le jugement professionnel,
l'interprétation des résultats produits par les outils et la compréhension des processus
métiers des clients.

Enfin, les résultats du questionnaire et des entretiens s'accordent sur l'existence de

risques liés à l'intégration de l'intelligence artificielle. La confidentialité des données,
la dépendance technologique et les limites du cadre réglementaire apparaissent
comme des préoccupations communes aux deux volets de l'étude.

Les entretiens apportent toutefois plusieurs nuances absentes du questionnaire. Ils

montrent notamment que les gains de temps générés par l'automatisation sont parfois
compensés par une augmentation des exigences de documentation et de revue des
travaux. Ils soulignent également que l'efficacité des outils dépend fortement de la
qualité des données fournies par les clients ainsi que du paramétrage des critères
utilisés dans les analyses automatisées. Ces éléments permettent d'enrichir
l'interprétation des résultats quantitatifs en mettant en évidence la complexité de la
transformation numérique de l'audit.

2.3.2 Confrontation des résultats à la

littérature
Les résultats obtenus s'inscrivent globalement dans le prolongement des travaux
académiques et professionnels portant sur la transformation de l'audit à l'ère du
numérique.

Tout d'abord, les constats relatifs à l'amélioration de l'identification des risques grâce
au Data Analytics rejoignent les travaux de VAN DER AALST (2016), qui souligne
la capacité des technologies analytiques à exploiter des volumes massifs de données et
à détecter des anomalies difficilement observables dans le cadre d'un audit fondé sur
l'échantillonnage. Les entretiens confirment cette évolution en illustrant concrètement
le passage progressif d'une logique de sondage à une logique d'analyse beaucoup plus
exhaustive.
Les résultats corroborent également les publications récentes de l'IAASB et de
l'IFAC, qui mettent en avant le potentiel des technologies numériques pour renforcer
la qualité des procédures d'évaluation des risques et améliorer la pertinence des
éléments probants collectés par les auditeurs. Les témoignages recueillis montrent que
ces outils sont désormais intégrés aux méthodologies des grands cabinets
internationaux, notamment à travers les plateformes développées par les Big Four.

Par ailleurs, l'évolution du rôle de l'auditeur observée dans cette étude rejoint les
conclusions de plusieurs recherches récentes selon lesquelles l'automatisation ne
conduit pas à la disparition du métier mais à une redéfinition progressive des
compétences requises. Les résultats obtenus montrent que les compétences techniques
liées à l'analyse de données doivent désormais être complétées par des capacités
d'interprétation, de communication et de jugement professionnel, ce qui confirme les
travaux portant sur l'émergence d'un auditeur augmenté par la technologie.

Les résultats obtenus concernant les enjeux réglementaires rejoignent également les
préoccupations exprimées dans la littérature récente sur l'intelligence artificielle. Les
interviewés soulignent l'existence d'un décalage entre les pratiques technologiques
observées sur le terrain et le contenu des référentiels normatifs actuels. Cette
observation est cohérente avec les débats suscités par l'AI Act européen et par les
réflexions engagées par les organismes de normalisation internationaux sur
l'encadrement de l'utilisation de l'IA dans les professions réglementées.

Enfin, cette recherche apporte un éclairage intéressant sur le contexte marocain. Les
entretiens révèlent que la transformation numérique de l'audit dépend également du
niveau de maturité technologique des clients et de la qualité des données disponibles.
Cette contrainte opérationnelle, moins présente dans la littérature internationale
souvent centrée sur les grandes économies développées, constitue une spécificité
importante du contexte étudié.

2.3.3 Validation des hypothèses de

recherche
Au regard des résultats obtenus à travers le questionnaire et les entretiens, les
hypothèses formulées au début de cette recherche peuvent être évaluées comme suit :

H1 — L'intégration de l'IA et du Data Analytics

améliore l'efficacité des missions d'audit

Hypothèse validée.

