L'impact de l'intelligence artificielle sur la profession d'audit : Une revue systématique de la littérature

International Journal of Strategic Management and Economic Studies (IJSMES) ISSN: 2791-299X http://www.ijsmes.com 1399 L’impact de l’intelligence artificielle sur la profession d’audit : Une revue systématique de la littérature EL BASRI Abderrahim, EL BEKKALI Abdelhaq Doctorant en sciences de gestion, Centre d’étude doctorale, Université Internationale d’Agadir (Universiapolis) Professeur de l'enseignement supérieur, Ph. D, CPA (Expert-comptable), Responsable de la filière CCA (Comptabilité, Contrôle et Audit), Université Internationale d'Agadir (Universiapolis). Résumé : Cette revue systématique analyse l'impact de l'intelligence artificielle (IA) sur la profession d'audit, en s'appuyant sur 24 études sélectionnées via le protocole PRISMA. La recherche confirme un consensus sur le potentiel de l'IA pour améliorer l'efficacité et la qualité de l'audit. Elle identifie des freins majeurs à son adoption : la fracture technologique, le besoin de nouvelles compétences, les risques éthiques (biais, transparence) et un vide réglementaire. L'étude conclut que l'IA agit comme un outil d'augmentation des capacités de l'auditeur plutôt que comme un substitut, nécessitant une collaboration entre les cabinets, les régulateurs et les institutions de formation pour piloter cette transformation. Mots-clés : Intelligence artificielle ; Audit ; Revue systématique de la littérature. Digital Object Identifier (DOI): https://doi.org/10.5281/zenodo.17787887 Published in: Volume 4 Issue 6 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License. Abstract : This systematic review analyzes the impact of artificial intelligence (AI) on the audit profession, drawing on 24 studies selected using the PRISMA protocol. The research confirms a consensus on the potential of AI to improve audit efficiency and quality. However, it identifies major barriers to its adoption: the technological divide, the need for new skills, ethical risks (bias, transparency), and a regulatory gap. The study concludes that AI acts as a tool to augment auditor capabilities rather than as a substitute, requiring collaboration between firms, regulators, and training institutions to drive this transformation. Keywords : Artificial intelligence ; Audit ; Systematic literature review. International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1400 1. Introduction L'intelligence artificielle (IA) est perçue comme une technologie destinée à transformer en profondeur la profession d'audit, invitant à porter un nouveau regard sur son avenir (Rodrigues et al., 2023). Elle est aujourd'hui considérée comme une technologie disruptive, notamment par sa capacité à automatiser les processus comptables et d'audit (De La Hoz-Suárez Aminta et al., 2024). L'objectif de son intégration est de révolutionner l'audit en améliorant significativement l'efficacité et la précision des missions( Karmańska, 2022 ; Hurducaci gorea & Ionescu, 2024). Cette influence des nouvelles technologies pousse la profession vers des pratiques plus innovantes et durables (Talai & Karimi, 2022), mettant l'IA au service du métier de l'expert-comptable (Roussi, 2022). L'adoption de l'IA fait ainsi l'objet de nombreuses études exploratoires qui s'appuient sur des cadres théoriques comme le modèle Technologie-Organisation-Environnement (Seethamraju & Hecimovic, 2023). Des modèles spécifiques, combinant par exemple la Théorie de la Diffusion de l'Innovation (IDT) et le Modèle d'Acceptation Technologique (TAM), ont été développés pour faciliter cette transformation au sein des cabinets (O’donnell, 2024). La recherche s'est également attachée à identifier les facteurs clés influençant cette adoption, comme le montrent des données empiriques collectées en Espagne (Torroba et al., 2025) ou des analyses basées sur des méthodes complexes en Chine (Hu et al., 2021). Pour structurer cette transition, des cadres conceptuels dédiés aux pratiques d'audit ont été proposés à l'issue de revues systématiques de la littérature (Leocádio et al., 2024). L'impact de l'IA sur la profession est évalué dans divers contextes géographiques, tels que la Jordanie, où la formation et la sécurité sont perçues comme des facteurs d'influence majeurs (Pérez-Calderón et al., 2025), ou le Vietnam, où la maturité technologique des professionnels joue un rôle déterminant (Anh et al., 2024). Les attentes et les applications concrètes sont analysées, y compris pour les petites et moyennes entreprises en Islande, où 94% des auditeurs anticipent un impact positif (Rikhardsson et al., 2022). Des enquêtes approfondies s'intéressent également à l'évolution du lieu de travail et aux expériences contrastées vécues par les auditeurs face à ces nouveaux systèmes en Afrique du Sud (Phasha, 2023). Cette transformation technologique présente à la fois des défis et des opportunités qui ont été documentés sur le terrain (Kokina et al., 2025). Les implications de l'application de l'IA sur la qualité de l'audit externe font actuellement l'objet de vifs débats académiques (Mpofu, 2023). Par ailleurs, les implications éthiques de l'utilisation de l'IA dans l'audit sont une préoccupation croissante, augmentant avec le niveau d'autonomie des systèmes d'IA(Munoko et al., 2020). Cette préoccupation a conduit à l'émergence de nouvelles pratiques comme l'audit éthique de l'IA, motivé principalement par la pression réglementaire et les risques réputationnels (Schiff et al., 2024). Des domaines spécialisés, comme l'audit forensique, bénéficient également de l'IA, un sujet qui a vu sa production scientifique International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1401 augmenter de manière significative depuis 2016 (Romero-Carazas et al., 2024). Face à l'ampleur de ces changements, il est devenu impératif de réaliser une synthèse des connaissances pour comprendre l'impact global de l'IA sur la comptabilité et l'audit(Luis Felipe Martins Rodrigues, 2022) (Fajardo, 2024). La présente revue de littérature systématique vise donc à exploiter les technologies de l'information pour améliorer continuellement les pratiques d'audit (Thottoli, 2024). Cette étude vise à répondre aux questions de recherche suivantes : 1. Quelles sont les principales applications et les outils d'IA utilisés dans le domaine de l'audit selon la littérature scientifique ? 