Agents IA en audit : l’essai de KPMG décrypté
L’essai de KPMG montre ce que les agents IA peuvent changer dans l’audit : méthodes, gains possibles, limites réglementaires et place du jugement humain.

Agents IA et audit : ce que l'essai de KPMG change vraiment
L'intelligence artificielle ne se limite plus à aider les auditeurs à résumer des documents ou à automatiser des tâches isolées. D'après le Financial Times, KPMG UK a testé plus de 100 agents IA sur les comptes d'une entreprise britannique cotée. Dans certains cas, ces agents ont creusé des points que l'équipe d'audit n'avait pas forcément formulés.
Le résultat est intéressant, mais il ne faut pas en tirer de conclusion trop rapide : non, cela ne veut pas dire que des machines savent désormais certifier des comptes. L'exercice, baptisé Project Exponential, n'était pas un audit légal destiné à approuver les états financiers. Et surtout, il a fallu une intervention humaine quand un agent a mal rapproché des exigences réglementaires et des documents fournis par l'entreprise.
Au fond, l'enjeu n'est pas de savoir si l'IA va remplacer les comptables. C'est plutôt de comprendre ce qu'elle peut déjà prendre en charge, où elle se trompe, et comment son arrivée pourrait changer l'organisation et, indirectement, le coût du travail d'audit. Voici ce que l'essai de KPMG permet vraiment d'envisager - et les précautions à garder.
Ce que l'essai de KPMG a réellement démontré
Project Exponential portait sur les états financiers d'une entreprise du FTSE 250, l'indice britannique des sociétés de taille moyenne. Selon le Financial Times, plus de 100 agents IA ont travaillé aux côtés d'une équipe d'audit traditionnelle. Ce n'était donc pas un essai cantonné à la rédaction de comptes rendus ou à la recherche dans des dossiers : l'expérimentation couvrait plusieurs étapes du travail.
Cath Burnet, responsable de l'audit chez KPMG UK, a indiqué que la technologie avait, à plusieurs reprises, approfondi certains sujets et posé des questions auxquelles l'équipe humaine n'avait pas forcément pensé. C'est là que l'essai devient vraiment utile : même quand l'IA ne « trouve pas » une réponse, elle peut aider à mieux cibler les vérifications en ouvrant des pistes.
Mais il faut garder une distinction simple : une piste n'est pas une conclusion d'audit. Un agent peut repérer une incohérence, proposer une hypothèse ou demander des pièces supplémentaires. Pour passer à autre chose, il faut des éléments probants, une compréhension du contexte de l'entreprise et un jugement professionnel. Autrement dit : l'agent peut contribuer, mais il ne certifie pas.
Un essai prometteur, pas une certification automatisée
KPMG a précisé que Project Exponential n'était pas un audit légal. Un associé a validé l'exercice expérimental, mais les résultats des agents n'ont pas servi de base à l'approbation officielle des comptes. Cette précision change la lecture de l'annonce : on parle de capacités observées dans un cadre contrôlé, pas d'un outil « prêt à remplacer » le travail d'audit.
L'expérimentation a été menée sur environ quatre mois. KPMG prévoit ensuite d'en élargir le périmètre à un maximum de 20 audits plus importants, en reconnaissant que la technologie n'est pas encore mûre pour être déployée à grande échelle. En clair : la firme teste sa trajectoire et ses conditions de fonctionnement, pas un modèle généralisable sans réserve.
Pourquoi les meilleures questions comptent
Un audit, ce n'est pas seulement traiter des données. C'est savoir où aller, quelles demandes formuler, et quand une explication ne suffit pas. Quand un agent soulève la bonne question au bon moment, il peut améliorer le ciblage des travaux - à condition que l'équipe humaine vérifie ensuite.
Reste que l'essai ne prouve pas que l'IA serait « globalement » plus compétente qu'un auditeur. Il montre simplement que, dans certaines situations, elle a mis au jour des pistes que l'équipe n'avait pas formulées. Pour un responsable financier, la question pratique devient alors : l'outil améliore-t-il la couverture et la qualité des contrôles, sans introduire un risque de conclusions hâtives ou non vérifiées ?
Quels effets sur les coûts et le modèle des cabinets
Les grands cabinets d'audit reposent traditionnellement sur des équipes importantes. Les collaborateurs juniors réalisent une part substantielle des contrôles détaillés et de la collecte, sous la supervision de managers et d'associés. Si des agents prennent une partie de ce travail, l'équilibre des missions peut évoluer : moins d'efforts sur les opérations répétitives, davantage de temps pour examiner les exceptions, les estimations complexes et les sujets qui exigent du jugement.