Les résultats quantitatifs montrent une perception globalement favorable de l'apport

des technologies numériques dans les missions d'audit. Les entretiens confirment
l'existence de gains significatifs en matière d'automatisation des tâches répétitives,
notamment pour le traitement des écritures comptables, les circularisations et
certaines analyses de données. Bien que ces gains soient parfois compensés par des
exigences accrues de documentation, les répondants considèrent globalement que les
technologies améliorent l'efficacité des travaux d'audit.

H2 — Le recours au Data Analytics renforce la qualité

de l'approche par les risques

Hypothèse validée.

Les résultats du questionnaire montrent un niveau d'accord élevé concernant la

contribution du Data Analytics à l'identification et à l'évaluation des risques d'audit.
Les entretiens renforcent ce constat en mettant en évidence la capacité des outils
analytiques à détecter des anomalies et des schémas de risque qui auraient
difficilement pu être identifiés par des méthodes traditionnelles fondées sur le
sondage.

H3 — L'intégration de l'IA en audit génère de

nouveaux risques que le cadre normatif actuel ne

couvre pas suffisamment

Hypothèse validée.

Les résultats quantitatifs montrent que les répondants expriment des réserves quant à
l'adaptation du cadre réglementaire actuel à l'utilisation de l'intelligence artificielle.
Les entretiens confirment cette perception en soulignant l'absence de directives
précises concernant la documentation des traitements automatisés, la responsabilité
associée aux résultats produits par les algorithmes ou encore la gestion des risques liés
aux outils d'IA générative.

H4 — L'IA va remplacer l'humain

Hypothèse rejetée.
Les résultats du questionnaire montrent que les répondants envisagent principalement
une transformation de la profession plutôt qu'une disparition du rôle de l'auditeur.
Cette conclusion est fortement corroborée par les entretiens. Les deux professionnels
interrogés considèrent que certaines tâches d'exécution seront progressivement
automatisées, mais que le jugement professionnel, la relation avec les clients,
l'évaluation des situations complexes et la responsabilité légale de l'opinion d'audit
demeureront fondamentalement humains. L'intelligence artificielle apparaît ainsi
comme un outil d'assistance et d'augmentation des capacités de l'auditeur plutôt que
comme un substitut à celui-ci.

L'ensemble des résultats obtenus permet donc de conclure que l'intelligence

artificielle et le Data Analytics constituent aujourd'hui des leviers majeurs de
transformation de l'audit financier. Leur intégration contribue à améliorer l'efficacité
des missions et la qualité de l'approche par les risques, tout en faisant émerger de
nouveaux défis en matière de compétences, de gouvernance et d'encadrement
réglementaire.

SECTION 3 — DISCUSSION
GÉNÉRALE ET
RECOMMANDATIONS
3.1 Réponse à la problématique centrale
L'objectif principal de cette recherche était d'analyser dans quelle mesure l'intégration
de l'intelligence artificielle et du Data Analytics transforme la démarche d'audit
financier, notamment à travers son impact sur l'approche par les risques et sur
l'évolution du rôle de l'auditeur.

Les résultats obtenus montrent que la transformation numérique de l'audit n'est plus
une perspective future mais une réalité déjà observable dans les pratiques
professionnelles. L'adoption croissante des outils de Data Analytics, des plateformes
collaboratives et des solutions intégrant l'intelligence artificielle modifie
progressivement la manière dont les auditeurs collectent, analysent et exploitent les
données nécessaires à la formulation de leur opinion.

Toutefois, cette évolution ne remet pas en cause les fondements mêmes de l'audit. Les
principes de scepticisme professionnel, de jugement professionnel et de responsabilité
demeurent au cœur de la mission. Les technologies permettent d'améliorer l'efficacité
des travaux et la qualité de l'analyse, mais elles ne suppriment pas la nécessité d'une
intervention humaine dans l'interprétation des résultats, l'évaluation des risques
complexes ou la formulation des conclusions d'audit.

