Rapport IA Deloitte : l’Australie réclame un remboursement
Références inventées, sommes erronées : l’Australie réclame un remboursement à Deloitte. Ce cas montre comment encadrer l’IA dans les missions de conseil.
Rapport Deloitte en Australie : quand l'IA fragilise une mission de conseil
Un rapport commandé à Deloitte pour étudier la fusion de trois universités d'Australie-Occidentale devait aider à trancher une décision publique. Il est aujourd'hui au cœur d'une controverse : certaines références citées ne seraient pas vérifiables et des montants figurant en annexe seraient erronés. L'État réclame désormais un remboursement rapide des 166 000 dollars australiens versés pour l'étude.
Deloitte a expliqué avoir utilisé l'intelligence artificielle générative pour soutenir la recherche documentaire, la synthèse des informations et la relecture du document. Ce n'est pas suffisant pour conclure que l'IA est à l'origine de chaque erreur. Mais l'affaire met un doigt sur une question très concrète, pour toute organisation qui s'appuie sur ces outils : qui vérifie réellement le livrable, et qui porte la responsabilité une fois le document remis au client ?
Le sujet dépasse le seul cabinet. Entre références inventées, calculs qui ne collent pas et corrections après publication, l'histoire rappelle surtout ceci : un texte produit plus vite n'est pas forcément un travail correctement validé. Voici ce que l'on sait, ce qu'on ne sait pas encore et, surtout, les contrôles qu'il faut prévoir avant de confier à un modèle une partie d'une mission professionnelle.
Les faits : un rapport public contesté
Le gouvernement d'Australie-Occidentale avait demandé à Deloitte une analyse coûts-avantages d'un projet de fusion entre l'Université d'Australie-Occidentale, Curtin University et Murdoch University. L'étude était facturée 166 000 dollars australiens et devait alimenter l'évaluation d'un changement institutionnel majeur.
Dans le rapport, il était indiqué que des outils d'IA générative avaient servi à rechercher des informations, produire des synthèses et relire le document. Ensuite, des critiques ont pointé des références présentées comme des sources, mais qui ne seraient pas réelles. D'après la couverture de The Guardian Australia, ces problèmes auraient d'abord été signalés début octobre, après la publication d'un message sur Reddit relayé par Times Higher Education.
Au départ, Deloitte a minimisé le sujet en le qualifiant d'erreurs mineures. Le gouvernement a alors demandé au cabinet de corriger et de republier le rapport. Mais les vérifications ne se seraient pas limitées aux références bibliographiques. The Guardian Australia a aussi relevé des montants incorrects dans l'annexe financière.
Des références douteuses et des sommes qui ne concordent pas
Dans un exemple rapporté par le média, deux coûts liés à une fusion entre Curtin University et l'Université d'Australie-Occidentale totaliseraient 659 millions de dollars australiens, alors que le rapport afficherait 399 millions. TNW précise ne pas avoir vérifié de façon indépendante ces chiffres tirés de l'annexe. Autrement dit : il faut les traiter comme des éléments rapportés, pas comme une confirmation complète des calculs.
Selon le gouvernement, on lui aurait indiqué que les erreurs ne changent pas la modélisation ni les conclusions du rapport. Deloitte devrait donc apporter des corrections et publier une nouvelle version. La nuance compte : une erreur peut être sérieuse sans forcément invalider toute l'analyse. Mais cette absence d'impact doit être étayée par des vérifications, pas seulement déclarée.
Une demande de remboursement, pas une restitution confirmée
Une porte-parole du gouvernement a déclaré que l'État était très déçu et avait écrit à Deloitte pour accélérer le remboursement. À la date des informations rapportées, le gouvernement demandait donc le remboursement : rien ne permet de confirmer, avec les éléments disponibles, que l'argent a déjà été restitué.