Sur le papier, les gains font envie : accélérer certaines étapes, analyser plus d'informations, et réorganiser la manière de mobiliser les équipes. Mais la productivité ne se traduit pas automatiquement par une baisse de facture. Le coût d'un audit dépend aussi de la responsabilité assumée, de la complexité du client, des exigences de contrôle qualité, des investissements technologiques et du temps nécessaire pour vérifier ce que l'automatisation produit.
KPMG a évoqué des économies potentielles, sans confirmer qu'elles se répercuteraient sur les honoraires. Et c'est là que ça compte : réduire des heures sans augmenter le reste n'est pas garanti, surtout si l'on doit consacrer plus de temps à la supervision spécialisée et aux contrôles.
Ce qui peut changer dans les équipes
À court terme, le scénario le plus plausible n'est pas la disparition brutale des auditeurs juniors. C'est plutôt un changement du contenu du travail. Une partie de l'extraction, du rapprochement et de la documentation peut être automatisée, tandis que la revue des exceptions, la compréhension du modèle économique du client et la formulation de demandes vraiment pertinentes prennent plus de place.
Cela pose un vrai sujet de formation. Si les débutants ne font plus certaines tâches « de base », les cabinets devront repenser l'apprentissage du raisonnement comptable et du scepticisme professionnel. Lire un dossier, repérer une anomalie, comprendre la chaîne de preuves : tout cela ne s'acquiert pas en observant seulement un logiciel. Les équipes devront apprendre à contrôler des systèmes sans perdre la capacité de refaire le raisonnement elles-mêmes.
Comment évaluer un retour sur investissement
Le succès ne devrait pas se mesurer uniquement au nombre d'heures économisées. Un suivi plus utile combine plusieurs indicateurs :
- le temps total, y compris la préparation des données et la revue humaine ;
- la proportion de pistes réellement pertinentes, confirmées après vérification ;
- le nombre d'erreurs repérées dans les productions des agents ;
- la traçabilité des pièces et des décisions ;
- l'impact sur les délais, la qualité et les honoraires.
Et même là, attention à un effet « déplacement » plutôt que « suppression » : si les données sont mal structurées, les systèmes incompatibles ou les pièces incomplètes, il faut souvent payer le temps de préparation. KPMG reconnaît d'ailleurs que la qualité des données bloque une partie de l'équation : toutes les entreprises ne disposent pas d'informations suffisamment propres et structurées pour alimenter des agents de façon fiable.
Quelles limites et garanties faut-il prendre en compte
La première limite, c'est la donnée. Un agent ne « comprend » pas correctement l'absence d'information, les incohérences ou les liens mal établis. Et l'automatisation peut donner une fausse impression de précision : un rapport bien rédigé ne prouve pas que les données de départ sont justes. Pour les entreprises européennes, la qualité, la classification et les droits d'accès doivent donc être réglés en amont, pas après un incident.
La deuxième limite concerne les erreurs de raisonnement et les résultats inventés. Un agent peut mal interpréter une exigence, confondre des pièces ou présenter une affirmation non étayée avec assurance. Le problème n'est pas seulement de mesurer un taux d'erreur moyen. Il faut savoir quels types d'erreurs peuvent apparaître, dans quelles tâches, et surtout si les contrôles en place les attrapent avant qu'elles ne déforment l'opinion d'audit.
Responsabilité et scepticisme professionnel
Le Financial Reporting Council, le régulateur britannique de la supervision de l'information financière, a rappelé que l'usage de l'IA ne doit pas entamer l'indépendance, l'intégrité ou le scepticisme professionnel des auditeurs. Le principe vaut aussi dans un cadre européen : l'outil peut aider, mais la responsabilité de l'opinion d'audit reste humaine.
D'où une règle de gouvernance très claire : aucune conclusion importante ne doit être acceptée parce qu'un agent l'a produite. L'équipe doit pouvoir vérifier les éléments probants, comprendre la logique, documenter les désaccords et expliquer pourquoi elle retient ou écarte une recommandation. Ce point devient encore plus sensible quand il s'agit d'estimations comptables ou de risques de fraude.
Sécurité, confidentialité et conformité
Les documents d'audit contiennent souvent des données financières confidentielles, des informations personnelles et des éléments commerciaux sensibles. Avant de brancher un agent à ces ressources, il faut clarifier où les données sont hébergées, qui peut y accéder, si elles sont réutilisées pour entraîner un modèle et combien de temps elles sont conservées. Le respect du RGPD et des obligations contractuelles ne peut pas être déduit du seul fait qu'un outil est vendu à des professionnels.