2. Quels sont les bénéfices et les défis (économiques, éthiques et professionnels) identifiés liés à l'adoption de l'IA en audit ? 3. Quelles sont les principales tendances et lacunes dans la recherche actuelle qui pourraient orienter les travaux futurs ? Cet article est structuré comme suit : la section suivante détaille la méthodologie employée, basée sur le protocole PRISMA. La troisième section présente les résultats de l'analyse bibliométrique et de la synthèse thématique. Enfin, la quatrième section discute des implications de ces résultats avant de conclure sur les contributions de cette recherche et les pistes futures. 2. Revue de la littérature Cette section a pour objectif de synthétiser l'état actuel des connaissances scientifiques sur l'interaction entre l'intelligence artificielle et la profession d'audit. En s'appuyant sur une analyse critique des travaux récents, elle établit d'abord un socle conceptuel en définissant l'intelligence artificielle et l'audit. Par la suite, elle explore de manière approfondie les modalités d'adoption de l'IA dans ce secteur, en identifiant à la fois les outils technologiques concrets et les défis multiples qu’ils soient économiques, professionnels ou éthiques qui en découlent. 2.1 Intelligence artificielle : définitions et technologies clés L'intelligence artificielle est avant tout perçue comme un ensemble de technologies capables de simuler des fonctions cognitives humaines, notamment l'apprentissage, le raisonnement et la résolution de problèmes (Bouzaidi et al., 2023). Dans le champ de l'audit, elle est définie comme une technologie disruptive dont la principale fonction est d'automatiser les processus et d'analyser de vastes ensembles de données pour améliorer de manière significative l'efficacité et la précision des missions (De La Hoz-Suárez Aminta et al., 2024). Cette capacité de transformation fait de l'IA un levier stratégique pour faire évoluer la profession vers des pratiques plus innovantes (Talai & Karimi, 2022). International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1402 Les technologies spécifiques qui composent l'IA dans le contexte de l'audit incluent principalement l'apprentissage automatique (machine learning), le traitement du langage naturel (Natural Language Processing ou NLP), la reconnaissance de formes et l'automatisation robotisée des processus (Robotic Process Automation ou RPA) (Fajardo, 2024; Kokina et al., 2025). Ces outils permettent non seulement d'automatiser des tâches répétitives, mais aussi d'opérer des analyses prédictives et de détecter des anomalies complexes qui échapperaient à une analyse humaine traditionnelle (Leocádio et al., 2024; Mpofu, 2023). L'évolution de l'IA en audit est souvent catégorisée selon son niveau d'autonomie. On distingue ainsi l'IA assistée, qui aide les auditeurs dans leurs tâches, l'IA augmentée, qui collabore avec eux pour améliorer leurs capacités, et l'IA autonome, capable de prendre des décisions sans intervention humaine directe(O’donnell, 2024 ;Munoko et al., 2020). Cette progression vers une plus grande autonomie accentue à la fois le potentiel de transformation de l'audit et les défis éthiques et réglementaires qui y sont associés (Munoko et al., 2020 ; Schiff et al., 2024). 2.2 L’audit principes et processus fondamentaux L'audit est un processus systématique et réglementé dont l'objectif fondamental est d'examiner les informations financières d'une entité pour en garantir la fiabilité et la conformité, aboutissant à la formulation d'une opinion d'assurance destinée aux parties prenantes. Il s'agit d'une fonction essentielle qui vise à améliorer la qualité et la précision des données financières (Pérez-Calderón et al., 2025; Mpofu, 2023). La finalité de l'audit n'est pas seulement de détecter les erreurs ou les fraudes, mais de renforcer la confiance dans les informations produites par l'entreprise (Talai & Karimi, 2022). Les principes fondamentaux qui régissent la pratique de l'audit sont avant tout le jugement professionnel, l'indépendance et le scepticisme professionnel (Rodrigues Barbosa & da silva, 2023 ; Munoko et al., 2020). Même avec l'introduction de technologies avancées, l'expertise humaine reste indispensable pour interpréter les résultats, évaluer les contextes complexes et assumer la responsabilité légale de l'opinion d'audit (Phasha, 2023). Ce socle de compétences est encadré par des normes professionnelles et un cadre réglementaire strict qui guident la conduite de l'auditeur (Torroba et al., 2025). Le processus d'audit se décompose traditionnellement en plusieurs étapes clés. Il commence par une phase de planification et de contractualisation, qui inclut une compréhension de l'entité et de son contrôle interne, ainsi qu'une évaluation des risques (Hu Kuang Hua et al., 2021). S'ensuit la phase de réalisation des tests (tests de contrôle et de substance) où l'auditeur collecte des preuves suffisantes et appropriées. Historiquement basé sur l'échantillonnage, ce processus tend aujourd'hui vers une analyse de jeux de données complets grâce aux nouvelles technologies (Luis Felipe Martins Rodrigues, 2022). International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1403 Enfin, le processus se conclut par la formulation d'une opinion et la rédaction du rapport d'audit, qui communique les conclusions de la mission (Hu Kuang Hua et al., 2021). L'émergence de l'IA ouvre la voie à un "audit continu", transformant profondément ce processus séquentiel en une surveillance en temps réel (Luis Felipe Martins Rodrigues, 2022). 