L'étude met ainsi en évidence une mutation profonde de la profession. L'auditeur ne

disparaît pas sous l'effet de l'automatisation ; il voit plutôt son rôle évoluer vers des
activités davantage centrées sur l'analyse, l'interprétation et la prise de décision. Cette
transformation conduit progressivement à l'émergence d'un auditeur augmenté par la
technologie plutôt qu'à son remplacement.

3.2 Enseignements et implications pour

la profession

3.2.1 Une évolution de l'audit davantage qu'une

révolution

L'un des enseignements majeurs de cette recherche est que la transformation actuelle
de l'audit s'inscrit davantage dans une logique d'évolution que de rupture totale.

Les discours parfois alarmistes annonçant la disparition prochaine de l'auditeur sous

l'effet de l'intelligence artificielle apparaissent largement exagérés au regard des
résultats obtenus. Si certaines tâches traditionnellement réalisées par les équipes
d'audit peuvent désormais être automatisées, la mission d'audit ne se limite pas à
l'exécution de procédures standardisées.

L'analyse des entretiens montre notamment que les outils sont particulièrement
performants pour identifier des anomalies, réaliser des tris complexes ou analyser de
grandes masses de données. En revanche, ils demeurent dépendants des critères qui
leur sont fournis et des hypothèses retenues lors de leur paramétrage. Un algorithme
peut détecter une anomalie statistique ; il ne peut pas, à lui seul, apprécier son
caractère significatif au regard du contexte économique, juridique ou organisationnel
de l'entreprise auditée.

Cette distinction est fondamentale. Elle rappelle que l'audit demeure une activité
fondée sur l'exercice du jugement professionnel et non uniquement sur le traitement
de données.
3.2.2 Les limites réelles du mythe de l'audit à 100 %

L'un des arguments les plus fréquemment avancés en faveur du Data Analytics est la
possibilité de passer d'un audit fondé sur l'échantillonnage à un audit fondé sur
l'analyse exhaustive des données.

Les résultats obtenus invitent cependant à nuancer cette affirmation.

D'un point de vue technique, il devient effectivement possible d'analyser l'intégralité

des écritures comptables d'une entreprise. Les outils utilisés dans les grands cabinets
permettent aujourd'hui de traiter plusieurs centaines de milliers de transactions en
quelques heures.

Toutefois, l'analyse de 100 % des données ne signifie pas nécessairement une

compréhension de 100 % des risques.

Plusieurs limites demeurent :

la qualité des données transmises par les clients ;




les erreurs de paramétrage des outils ;




les faux positifs générés par les algorithmes ;




les risques non visibles dans les bases de données structurées ;




les comportements frauduleux conçus précisément pour contourner les

contrôles automatisés.


Cette observation rejoint une critique récurrente formulée dans la littérature récente :
la quantité d'informations disponibles ne garantit pas automatiquement une meilleure
qualité du jugement.

L'enjeu central ne réside donc pas uniquement dans la capacité à analyser davantage
de données, mais dans la capacité à transformer ces données en informations
pertinentes pour la prise de décision.

3.2.3 Le déplacement de la valeur ajoutée de

l'auditeur

Les résultats montrent également que la valeur ajoutée de l'auditeur se déplace

progressivement.

Historiquement, une part importante des travaux d'audit reposait sur des activités de
vérification, de rapprochement et de contrôle documentaire. Ces activités demeurent
nécessaires mais occupent une place de plus en plus réduite dans la chaîne de valeur.

À mesure que les outils automatisent les tâches répétitives, les attentes envers les
auditeurs évoluent. Les compétences les plus recherchées concernent désormais :

l'analyse critique ;




l'interprétation des résultats ;




la compréhension des systèmes d'information ;




la communication avec les clients ;


 

la capacité à exercer un jugement professionnel dans des situations complexes.

Cette évolution transforme progressivement le profil de l'auditeur. Le professionnel de

demain devra posséder une double compétence : une solide maîtrise des principes
comptables et d'audit, mais également une compréhension suffisante des technologies
de traitement et d'analyse des données.

