Les accounting firms Big 4 – Deloitte, PwC, EY et KPMG – gèrent chaque année des milliers d’audits pour des entreprises cotées sur tous les continents. Leur point commun aujourd’hui : elles ont toutes engagé une transformation profonde de leurs processus financiers grâce à la data et à l’intelligence artificielle.
Mais derrière les annonces d’outils et de partenariats technologiques, une question mérite d’être posée concrètement : ces technologies améliorent-elles vraiment la qualité des décisions, ou accélèrent-elles simplement la production de documents ?
A lire aussi : Top 10 dans le Pas-de-Calais : les meilleurs cabinets de recrutement à contacter
Les outils data déployés par KPMG, PwC, EY et Deloitte
Chacun des Big 4 a développé sa propre plateforme d’intelligence artificielle. KPMG s’appuie sur Ignite, PwC sur ChatPwC, EY sur EY.ai, et Deloitte sur Omnia AI. Ces outils ne font pas la même chose, mais ils partagent un objectif commun : permettre à leurs équipes de traiter de grands volumes de données financières bien plus rapidement qu’une analyse manuelle.
Concrètement, imaginez un auditeur qui devait autrefois passer plusieurs semaines à vérifier des milliers de transactions dans un tableur. Avec ces plateformes, l’analyse peut couvrir l’intégralité des données d’une entreprise, et non plus un simple échantillon. C’est ce qu’on appelle l’analyse exhaustive des données financières, par opposition aux sondages traditionnels.
A découvrir également : Protocole pour l'Envoi des courriers réponse 1 en BTS : les erreurs qui coûtent des points
Ces cabinets ont aussi noué des partenariats avec OpenAI, Google, IBM et Microsoft pour renforcer la puissance de leurs outils. L’objectif affiché est d’aller au-delà de la vérification d’informations historiques, pour développer une capacité prédictive : anticiper les risques avant qu’ils se matérialisent dans les comptes.
KPMG teste l’IA sur des audits de sociétés privées dans 30 pays
Un développement concret illustre bien l’étendue de ce déploiement. KPMG a testé des agents d’IA sur des audits de sociétés privées dans 30 pays, avec des équipes participant à des essais portant sur plusieurs centaines d’audits. Ce n’est donc pas une expérimentation limitée aux grands groupes cotés en bourse : les PME et entreprises non cotées sont aussi concernées par ces usages.
Chez KPMG France, la philosophie exprimée est claire : l’IA est « un accélérateur et non un substitut à l’humain ». Cette position n’est pas uniquement rhétorique. Elle reflète une réalité réglementaire et technique : les auditeurs restent responsables de leurs conclusions, et aucun outil ne peut signer un rapport à leur place.
Quand la data transforme le rôle du directeur financier
Vous avez déjà remarqué que les directions financières passaient plus de temps à produire des reportings qu’à analyser ce qu’ils contiennent ? C’est précisément ce que la data cherche à corriger.
PwC décrit cette évolution avec une formule précise : le CFO passe du rôle de « scorekeeper » (celui qui tient le score) à celui de « Chief Performance Officer » (celui qui pilote la performance). La donnée en temps réel permet de ne plus attendre la clôture mensuelle pour détecter un écart budgétaire ou une anomalie dans les marges.
Cette transformation implique des changements concrets dans les processus Finance :
- Le passage d’un pilotage rétrospectif à un pilotage prédictif, en utilisant des modèles qui projettent les tendances à partir des données actuelles plutôt que d’attendre les résultats passés.
- L’intégration de données issues de sources multiples (ERP, CRM, données de marché) pour produire des analyses consolidées, fiables et auditables.
- Le développement de tableaux de bord en temps réel, accessibles aux dirigeants pour des décisions rapides sur les investissements ou les arbitrages budgétaires.
PwC souligne que l’IA crée un impact durable uniquement lorsqu’elle est intégrée au coeur des processus Finance, sur des fondations data solides, gouvernées et « audit-ready » – c’est-à-dire vérifiables par un tiers.
Compétences data : le vrai frein à la transformation financière
Avoir des outils performants ne suffit pas. Une enquête AICPA-CIMA publiée le 17 décembre 2025, menée auprès de 1 446 responsables et cadres de la finance et de la comptabilité, a mis en évidence un écart significatif entre l’impact attendu de l’IA et le niveau de préparation réel des équipes. Les principaux freins identifiés sont le manque de compétences, les préoccupations de sécurité et la maturité insuffisante des technologies en place.
Les répondants ont notamment signalé des lacunes précises en IA générative, en technologies et en data analytics. La méthode de montée en compétences la plus citée reste la formation en situation de travail, intégrée au quotidien plutôt que dispensée en sessions ponctuelles.
Pour les Big 4, cela se traduit par une évolution profonde des métiers. L’auditeur ou le contrôleur de gestion de demain passe moins de temps à saisir et vérifier des données, et plus de temps à interpréter des résultats, exercer son jugement professionnel et superviser ce que les algorithmes produisent. C’est un changement de posture, pas seulement un changement d’outil.
IA en audit : accélération des processus ou amélioration de la qualité ?
C’est la question que peu d’acteurs posent ouvertement. En juin 2025, le régulateur britannique FRC (Financial Reporting Council) a publié des recommandations sur l’usage des outils automatisés en audit. Le message central : il ne suffit pas de détecter davantage d’anomalies, il faut aussi conserver des éléments permettant de comprendre comment l’outil a contribué à l’analyse et comment l’auditeur a évalué ses résultats.
Cette même revue thématique du FRC a relevé un point révélateur : les six cabinets examinés ne quantifiaient pas formellement l’effet des outils automatisés sur la qualité de l’audit. Dans le seul cas où des indicateurs existaient, ils portaient sur l’utilisation des outils plutôt que sur leurs résultats concrets. Autrement dit, on mesurait si les auditeurs utilisaient l’IA, pas si l’IA améliorait la qualité des conclusions.
Cette distinction est importante pour quiconque cherche à évaluer la valeur réelle de ces transformations. Les indicateurs pertinents seraient, par exemple, le nombre d’anomalies confirmées après revue humaine, la qualité des éléments probants collectés, ou les corrections apportées à des états financiers grâce à une détection automatisée qu’une analyse manuelle aurait manquée.
Les Big 4 sont en train de construire ces preuves. Elles ne sont pas encore systématiques, et c’est précisément ce que les régulateurs comme le FRC commencent à exiger. La prochaine étape de la transformation par la data ne sera pas technologique : elle sera méthodologique, et elle passera par la capacité à démontrer que les décisions financières prises avec l’aide de l’IA sont meilleures que celles prises sans elle.