2.3 L’IA au service de l’audit 2.3.1 Opportunités et bénéfices attendus L'intégration de l'intelligence artificielle dans les pratiques d'audit est porteuse de nombreuses opportunités et de bénéfices significatifs qui sont largement documentés dans la littérature. Le consensus général est que l'IA a le potentiel de révolutionner la profession en améliorant à la fois l'efficacité des processus et la qualité globale de l'audit (Hurducaci gorea & Ionescu, 2024 ; Mpofu, 2023). L'un des avantages les plus cités est l'amélioration de l'efficacité opérationnelle. L'IA permet d'automatiser une part importante des tâches répétitives et chronophages, telles que la saisie de données, les rapprochements ou la vérification de documents (La Hoz-Suárez Aminta & La HozSuárez Betty, 2024 ; Phasha, 2023). Cette automatisation libère un temps précieux pour les auditeurs, leur permettant de se concentrer sur des activités à plus forte valeur ajoutée comme l'analyse critique, l'interprétation des données et l'exercice du jugement professionnel (Roussi, 2022 ; La Hoz-Suárez Aminta & La Hoz-Suárez Betty, 2024). Il en résulte une augmentation de la productivité et une optimisation du rapport coût-bénéfice des missions d'audit (Luis Felipe Martins Rodrigues, 2022). Le deuxième bénéfice majeur concerne l'amélioration de la qualité et de la précision de l'audit. Contrairement à l'audit traditionnel basé sur l'échantillonnage, l'IA offre la capacité d'analyser des populations entières de données (full population testing), réduisant ainsi le risque de non-détection (Luis Felipe Martins Rodrigues, 2022 ; Seethamraju & Hecimovic, 2023). Les algorithmes de machine learning et d'analyse prédictive sont particulièrement efficaces pour identifier des anomalies, des schémas inhabituels et des indicateurs de fraude qui seraient difficiles, voire impossibles, à déceler par des moyens humains (Leocádio et al., 2024 ; Djellaba & Benamara, 2023 ; Talai & Karimi, 2022) Cette capacité d'analyse exhaustive et approfondie conduit à une meilleure évaluation des risques et à une assurance de meilleure qualité (Pérez-Calderón et al., 2025). Enfin, l'IA est perçue comme une opportunité de transformation et de revalorisation du métier d'auditeur. En rendant le travail plus analytique et stratégique, elle peut rendre la profession plus attractive (Rikhardsson et al., 2022). De plus, elle ouvre la voie à de nouvelles formes de services, comme l'audit en temps réel ou l'audit continu, qui permettent un suivi plus dynamique et proactif des risques (Leocádio et al., 2024 ; Luis Felipe Martins Rodrigues, 2022). Cette évolution pousse International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1404 également la profession vers des pratiques plus durables, notamment par la réduction de la consommation de papier et une meilleure gestion des ressources (Talai & Karimi, 2022). 2.3.2 Outils et applications L'adoption de l'intelligence artificielle dans le domaine de l'audit se matérialise par une gamme variée d'outils et d'applications concrètes qui transforment les différentes étapes de la mission. Ces technologies vont de l'automatisation simple à des systèmes d'analyse complexes, déployés de manière inégale selon la taille et la maturité technologique des cabinets (Seethamraju & Hecimovic, 2023). Les applications les plus répandues concernent l'automatisation des tâches de base grâce à des outils comme la reconnaissance optique de caractères (OCR) pour l'extraction de données à partir de documents, et l'automatisation robotisée des processus (RPA) pour les tâches administratives et répétitives (Kokina et al., 2025). Ces technologies sont souvent considérées comme IA simple et sont largement utilisées pour améliorer l'efficacité et réduire les erreurs humaines (Kokina et al., 2025;La Hoz-Suárez Aminta & La Hoz-Suárez Betty, 2024). À un niveau plus avancé, les cabinets d'audit, et en particulier les "Big Four", ont développé des plateformes d'audit intégrées qui exploitent des technologies d'IA plus complexes. Des exemples notables incluent "Clara" de KPMG, "Omnia AI" de Deloitte, ou encore "EY Canvas" et sa suite d'outils (Atlas, Helix), qui utilisent le machine learning pour l'analyse de données, la détection d'anomalies et la visualisation avancée (La Hoz-Suárez Aminta & La Hoz-Suárez Betty, 2024); Leocádio et al., 2024). Ces plateformes permettent une analyse centralisée et en temps réel des données, facilitant une approche d'audit plus dynamique et réactive. Un autre champ d'application en pleine expansion est l'audit forensique, où l'IA est utilisée pour analyser des schémas complexes et détecter des fraudes potentielles avec une efficacité accrue (Romero-Carazas et al., 2024). De même, l'émergence de l'IA générative et des grands modèles de langage (LLM) comme GPT-4 ouvre de nouvelles perspectives pour un audit "co-piloté" (Gu & Vasarhelyi, 2024). Ces outils peuvent assister les auditeurs dans l'analyse de ratios financiers, le test d'écritures comptables et même la rédaction de sections de rapports d'audit, agissant comme de véritables assistants augmentant les capacités de l'auditeur (Gu & Vasarhelyi, 2024; Fajardo, 2024). Enfin, le concept d'audit éthique de l'IA émerge comme une nouvelle pratique, où les auditeurs sont appelés à évaluer la conformité des algorithmes d'IA utilisés par leurs clients avec des principes éthiques et réglementaires, notamment en matière de biais, d'équité et de transparence (Schiff et al., 2024 ; Munoko et al., 2020) International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1405 2.3.3 Défis économiques, professionnels et éthiques Malgré ses promesses, l'intégration de l'intelligence artificielle dans l'audit s'accompagne de défis et de risques considérables qui freinent son adoption et nécessitent une attention particulière de la part de la profession. Ces obstacles peuvent être classés en quatre grandes catégories : économiques, professionnels, éthiques et réglementaires. Défis économiques et organisationnels Sur le plan économique, le coût élevé d'acquisition, de développement et de maintenance des technologies d'IA représente un frein majeur, en particulier pour les cabinets de petite et moyenne taille (Rodrigues Barbosa & da silva, 2023 ; Rikhardsson et al., 2022). Cet