L'avenir semble ainsi se situer moins dans l'opposition entre expertise comptable et
expertise technologique que dans leur convergence.

3.3 Les défis spécifiques du

contexte marocain
L'analyse des résultats met en évidence plusieurs spécificités propres au contexte
marocain qui influencent directement le rythme et les modalités de la transformation
numérique de l'audit. Contrairement aux grandes économies où les systèmes
d'information sont souvent fortement intégrés et standardisés, le tissu économique
marocain demeure caractérisé par une forte hétérogénéité en matière de maturité
numérique.

Les entretiens réalisés montrent notamment que la qualité des données transmises par
les clients constitue encore un obstacle important à l'exploitation optimale des outils
de Data Analytics. Les auditeurs interrogés soulignent que certaines entreprises
disposent de systèmes ERP performants permettant l'extraction rapide de données
fiables et structurées, tandis que d'autres continuent à produire des informations sous
des formats peu adaptés à l'analyse automatisée.

Cette situation limite parfois les bénéfices potentiels de l'intelligence artificielle et du

Data Analytics. En effet, la performance des algorithmes dépend directement de la
qualité des données sur lesquelles ils sont appliqués. Dans un environnement où les
données sont incomplètes, peu structurées ou difficilement exploitables, les gains
attendus en matière d'efficacité et de couverture des risques peuvent être
significativement réduits.

Par ailleurs, les résultats mettent en évidence une concentration des technologies les
plus avancées au sein des grands réseaux internationaux d'audit. Les Big Four
disposent aujourd'hui de plateformes globales telles que KPMG Clara, Halo ou
Omnia, qui leur permettent de déployer des outils analytiques sophistiqués à grande
échelle. À l'inverse, les cabinets de taille moyenne ou petite disposent généralement
de ressources plus limitées pour investir dans ces technologies.

Ainsi, la transformation numérique de l'audit au Maroc apparaît aujourd'hui comme

un processus à plusieurs vitesses, dépendant à la fois du niveau de digitalisation des
cabinets et de celui des entreprises auditées.

3.4 Perspectives pour le

développement de l'audit
augmenté au Maroc
Les résultats de cette recherche suggèrent que le développement futur de l'audit au
Maroc reposera sur plusieurs leviers complémentaires.

Le premier concerne la généralisation progressive des technologies analytiques au

sein de l'ensemble de la profession. Si les grands cabinets apparaissent aujourd'hui
comme les principaux moteurs de cette transformation, la diffusion de solutions plus
accessibles pourrait permettre à un nombre croissant de cabinets de bénéficier des
avantages offerts par le Data Analytics et l'intelligence artificielle.

Le deuxième levier réside dans l'adaptation des formations initiales et continues. Les
résultats quantitatifs comme qualitatifs convergent vers le constat d'un décalage entre
les compétences actuellement enseignées et les besoins émergents du marché. Le
renforcement des enseignements liés à l'analyse de données, aux systèmes
d'information, à la gouvernance des données et à l'intelligence artificielle apparaît dès
lors comme une priorité pour accompagner l'évolution de la profession.

Le troisième levier concerne l'évolution du cadre réglementaire. À mesure que les

technologies gagnent en importance dans les missions d'audit, les organismes
professionnels et les régulateurs seront amenés à préciser les modalités d'utilisation de
ces outils, les exigences de documentation associées ainsi que les responsabilités de
l'auditeur dans un environnement de plus en plus automatisé.

Enfin, les avancées technologiques ouvrent la voie à l'émergence progressive d'un

audit continu fondé sur l'exploitation quasi temps réel des données financières. Bien
que cette perspective demeure encore limitée à certaines grandes organisations, elle
pourrait à terme transformer profondément les modalités d'exercice de l'audit en
permettant une surveillance plus dynamique des risques et une détection plus précoce
des anomalies.