Ce point est important. La demande de remboursement reflète une position politique et commerciale née de la controverse. Elle ne dit pas, à elle seule, comment Deloitte répond concrètement (ou non) : modalités du remboursement, calendrier, clauses du contrat, etc.
L'affaire ne semble pas isolée dans le secteur du conseil en Australie. En 2025, Deloitte aurait accepté de rembourser partiellement le gouvernement fédéral après la découverte d'erreurs liées à l'IA dans un rapport facturé 440 000 dollars australiens. La source rapporte aussi que KPMG et PwC auraient rencontré des problèmes comparables sur des rapports rédigés avec l'aide de l'IA cette même année, sans détailler les dossiers. Ces précédents ne prouvent pas que toute production assistée par IA est forcément bancale. Ils montrent plutôt que les contrôles doivent suivre l'usage réel des outils.
Pourquoi l'usage de l'IA ne déplace pas la responsabilité
Dans une mission de conseil, le client n'achète pas uniquement des pages bien écrites. Il paie une démarche : cadrage, collecte, analyse, vérifications, puis recommandations. Si un cabinet utilise un modèle pour gagner du temps sur une étape, cela ne change pas la nature de l'engagement pris envers le client.
L'IA générative peut produire une formulation fluide et convaincante tout en inventant une référence, ou en déformant une information. Elle peut aussi répéter une erreur déjà présente dans les données fournies ou dans le corpus de départ. Comme le texte rend souvent les défauts moins visibles, on ne peut pas juger la fiabilité sur la seule lecture.
Une référence plausible n'est pas une référence vérifiée
Un outil génératif ne fonctionne pas comme un moteur de recherche qui renvoie un document consultable. Il prédit une suite de texte selon son entraînement et le contexte demandé. Selon l'outil et les consignes, il peut produire une citation qui ressemble à une référence universitaire, sans qu'un article correspondant existe réellement.
La conséquence opérationnelle est simple : toute citation utilisée pour étayer une affirmation doit être vérifiée dans sa source. Il faut confirmer l'existence du document, que l'auteur et la date correspondent, et que le passage cité soutient vraiment le propos. Une bibliographie « complète » générée par un modèle ne vaut pas comme preuve parce qu'elle a l'air solide.
Dans un rapport qui doit éclairer une décision publique, c'est encore plus critique : une référence fictive empêche le lecteur de reproduire l'analyse et de contrôler les hypothèses. Même si elle ne change pas un calcul, elle fragilise la traçabilité du raisonnement et la confiance accordée au document.
Les erreurs de calcul demandent une autre méthode que la relecture
Les montants contestés dans l'annexe posent un problème distinct des fausses références. Viser une « bonne présentation » ne remplace pas un contrôle financier, et une relecture éditoriale ne garantit pas l'exactitude d'un calcul.
Pour les chiffres, le contrôle doit repartir des données sources et de la formule utilisée. Il faut pouvoir reconstituer le calcul, vérifier les unités, repérer les arrondis, et s'assurer que les totaux sont cohérents entre le tableau, le texte et les conclusions. Quand un chiffre apparaît à plusieurs endroits, une correction manuelle faite au mauvais endroit peut créer une nouvelle incohérence.
L'IA peut aider à repérer certains écarts entre tableaux, mais ce n'est pas une preuve de calcul. Pour des résultats qui comptent, une feuille de calcul contrôlée, un script testable ou un examen indépendant offre généralement une piste d'audit plus solide qu'une réponse rédigée en langage naturel.
L'outil ne doit pas devenir une excuse
Savoir qu'un cabinet a utilisé l'IA aide à comprendre la chaîne de production et à identifier les contrôles nécessaires. Mais « assisté par l'IA » n'est pas, en soi, une explication suffisante de la qualité du travail livré.
En pratique, le prestataire reste responsable de la méthode choisie et du document remis, selon le contrat et les obligations applicables. L'IA peut aider à expliquer comment une erreur a pu se produire ; elle ne corrige pas toute seule et ne décide pas qui doit répondre au client. Le vrai point de contrôle reste humain et organisationnel : qui a vérifié, selon quelle procédure, et avec quelles preuves ?