investissement important crée une fracture technologique entre les grands cabinets (Big Four), qui disposent de ressources conséquentes pour innover, et les autres acteurs du marché, ce qui engendre un risque de concentration du marché (Seethamraju & Hecimovic, 2023). Sur le plan organisationnel, la réussite de l'implémentation dépend fortement de la qualité et de la compatibilité des données clients, qui sont souvent hétérogènes et non standardisées (Leocádio et al., 2024). Défis professionnels et humains Le principal défi professionnel réside dans la nécessité de formation et d'adaptation des compétences des auditeurs. Une large majorité des études soulignent l'urgence de former les professionnels non seulement à l'utilisation des nouveaux outils, mais aussi à la compréhension de leurs mécanismes et de leurs limites (Pérez-Calderón et al., 2025 ; Talai & Karimi, 2022; Thottoli, 2024). Parallèlement, il existe une crainte de dépendance excessive à l'égard de la technologie, qui pourrait affaiblir le jugement et le scepticisme professionnel, des compétences qui demeurent au cœur du métier (Phasha, 2023 ; Munoko et al., 2020). Enfin, la perception d'une menace de substitution de l'emploi, bien que souvent nuancée par une vision de revalorisation des tâches, peut générer des résistances au changement au sein de la profession (Phasha, 2023 ; Roussi, 2022). Défis éthiques Les considérations éthiques sont au premier plan des préoccupations. Le manque de transparence de certains algorithmes, souvent qualifiés de "boîtes noires" (black box), pose le problème de l'explicabilité et de la responsabilité des décisions prises par l'IA (Kokina et al., 2025 ; Munoko et al., 2020). Le risque de biais algorithmiques, qu'ils proviennent des données d'entraînement ou de la conception même des modèles, est également un enjeu majeur qui peut conduire à des conclusions d'audit erronées et discriminatoires (Leocádio et al., 2024 ; Schiff et al., 2024). De plus, l'utilisation de vastes ensembles de données soulève des questions critiques de confidentialité et de sécurité, International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1406 nécessitant des garanties robustes pour protéger les informations sensibles des clients (La Hoz-Suárez Aminta & La Hoz-Suárez Betty, 2024 ; Pérez-Calderón et al., 2025) Défis réglementaires et normatifs Enfin, la littérature met en évidence un vide juridique et normatif concernant l'utilisation de l'IA en audit. Les normes d'audit actuelles ne sont pas toujours adaptées pour encadrer ces nouvelles pratiques, et les régulateurs sont souvent perçus comme étant en retard par rapport à l'évolution technologique (Seethamraju & Hecimovic, 2023 ; O’donnell, 2024). Cette absence de cadre clair et harmonisé constitue un obstacle important à l'adoption, car elle crée une incertitude quant à la validité et à la reconnaissance des procédures d'audit basées sur l'IA (Rodrigues Barbosa & da silva, 2023 ; Torroba et al., 2025). 3. Méthodologie Pour analyser en profondeur l'impact de l'intelligence artificielle sur la profession d'audit, cette étude adopte une approche de revue systématique de la littérature (Systematic Literature Review). Cette méthode permet de synthétiser de manière rigoureuse et transparente les connaissances existantes issues de la recherche académique et professionnelle. Le protocole s'inspire de la démarche PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), un cadre méthodologique reconnu internationalement pour sa rigueur, comme utilisé par Leocádio et al., 2024. L'objectif est d'identifier, de sélectionner et d'analyser de manière critique les publications pertinentes pour répondre à la problématique de recherche. 3.1 Stratégie de recherche La collecte des articles a été réalisée en interrogeant plusieurs bases de données académiques de premier plan, afin d'assurer une couverture large et multidisciplinaire du sujet. Conformément aux méthodologies employées dans les articles analysés, les principales bases de données mobilisées ont été Scopus et Web of Science (WoS), reconnues pour leur vaste catalogue de publications scientifiques évaluées par les pairs (Leocádio et al., 2024 ; Hurducaci gorea & Ionescu, 2024 ; (Thottoli, 2024). En complément, des recherches ont été menées sur Google Scholar pour identifier d'éventuelles publications non indexées dans les bases principales mais pertinentes pour le sujet, une pratique également validée par la littérature (Mpofu, 2023). La stratégie de recherche a reposé sur l'utilisation d'équations de recherche combinant des mots-clés liés à l'intelligence artificielle et à l'audit. Les termes ont été sélectionnés sur la base de leur récurrence dans les études bibliométriques existantes (Hurducaci gorea & Ionescu, 2024 ; Romero-Carazas et al., 2024). International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1407 Les mots-clés principaux incluaient : • Pour l'intelligence artificielle : "Artificial Intelligence", "AI", "Machine Learning", "Deep Learning", "Big Data". • Pour l'audit : "Audit", "Auditing", "Financial Audit". Ces mots-clés ont été combinés à l'aide d'opérateurs booléens (AND, OR) pour construire des équations de recherche précises. Un exemple d'équation de recherche utilisée sur Scopus ou WoS pourrait être : (TITLE-ABS-KEY("Artificial Intelligence" OR "Machine Learning" OR "RPA") AND TITLE-ABS-KEY("Audit*" OR "Auditing")). 