En définitive, l'avenir de l'audit au Maroc ne dépendra pas uniquement de l'évolution

des technologies disponibles, mais également de la capacité de l'ensemble des acteurs
— cabinets, entreprises, établissements de formation et régulateurs — à accompagner
cette transformation et à en tirer pleinement parti. Cette évolution apparaît moins
comme une remise en cause de la profession que comme une opportunité de renforcer
la qualité, la pertinence et la valeur ajoutée de l'audit financier dans un environnement
économique de plus en plus numérisé.

Reconfiguration du métier d'auditeur et perspectives de l'audit à

l'ère de l'intelligence artificielle

Ce cinquième chapitre répond à la question centrale : l'IA va-t-elle remplacer

l'auditeur ? Il explore ce que l'IA peut réellement faire à la place de l'auditeur et ce
qu'elle ne pourra jamais toucher par nature, les nouvelles compétences requises et le
glissement stratégique de la profession vers le conseil.

Section 1 — La transformation du rôle de l'auditeur dans un

environnement digitalisé

1.1 De la vérification comptable à la création de valeur stratégique

’un des changements les plus concrets de la digitalisation, c’est l’évolution de la mission classique.

Grâce à l’automatisation, comme la Robotic Process Automation (RPA), beaucoup de tâches

répétitives qui prenaient du temps aux équipes sont maintenant réglées très vite. Les

rapprochements, le pointage ou les extractions de données se font désormais automatiquement,

avec une rapidité et une fiabilité bien plus grandes.

Cette automatisation déplace le curseur de l’audit. La valeur n’est plus dans la collecte, mais dans

l’analyse. À l’international, on voit apparaître un audit orienté vers la stratégie. Les outils

analytiques repèrent des schémas de comportement ou des failles opérationnelles qui vont bien

au-delà de la simple conformité comptable. L’auditeur devient un vrai partenaire, capable de

donner une vision claire de la performance et des risques de l’entreprise.

C’est un enjeu particulièrement vrai au Maroc. Ici, beaucoup de PME et TPME voient encore

l’audit comme une obligation subie plutôt qu’un levier de valeur. Le Data Analytics permet

justement de changer cette image en offrant aux dirigeants des analyses bien plus fines. En

exploitant mieux les données, on aide à la décision et à l’optimisation des performances. Au final,

l’auditeur ne fait plus seulement "certifier les comptes" ; il devient un vrai conseiller pour la

gouvernance et la compétitivité.

1.2 L'émergence d'un auditeur aux compétences hybrides

La transformation numérique demande de nouvelles compétences. Si la base comptable, fiscale

et financière reste indispensable, il faut désormais y ajouter une couche technologique.

L’auditeur doit aujourd’hui comprendre comment fonctionnent les systèmes d’information et

maîtriser les outils qui permettent d’exploiter les données.

À l’international, les cabinets cherchent des profils qui combinent expertise financière et

technique.

Au Maroc, c’est un vrai défi pour les écoles et les cabinets. Certes, les universités, ENCG, ISCAE et

écoles d’ingénieurs intègrent le Data Analytics et l’ia dans leurs programmes , mais la technologie

avance plus vite que les programmes. Les cabinets sont donc obligés de miser à fond sur la

formation continue pour faire monter leurs équipes en compétences, d’autant plus que les profils

qui maîtrisent à la fois la comptabilité et l’analyse de données sont encore rares sur le marché.

1.3 Une relation auditeur–audité profondément renouvelée

La digitalisation bouscule également le lien avec le client. Avec les systèmes

connectés, on se dirige vers un audit plus continu : dans les entreprises les plus
équipées, les anomalies peuvent être détectées quasiment en direct, changeant
totalement la temporalité de la mission. Adopter ce modèle reste toutefois plus délicat
au Maroc, où les systèmes d'information sont parfois hétérogènes et où l'accès
permanent aux données peut être vécu comme une intrusion.