Les contrôles à prévoir dans une mission assistée par l'IA
La bonne réponse n'est pas forcément d'interdire l'IA. Sur beaucoup de projets, ces outils peuvent réduire le temps consacré aux tâches répétitives. Le problème apparaît quand la vitesse remplace les étapes qui donnent de la valeur à une mission professionnelle.
Une organisation peut organiser son contrôle autour de quatre points : définir ce qui est autorisé, tracer ce qui a été produit ou assisté par l'IA, vérifier les éléments importants, et prévoir une validation humaine clairement identifiable. Le niveau d'effort doit dépendre du risque : un brouillon interne n'exige pas le même niveau d'assurance qu'un rapport financier, juridique ou destiné à orienter une décision publique.
1. Définir ce que l'outil a le droit de faire
Avant d'embarquer l'IA dans une mission, il faut distinguer l'assistance de la décision. Résumer des documents déjà sélectionnés, reformuler pour améliorer la lisibilité, ou proposer une première structure peut être acceptable, à condition que les données soient pertinentes et que le résultat reste contrôlé.
En revanche, confier à un modèle la validation d'une source, l'affirmation qu'un chiffre est exact, ou la conclusion qu'une option est la meilleure, revient à lui demander de décider à la place de l'équipe. Les rôles autorisés doivent être indiqués clairement dans les consignes internes, et, si nécessaire, dans le contrat ou dans la méthode présentée au client.
2. Conserver ce qui permet de refaire le travail
Un rapport vérifiable repose sur une chaîne de preuves. Pour un document assisté par IA, l'équipe devrait conserver les sources originales, les versions de travail, les calculs et les transformations importantes. Il ne s'agit pas de documenter chaque interaction avec un outil à la seconde près. L'objectif est de pouvoir répondre à une question simple : comment cette affirmation a-t-elle été produite ?
La traçabilité devient encore plus utile quand plusieurs personnes et plusieurs outils interviennent. Sans point de référence clair (versions, données, décisions), il devient difficile de retrouver l'origine d'un chiffre ou de comprendre qui a validé une modification. Une « piste d'audit » courte et utile vaut souvent mieux qu'un historique trop lourd pour être exploité.
3. Vérifier d'abord ce qui a le plus d'impact
Toutes les phrases ne portent pas le même risque. Une transition rédactionnelle ne pèse pas comme un chiffre utilisé pour comparer des scénarios.
Pour organiser la vérification, une approche simple consiste à classer les éléments selon le coût possible d'une erreur. Dans un rapport de fusion universitaire, la priorité devrait aller notamment à :
- les hypothèses qui structurent la comparaison des scénarios ;
- les données sources et leur date ;
- les références utilisées pour justifier une affirmation ;
- les formules et les totaux des annexes ;
- les conclusions susceptibles d'influencer une décision publique.
Cela ne veut pas dire qu'il faut tout ignorer ailleurs. Mais ça aide à investir le temps de contrôle là où une erreur coûtera le plus cher. Re-lire tout le document « au même niveau » finit souvent par diluer l'attention.
4. Faire une validation humaine qui sert vraiment
Une relecture par un expert n'est utile que si cette personne a accès aux sources, au contexte, et peut réellement contrôler le travail. Une signature apposée à la fin, sans accès aux éléments ni capacité de reproduire les calculs, relève plus de la formalité que du contrôle.
Un processus robuste clarifie les responsabilités : qui vérifie les références, qui contrôle les calculs, qui relit la cohérence d'ensemble, et qui autorise la livraison. Pour les livrables sensibles, il peut être pertinent de séparer « produire » et « valider », pour éviter qu'une même personne ne soit juge et partie sur une analyse décisive.