3.2 Critères de sélection et protocole PRISMA Afin d'assurer une démarche structurée, transparente et reproductible, la sélection des articles pour cette revue de littérature a suivi le protocole PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Cette méthode est une norme reconnue pour la conduite de revues systématiques, utilisée par plusieurs chercheurs de notre corpus, comme(Leocádio et al., 2024) pour garantir la qualité et la rigueur du processus de sélection. Critères d’inclusion et d’exclusion Les critères suivants ont été définis pour filtrer les publications identifiées et ne retenir que les plus pertinentes : • Critère temporel : La recherche a été limitée aux publications parues au cours des cinq dernières années (2020-2025). Cette fenêtre temporelle restreinte permet de garantir que l'analyse repose sur les connaissances les plus récentes, ce qui est crucial dans un domaine technologique en évolution aussi rapide que l'intelligence artificielle. • Critères linguistiques : Seuls les articles rédigés en anglais ou en français ont été inclus, ces deux langues représentant la grande majorité des publications académiques et professionnelles sur le sujet dans les contextes géographiques étudiés. • Critères thématiques : Pour être inclus, un document devait traiter de manière centrale de l'application de l'intelligence artificielle (ou de ses sous-champs) au domaine de l'audit. Les articles où ces concepts n'étaient qu'évoqués de manière secondaire ont été exclus. • Type de publication : La revue a porté sur des articles de recherche publiés dans des revues à comité de lecture, des thèses, et des rapports professionnels afin de croiser les perspectives académiques et pratiques. International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1414 • Domaines spécialisés : Des secteurs de niche comme l'audit éthique et la gouvernance de l'IA (2 articles), l'audit forensique pour la détection de fraudes (1 article) et l'audit dans le secteur public (1 article) émergent comme des champs de recherche à part entière. Le graphique circulaire ci-dessous illustre la part de chaque secteur dans notre corpus d'analyse. Figure 6. Répartition des études par secteur d’activité Cette répartition montre que si la discussion générale domine, les problématiques spécifiques aux différents segments du marché de l'audit gagnent en visibilité, annonçant une diversification future des travaux de recherche. 4.2 Synthèse d’articles étudiés Pour systématiser les apports de la recherche existante, nous avons élaboré un tableau synthétique des articles de notre corpus (Tableau ci-dessous). En les classant par axes thématiques, ce tableau permet de comparer les cadres théoriques et empiriques mobilisés, et de faire ressortir les consensus, les divergences et les zones d'ombre qui animent actuellement le débat sur l'intégration de l'IA dans l'audit. 50% 21% 13% 8% 4% 4% Pratique Générale de l'Audit Grandes Entreprises / Big Four PME et Petits Cabinets Audit Éthique & Gouvernance Audit Forensique Secteur Public International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1415 Table 1. Synthétique des 24 articles de notre corpus Thème / Angle de l'Étude Auteurs (Année) Approche Méthodologique Principaux Apports et Conclusions Transformation globale et perception de l'IA Perspectives d'avenir de la profession d’audit Barbosa & da Silva (2023) Revue systématique et entretiens qualitatifs - L'IA est un nouveau paradigme qui transforme le métier. - Le jugement humain reste essentiel. - La réglementation est un prérequis. Expériences des auditeurs en Afrique du Sud Yvonne (2023) Entretiens qualitatifs (20 auditeurs) - L'IA automatise les tâches et améliore l'efficacité. - Importance cruciale de la formation et de l'accompagnement. - Opportunités d'évolution professionnelle perçues. Perception de l'IA par les auditeurs portugais Rodrigues et al. (2022) Questionnaire (37 auditeurs) - Adoption de l'IA jugée inévitable et bénéfique (efficacité, réduction d'erreurs). - L'analyse de données complètes est un avantage clé. - Le jugement professionnel n'est pas perçu comme menacé. Facteurs d'adoption et freins Facteurs d'adoption (Cadre TOE) Seethamraju & Hecimović (2023) Entretiens qualitatifs (24 experts) - Identification des freins technologiques (maturité), organisationnels (confiance, données) et environnementaux (normes). - Souligne l'écart entre les Big Four et les autres cabinets. Modèle théorique d'adoption (TAAIA) O'Donnell (2024) Étude conceptuelle (basée sur IDT & TAM) - Identifie les moteurs (avantage relatif, compatibilité) et les freins (coût, complexité) de l'adoption. - La taille du cabinet et la confiance sont des facteurs déterminants. Facteurs d'adoption en Espagne Lopez et al. (2025) Approche multi-méthodes (questionnaire et entretiens) - L'adoption reste faible. - Les facteurs les plus influents sont la réglementation, la connaissance technique et la confiance dans les outils. Attentes et défis pour les PME Rikhardsson et al. (2022) Enquête et atelier participatif (auditeurs islandais) - Perception très positive de l'IA. - Les principaux défis sont le coût, la formation et la qualité des données. Applications spécifiques et innovations Automatisation et outils des Big Four De La HozSuárez et al. (2024) Analyse documentaire et études de cas (IBEX-35) - Description des plateformes propriétaires (Clara, Omnia AI, etc.). - Émergence d'une "comptabilité invisible" et d'un suivi d'audit automatisé. International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1416 Concept d'audit "copiloté" par l'IA Gu (2024) Étude conceptuelle et expérimentale (avec GPT-4) - Démontre la faisabilité d'une collaboration hommeIA à toutes les étapes de l'audit. - Met en évidence les limites actuelles (biais, hallucinations, besoin de prompts structurés). IA dans l'audit forensique RomeroCarazas et al. (2024) Analyse bibliométrique et revue systématique - Forte croissance de la recherche depuis 2016. - L'IA est principalement utilisée pour la détection de fraudes et l'analyse complexe. - Identification de 5 axes de recherche majeurs. Éthique, gouvernance et réglementation Implications éthiques de l'IA en audit Munoko, Brown-Liburd & Vasarhelyi (2020) Analyse conceptuelle (cadres ETICA & ATE) - Analyse des risques éthiques à trois niveaux : technologique (boîte noire), artefact (autonomie) et applicatif (compétence, indépendance). - Appel à un cadre de gouvernance collaboratif. Émergence de l'audit d'éthique de l'IA Schiff, Kelley & Camacho Ibáñez (2024) Entretiens qualitatifs (34 auditeurs d'éthique IA) - Domaine naissant, motivé par la pression réglementaire. - Les audits se concentrent sur les aspects techniques (biais, explicabilité) au détriment des enjeux sociaux. - Manque de standards et de clarté réglementaire. Cadre conceptuel global pour les pratiques d'audit Leocádio, Malheiro & Reis (2024) Revue systématique de littérature (21 articles) - Propose un cadre à 4 piliers : transformation numérique, avancées technologiques, innovations et considérations éthiques. - Souligne la nécessité d'adapter le cadre réglementaire. Ce tableau synthétique met en lumière la richesse et la diversité des recherches sur l'IA en audit. Si des consensus se dessinent, notamment sur le potentiel d'efficacité et la nécessité de formation, des tensions et des questions en suspens persistent. La discussion qui suit a pour objectif d'analyser ces résultats afin de les mettre en perspective, d'identifier les principaux axes de débat et de dégager les implications pour la recherche future et la pratique professionnelle. 