1.4 Le renforcement du jugement professionnel à l'ère des algorithmes

Contrairement à ce qu'on pourrait croire, l'intelligence artificielle ne rend pas le

jugement humain obsolète ; elle le rend plus crucial que jamais. Les machines traitent
des volumes de données énormes pour sortir des schémas complexes, mais elles ne
comprennent pas le contexte économique ou les spécificités d'une entreprise. Le rôle
de l'auditeur est d'exercer son esprit critique pour séparer les vrais signaux de risque
des simples anomalies statistiques.

C'est encore plus vrai dans le contexte marocain, où les pratiques locales et les
spécificités commerciales peuvent tromper les algorithmes standards. Une transaction
marquée comme « atypique » par le logiciel peut très bien être normale dans ce
contexte : la connaissance du tissu économique local reste indispensable.

Section 2 — L'avenir de la profession : l'IA peut-elle remplacer

l'auditeur ?
2.1 La supériorité technique de la machine sur les tâches standardisées

L'idée d'un remplacement de l'auditeur repose d'abord sur les progrès de

l'automatisation des contrôles. L'IA se distingue par sa capacité à digérer des masses
de données, à répéter des opérations sans fatigue et à identifier des schémas que l'œil
humain ne voit pas forcément. À l'échelle mondiale, les grands cabinets d'audit
utilisent déjà des plateformes capables d'examiner des données financières en temps
réel.

Cette réalité commence à s'imposer dans les grands cabinets de la place casablancaise.
Les tâches de « pointage », de rapprochement des balances ou de vérification de la
conformité des liasses fiscales par rapport au Code Général des Impôts (CGI)
marocain s'automatisent rapidement.

2.2 L'irréductibilité du jugement professionnel et du scepticisme humain

Malgré tout, l'argument principal en faveur de l'humain reste la distinction entre le

traitement d'information et l'exercice du jugement. L'IA peut détecter une anomalie
statistique, mais elle reste incapable de comprendre pourquoi les dirigeants ont agi
ainsi, ou quels sont les enjeux stratégiques réels de l'entreprise. L'évaluation du risque
de fraude ou l'analyse de la substance économique d'une opération reposent toujours
sur l'expérience, l'intuition et le discernement propre à l'auditeur.

Cette limite est encore plus frappante au Maroc, avec un tissu économique marqué par
des entreprises familiales, le poids des relations personnelles et une part de pratiques
informelles. Dans ce contexte, une transaction jugée « atypique » par un modèle
standard importé pourrait être, en réalité, une pratique commerciale tout à fait
normale.

2.3 La barrière juridique et la responsabilité de l'opinion d'audit

Au-delà de la technique, le remplacement de l'auditeur se heurte à un obstacle

juridique majeur. L'audit est une mission d'intérêt public qui repose sur un principe
simple : quelqu'un doit être responsable. Un algorithme n'a pas de personnalité
juridique ni la capacité de répondre de ses actes devant un juge.

Au Maroc, cette exigence est encore plus concrète via le cadre régissant la profession
d'expert-comptable. La responsabilité est celle de l'expert-comptable qui signe le
rapport. La technologie n'est qu'un outil de plus ; elle ne dédouane personne.

2.4 Vers l'auditeur « augmenté » plutôt que remplacé

Finalement, il faut relativiser l'idée d'un remplacement pur et simple. L'avenir

s'oriente davantage vers un modèle de collaboration : les machines s'occupent du
répétitif et du traitement de masse, tandis que l'auditeur se concentre sur
l'interprétation et les situations complexes. Cette complémentarité améliore à la fois
l'efficacité des missions et la qualité des analyses.

Dans cette optique, l'IA ne rend pas l'auditeur inutile ; elle lui permet de changer de
posture. Libéré des tâches mécaniques, il peut passer plus de temps sur ce qui a
vraiment de la valeur : l'évaluation des risques émergents, la cybersécurité ou la
certification d'informations extra-financières. L'avenir ne semble pas être à la
disparition de l'auditeur, mais à l'émergence d'un « auditeur augmenté », capable de
marier l'intelligence humaine à la puissance des outils numériques.