Concrètement, il faut mettre en place des accès limités au nécessaire, journaliser les opérations, séparer les environnements et organiser une procédure de gestion des incidents. Il faut aussi regarder les dépendances : si une mission dépend d'un fournisseur, d'une version de modèle ou d'un connecteur spécifique, le cabinet doit savoir comment continuer ses travaux si le service évolue ou tombe en panne.
Une décision adaptée au risque, pas à l'effet d'annonce
Toutes les tâches ne se valent pas en termes de risque. Automatiser le classement de pièces n'a pas la même portée que produire une conclusion sur une estimation complexe. Une approche raisonnable commence par les tâches répétitives, réversibles et faciles à vérifier, puis augmente progressivement l'autonomie si les résultats restent robustes.
Avant d'étendre l'usage, une équipe devrait pouvoir répondre à quatre questions : les données sont-elles fiables et autorisées ? Les résultats sont-ils rattachés à des preuves ? Un professionnel compétent peut-il repérer une erreur ? La responsabilité et la piste d'audit sont-elles explicites ? Si une réponse manque, mieux vaut réduire le périmètre que confondre expérimentation et déploiement maîtrisé.
Conclusion : automatiser le travail, pas la responsabilité
L'essai de KPMG montre quelque chose de concret : des agents IA peuvent déjà contribuer à plusieurs étapes d'un audit et faire remonter des questions que les équipes n'avaient pas formulées. Mais il ne prouve ni qu'ils peuvent certifier des comptes sans humains, ni que leur usage généralisé serait déjà maîtrisé. Les limites observées - notamment sur les exigences réglementaires et la qualité des données - rappellent que la performance dépend autant de l'organisation des contrôles que du modèle utilisé.
Pour les cabinets comme pour les entreprises, la bonne approche consiste à automatiser progressivement les tâches vérifiables, mesurer la qualité des résultats et garder une responsabilité humaine clairement définie. La vraie question n'est pas seulement « que peut faire un agent ? », mais « est-ce que l'équipe peut expliquer et défendre ce qu'elle a produit ? ». C'est à ce prix que les gains opérationnels peuvent devenir une amélioration durable de l'audit.
Comment les agents IA interviennent dans un audit
La différence entre un assistant conversationnel et un agent IA, c'est le degré d'autonomie dans l'exécution. Un assistant répond à une demande ponctuelle. Un agent peut recevoir un objectif, utiliser des outils ou des documents, enchaîner plusieurs opérations, produire un résultat intermédiaire et proposer la suite du travail. Et non : ce n'est pas « sans contrôle ». Les autorisations, les sources et les objectifs doivent être définis.
Dans Project Exponential, les agents ont collecté des informations, analysé et documenté des données, préparé des observations et des conclusions provisoires, puis proposé les prochaines étapes. Ils pouvaient aussi travailler en parallèle et se répartir des responsabilités. L'intérêt, en pratique, c'est d'avancer plusieurs vérifications en même temps plutôt que de demander à un seul outil une analyse unique et difficile à interpréter.
Décomposer le travail en tâches vérifiables
Pour que ce type de système serve réellement, il faut découper le processus en étapes assez précises pour être contrôlées. Un flux de travail peut par exemple distinguer :
Cette décomposition n'est pas qu'un choix technique : elle fixe des responsabilités et rend les erreurs plus faciles à repérer. Si un agent produit une conclusion sans expliquer sur quoi elle repose, l'équipe ne peut pas la tester sérieusement. À l'inverse, une piste reliée à une pièce précise et à une règle applicable est plus simple à vérifier, corriger ou écarter.
Le contrôle humain comme étape du processus
L'essai a aussi montré une limite concrète : un agent a mal rapproché des exigences réglementaires et des documents, ce qui a nécessité l'intervention d'un auditeur. Cet épisode rappelle un point un peu trivial, mais crucial : la supervision ne peut pas se réduire à une validation finale « rapide ».
Dans une mise en œuvre opérationnelle, les contrôles peuvent inclure la vérification des sources, l'approbation humaine des conclusions sensibles, la conservation des échanges et la comparaison d'échantillons avec une analyse faite indépendamment. Il faut aussi pouvoir retracer quelle version d'un document a été utilisée et quel agent a produit une observation.
Le bon indicateur n'est pas le nombre de tâches confiées aux agents. C'est la capacité à expliquer, reproduire et contester leurs résultats. Sans traçabilité, on gagne peut-être du temps, mais on rend plus floue la décision finale.