5. Discussion Après avoir présenté une revue systématique de la littérature existante sur l'intelligence artificielle dans le domaine de l'audit, ce chapitre a pour objectif de procéder à une analyse approfondie des résultats obtenus. La discussion s'articulera autour de l'interprétation des principaux constats, de l'identification des convergences et divergences thématiques, et de la mise en lumière des implications théoriques et pratiques qui en découlent. L'enjeu est de dépasser la simple synthèse pour offrir une lecture critique et prospective du champ de recherche International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1417 5.1 Interprétation des résultats L'analyse transversale du corpus révèle un paysage de recherche à la fois riche et contrasté. Un premier constat majeur est le consensus quasi unanime sur le potentiel disruptif et bénéfique de l'IA pour la profession d'audit. Qu'il s'agisse d'études qualitatives basées sur des entretiens ou d'enquêtes quantitatives, les chercheurs et les professionnels s'accordent sur le fait que l'IA peut significativement améliorer l'efficacité des missions, la précision des analyses et la qualité globale de l'audit, notamment en permettant le traitement de volumes de données jusqu'alors inaccessibles. Cet optimisme est systématiquement tempéré par la reconnaissance de défis considérables qui freinent une adoption généralisée. L'interprétation de nos résultats montre que ces défis ne sont pas seulement techniques, mais profondément ancrés dans les dimensions organisationnelles, humaines et réglementaires de la profession. Trois points d'interprétation clés émergent de la littérature : Une transformation du rôle de l'auditeur, et non sa substitution : La crainte d'un remplacement de l'humain par la machine est largement écartée. Les études convergent pour dire que l'IA agit comme un "augmentateur" de compétences. Le jugement professionnel, le scepticisme, l'éthique et la capacité à interpréter des résultats complexes restent des prérogatives humaines indispensables. L'auditeur de demain sera moins un exécutant de tâches répétitives et davantage un superviseur de systèmes, un analyste de données et un conseiller stratégique. Une fracture technologique et culturelle : Une dichotomie claire apparaît entre les "Big Four" et les cabinets de plus petite taille. Les grandes firmes, dotées de ressources considérables, développent des outils propriétaires et sont à la pointe de l'innovation (De La Hoz-Suárez Aminta et al., 2024). À l'inverse, les PME et les petits cabinets font face à des barrières de coût, de compétences et de culture organisationnelle qui limitent leur capacité à intégrer ces technologies (Rodrigues Barbosa & da silva, 2023 ; Rikhardsson et al., 2022). Un décalage réglementaire et normatif : Un des constats les plus saillants est le retard des cadres réglementaires et des normes d'audit par rapport à la vitesse de l'innovation technologique. De nombreuses études (Seethamraju & Hecimovic, 2023 ; (Torroba et al., 2025) soulignent que cette absence de lignes directrices claires constitue un frein majeur à l'adoption, créant une incertitude juridique et éthique qui incite à la prudence. L'interprétation des résultats dépeint une profession à la croisée des chemins : consciente des opportunités immenses offertes par l'IA, mais confrontée à des obstacles structurels qui nécessitent une action coordonnée des cabinets, des régulateurs et des institutions de formation. International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1418 Par ailleurs, ces trois points d'interprétation entrent en résonance directe avec le cadre TechnologieOrganisation-Environnement (TOE) évoqué en introduction. La dimension technologique se matérialise par les défis liés à la maturité, au coût et à la qualité des données nécessaires aux outils d'IA. La dimension organisationnelle est omniprésente, que ce soit à travers la fracture entre les grands et petits cabinets, le besoin criant de nouvelles compétences, ou la question de la confiance envers les systèmes. Enfin, le vide normatif et le retard réglementaire soulignés par de nombreuses études incarnent parfaitement la dimension environnementale, qui se révèle être l'un des freins les plus puissants à une adoption généralisée et sécurisée. 5.2 Implications pour les professionnels de l’audit Au-delà des constats académiques, cette revue de littérature offre des enseignements pragmatiques pour les auditeurs et les cabinets. La principale implication est l'urgence d'une transformation des compétences. Les professionnels de l'audit ne peuvent plus se contenter de leur expertise comptable et financière ; ils doivent développer une culture de la donnée et acquérir une compréhension fonctionnelle des outils d'IA. Cela ne signifie pas que chaque auditeur doive devenir un data scientist, mais plutôt qu'il doit être capable de : • Dialoguer avec les experts techniques. • Comprendre les principes de fonctionnement des algorithmes pour évaluer leur pertinence et leurs limites. • Interpréter de manière critique les résultats produits par les machines, en mobilisant son scepticisme professionnel. Cette évolution impose aux cabinets d'investir massivement et de manière continue dans la formation. Pour les plus petites structures, cela pourrait passer par des formations mutualisées ou le recours à des expertises externes pour accompagner cette transition. Enfin, les implications organisationnelles sont fortes. Les cabinets doivent repenser leurs processus d'audit pour intégrer ces nouvelles technologies, définir de nouvelles répartitions des tâches entre l'humain et la machine, et mettre en place une gouvernance interne solide pour encadrer l'utilisation de l'IA (gestion des risques, éthique, sécurité des données). 