Ce que les organisations peuvent retenir de cette affaire
Pour une organisation française, une administration ou un cabinet, cette affaire n'est pas un modèle à copier tel quel. C'est surtout un signal opérationnel : intégrer des modèles génératifs doit être traité comme une évolution de la production, pas comme une simple fonctionnalité.
Les organisations européennes doivent aussi tenir compte de leurs obligations en matière de données et de confidentialité. Le RGPD encadre le traitement des données personnelles, mais il ne remplace pas les contrôles de qualité d'un rapport. De même, se conformer à des règles européennes sur l'IA ne dispense pas de vérifier la fiabilité d'un livrable et de respecter ses engagements contractuels. Conformité, sécurité et fiabilité sont liées, mais ce sont des sujets différents.
Mesurer le gain net, pas seulement le temps gagné
Un outil peut réduire le temps de rédaction, puis augmenter le temps de vérification. Si le gain initial est annulé par des contrôles supplémentaires, la promesse de productivité devient théorique.
Le bon indicateur n'est donc pas le nombre de paragraphes produits par heure. C'est le coût total pour obtenir un résultat exact, traçable et exploitable. Selon les contextes, l'IA peut vraiment aider. Mais quand les sources sont difficiles à retrouver ou quand une erreur a des conséquences élevées, la vérification peut coûter plus cher que le temps économisé.
Adapter les règles au niveau de risque
Une règle unique est souvent trop générale. Il est plus efficace de classer les usages selon la sensibilité des données et l'impact potentiel d'une erreur :
- Risque faible : reformulation d'un texte non sensible ou génération d'idées pour un usage interne, avec une relecture classique.
- Risque intermédiaire : synthèse de documents ou préparation d'une analyse destinée à un client, avec vérification des sources et des affirmations importantes.
- Risque élevé : chiffres financiers, conclusions juridiques, décisions publiques ou recommandations susceptibles d'avoir des effets concrets, avec validation indépendante et preuves conservées.
Si les équipes ne comprennent pas à quelle catégorie appartient une tâche, elles contourneront le dispositif. Un cadre utile doit rester compréhensible et praticable, puis être ajusté après les incidents.
Mettre le contrat au niveau de ce qui se passe vraiment
Quand un prestataire utilise l'IA, le client doit savoir quelles parties de la mission peuvent être concernées, quelles données sont utilisées et quelles vérifications seront effectuées. Il ne s'agit pas de décrire chaque outil ou chaque prompt au détail. L'objectif est d'éviter les zones grises : confidentialité, traçabilité, critères d'acceptation, et responsabilités.
Le contrat ou le cahier des charges peut préciser les exigences de traçabilité, les modalités de correction, les responsabilités de validation et les critères de conformité du document. Et il doit rappeler que le prestataire reste responsable du résultat livré, indépendamment des outils employés. Les détails dépendront de la mission et du droit applicable : une clause générique ne remplace pas une analyse adaptée.
Conclusion : l'IA accélère le travail, pas la validation
Cette affaire australienne ne prouve pas que l'IA soit inutilisable dans le conseil. Elle montre surtout le décalage possible entre la vitesse de production et le niveau de contrôle attendu d'un rapport professionnel. Des références douteuses et des calculs incohérents ne deviennent pas acceptables parce qu'un outil a contribué à leur génération.
Pour les organisations, la logique est assez simple : utiliser l'IA quand elle accélère une tâche sans brouiller la provenance des informations, et renforcer les contrôles à mesure que l'impact d'une erreur augmente. Si une équipe ne peut pas expliquer comment une conclusion a été obtenue, le livrable n'est pas prêt à être remis.
Avant votre prochain projet assisté par IA, clarifiez ce qui est autorisé, attribuez clairement la responsabilité de la vérification, et testez le coût complet du processus. Ce n'est pas aussi spectaculaire qu'une promesse d'automatisation totale, mais c'est bien plus utile pour produire quelque chose qui tienne quand on le confronte au réel.