5.3 Implications pour la recherche Si la littérature est déjà riche, notre analyse met en évidence plusieurs zones d'ombre et avenues de recherche prometteuses qui pourraient faire l'objet de travaux futurs : • Recherches longitudinales : La plupart des études existantes offrent une photographie de l'adoption de l'IA à un instant T. Des recherches longitudinales seraient précieuses pour mesurer International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1419 l'évolution réelle des pratiques, des compétences et de la qualité de l'audit sur le long terme, une fois les technologies pleinement déployées et matures. • L'audit de l'IA : Un champ de recherche émergent mais encore fragile concerne "l'audit de l'IA" elle-même. Comment les auditeurs peuvent-ils évaluer la fiabilité, l'équité et la transparence d'un algorithme utilisé par une entreprise cliente ? Quels cadres normatifs et quelles méthodologies développer pour cette nouvelle forme d'audit ? La recherche a un rôle crucial à jouer pour co-construire ces référentiels, comme le suggèrent les travaux de (Schiff et al., 2024). • Comparaisons internationales et sectorielles : La majorité des études se concentre sur des contextes nord-américains ou européens. Des recherches comparatives dans d'autres régions du monde (Asie, Afrique, Amérique du Sud) permettraient d'enrichir la compréhension des facteurs contextuels (culturels, réglementaires) qui influencent l'adoption et l'usage de l'IA. • Interaction homme-machine : Des études plus fines, potentiellement basées sur l'observation ou l'expérimentation en conditions réelles, pourraient analyser plus en détail la dynamique de collaboration entre auditeurs et systèmes d'IA, notamment l'impact sur la prise de décision, le biais de confiance ou la dilution de la responsabilité. 5.4 Limites de la recherche Toute revue de littérature comporte des limites inhérentes, et ce travail ne fait pas exception. Une première limite est liée au caractère évolutif du sujet. Le domaine de l'intelligence artificielle progresse à une vitesse fulgurante, et il est possible que de nouvelles technologies ou de nouveaux usages aient émergé depuis la publication des articles de notre corpus. Par conséquent, toute synthèse est nécessairement un cliché instantané d'un paysage en mouvement constant. Deuxièmement, bien que nous ayons cherché à couvrir une diversité de points de vue, il existe un biais géographique et organisationnel dans la littérature disponible. Les recherches tendent à sur-représenter les expériences des Big Four dans les pays développés. Les réalités et les défis spécifiques des petits et moyens cabinets ou des pays émergents sont moins documentés, ce qui limite la portée de la généralisation de certains de nos constats. Enfin, cette étude s'est basée exclusivement sur les informations contenues dans les articles publiés. Elle ne prend pas en compte la "littérature grise" (rapports professionnels non publiés, conférences, etc) qui pourrait offrir des perspectives complémentaires sur les pratiques réelles au sein des cabinets. International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1420 6. Conclusion Au terme de cette revue systématique de la littérature, il apparaît clairement que l'intégration de l'intelligence artificielle constitue bien plus qu'une simple modernisation des outils de l'audit ; elle représente un changement de paradigme fondamental pour la profession. L'analyse des travaux de recherche révèle un consensus sur le potentiel de l'IA à améliorer l'efficacité, à étendre le champ des investigations au-delà de l'échantillonnage traditionnel et, in fine, à rehausser la qualité et la fiabilité de l'audit. Néanmoins, notre étude a mis en évidence que la transition vers un audit "augmenté" par l'IA est semée d'embûches qui dépassent largement les seuls défis technologiques. Les implications organisationnelles, humaines et réglementaires apparaissent comme les freins majeurs et les principaux sujets de préoccupation dans la littérature. Le consensus se dégage sur le fait que la valeur de l'IA ne pourra être pleinement réalisée sans un investissement massif et continu dans la formation des professionnels, une adaptation des cadres normatifs et éthiques, et une réflexion profonde sur la gouvernance des algorithmes. Cette recherche confirme que la question n'est plus de savoir si l'IA va transformer l'audit, mais comment accompagner cette transformation. Loin de mener à une substitution de l'auditeur, les technologies d'IA semblent redéfinir son rôle, le faisant évoluer d'un exécutant de procédures vers un architecte de la confiance numérique, un superviseur de systèmes intelligents et un interprète critique de données complexes. Le jugement professionnel et le scepticisme, loin de devenir obsolètes, sont au contraire renforcés dans leur centralité. Bien que cette revue offre un panorama structuré du champ de recherche, elle présente des limites, notamment le biais géographique des études et le rythme effréné de l'innovation qui rend toute synthèse rapidement datée. Des recherches futures, notamment des études longitudinales et des travaux sur les méthodologies d'audit des systèmes d'IA eux-mêmes, sont indispensables pour approfondir notre compréhension. Bibliographie [1] Anh, N. T. M., Hoa, L. T. K., Thao, L. P., Nhi, D. A., Long, N. T., Truc, N. T., & Ngoc Xuan, V. (2024). The Effect of Technology Readiness on Adopting Artificial Intelligence in Accounting and Auditing in Vietnam. Journal of Risk and Financial Management, 17(1). https://doi.org/10.3390/jrfm17010027 [2] Barbosa & da silva. (2023). Professor Doctor Maria de Lurdes Ribeiro da Silva A LOOK AT THE FUTURE OF THE PROFESSION. International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1421 [3] Bouzaidi, E. L., Dounia, C., & Bouchra, R. (2023). The influence of artificial intelligence on the effectiveness of financial auditing: Trends, challenges and opportunities. Numéro, 12, 271–287. www.revuefreg.fr [4] De La Hoz-Suárez Aminta, Betty, Luna-Morán Ismael, & Manjarres-Tete Arleth. (2024). Luna-Morán Ismael3 Manjarres-Tete Arleth4 Automation of accounting and auditing processes assisted by Artificial Intelligence as a disruptive technology. [5] Djellaba, A., & Benamara, P. M. (2023). Intégration de l’IA dans l’audit : l’effet sur le processus d’audit. [6] Fajardo, C. L. (2024). THE IMPACT OF ARTIFICIAL INTELLIGENCE (AI) IN ACCOUNTING AND AUDITING. In Journal of Business and Accounting (Vol. 17, Issue 1). [7] Gu, H., & Vasarhelyi, M. A. (2024). EXPLORING THE FRONTIER OF ARTIFICIAL INTELLIGENCE APPLICATIONS IN ACCOUNTING AND AUDITING: THREE ESSAYS ON FOUNDATION MODEL IMPLEMENTATIONS WITH EMPHASIS ON LARGE LANGUAGE MODELS. [8] Hu Kuang Hua, Chen, F. H., Hsu, M. F., & Tzeng, G. H. (2021). Identifying key factors for adopting artificial intelligence-enabled auditing techniques by joint utilization of fuzzy-rough set theory and MRDM technique. Technological and Economic Development of Economy, 27(2), 459–492. https://doi.org/10.3846/tede.2020.13181 [9] Hurducaci gorea, & Ionescu, C. C. (2024). Revolutionizing Financial Auditing: Integrating Artificial Intelligence for Improved Efficiency and Accuracy. Audit Financiar, XXII(3), 485–497. https://doi.org/10.20869/AUDITF/2024/175/015 [10] Karmańska, A. (2022). Artificial Intelligence in audit. Prace Naukowe Uniwersytetu Ekonomicznego We Wrocławiu, 66(4), 87–99. https://doi.org/10.15611/pn.2022.4.06 [11] Kokina, J., Blanchette, S., Davenport, T. H., & Pachamanova, D. (2025). Challenges and opportunities for artificial intelligence in auditing: Evidence from the field. International Journal of Accounting Information Systems, 56. https://doi.org/10.1016/j.accinf.2025.100734 [12] Leocádio, D., Malheiro, L., & Reis, J. (2024). Artificial Intelligence in Auditing: A Conceptual Framework for Auditing Practices. In Administrative Sciences (Vol. 14, Issue 10). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/admsci14100238 [13] Luis Felipe Martins Rodrigues. (2022). O_Impacto_da_Inteligência_Arti. [14] Mpofu, F. y. (2023). The application of Artificial Intelligence in external auditing and its implications on audit quality? A review of the ongoing debates. International Journal of Research in Business and Social Science (21474478), 12(9), 496–512. https://doi.org/10.20525/ijrbs.v12i9.2737 [15] Munoko, I., Brown-Liburd, H. L., & Vasarhelyi, M. (2020). The Ethical Implications of Using Artificial Intelligence in Auditing. Journal of Business Ethics, 167(2), 209–234. https://doi.org/10.1007/s10551-019-04407-1 [16] O’donnell, J. B. (2024). Auditing Transformation: A Model of Artificial Intelligence Adoption. In Journal of Applied Business and Economics (Vol. 26, Issue 6). International Journal of Strategic Management and Economic Studies (IJSMES) – ISSN: 2791-299X http://www.ijsmes.com 1422 [17] Pérez-Calderón, E., Alrahamneh, S. A., & Milanés Montero, P. (2025). Impact of artificial intelligence on auditing: an evaluation from the profession in Jordan. Discover Sustainability, 6(1). https://doi.org/10.1007/s43621-025-01058-3 [18] Phasha, N. Y. (2023). An Investigation into the Changing Workplace of South African Auditors and their Experiences of Artificial Intelligence (AI) Systems and the Implications for the Auditing Profession. [19] Rikhardsson, P., Thórisson, K. R., Bergthorsson, G., & Batt, C. (2022). Artificial intelligence and auditing in smalland medium-sized firms: Expectations and applications. AI Magazine, 43(3), 323–336. https://doi.org/10.1002/aaai.12066 [20] Rodrigues, E., Orientador, B., Doutora, P., De Lurdes, M., & Da Silva, R. (2023). A AUDITORIA E A INTELIGÊNCIA ARTIFICIAL UM OLHAR SOBRE O FUTURO DA PROFISSÃO. [21] Romero-Carazas, R., Espíritu-Martínez, A. P., Aguilar-Cuevas, M. M., Usuriaga-Palacios, M. N., Aguilar-Cuevas, L. A., Espinoza-Véliz, M. Z., Espinoza-Egoavil, M. J., & Gutiérrez-Monzón, S. G. (2024). Forensic auditing and the use of artificial intelligence: A bibliometric analysis and systematic review in Scopus between 2000 and 2024. Heritage and Sustainable Development, 6(2), 415–428. https://doi.org/10.37868/hsd.v6i2.626 [22] Roussi. (2022). L’Intelligence Artificielle au service du métier de l’expert-comptable Artificial Intelligence in the accounting specialist profession. www.revuechercheur.com [23] Schiff, D. S., Kelley, S., & Camacho Ibáñez, J. (2024). The emergence of artificial intelligence ethics auditing. Big Data and Society, 11(4). https://doi.org/10.1177/20539517241299732 [24] Seethamraju, R., & Hecimovic, A. (2023). Adoption of artificial intelligence in auditing: An exploratory study. Australian Journal of Management, 48(4), 780–800. https://doi.org/10.1177/03128962221108440 [25] Talai & Karimi. (2022). International Journal of Strategic Management and Economic Studies (IJSMES) L’Influence des Nouvelles Technologies sur l’Audit Financier : Vers des Pratiques Innovantes et Durables International Journal of Strategic Management and Economic Studies (IJSMES)-ISSN: 2791-299X. https://doi.org/10.5281/zenodo.13899686 [26] Thottoli, M. M. (2024). Leveraging information communication technology (ICT) and artificial intelligence (AI) to enhance auditing practices. Accounting Research Journal, 37(2), 134–150. https://doi.org/10.1108/ARJ-09-2023-0269 [27] Torroba, M., Sánchez, J. R., López, L., & Callejón, Á. (2025). Investigating the impacting factors for the audit professionals to adopt data analysis and artificial intelligence: Empirical evidence for Spain. International Journal of Accounting Information Systems, 56. https://doi.org/10.1016/j.accinf.2025.100738