IA générative et risques pour les métiers de la comptabilité et de l’audit.

Ce billet a commencé ainsi: un ami, directeur administratif et financier d’une grosse structure m’a demandé mon avis sur un dossier paru dans le numéro de juillet-août de la Revue Fiduciaire Comptabilité. Je l’ai donc lu attentivement.

Sans aucun doute, les généralités expliquées dans cet article sont tout à fait pertinentes pour mieux comprendre l’IA générative. Il faut le reconnaître, ce dossier présente également les inconvénients, voire les risques liés à l’adoption d’une IA générative dans un cabinet. En revanche, il me semble tout aussi indispensable d’y relever les principales approximations ainsi que les défaillances dans le raisonnement conduisant à l’adoption de l’IA (générative) : les métiers de la comptabilité et de l’audit sont suffisamment complexes pour ne pas les laisser se saborder !

Pourquoi devoir tout ramener à l’IA générative ?

Même si ce dossier contient tout un volet expliquant plusieurs principes autour de l’IA, il retombe très vite dans les travers habituels en ramenant tout à l’IA générative. C’est là que cela commence à dérailler: malgré quelques réserves sur la qualité des réponses, l’article mélange rapidement les différents aspects en proposant l’IA générative quasiment comme une solution miracle, prête à tout faire, sans effort: analyse de documents, prévisions pour les marchés et va jusqu’à tout mélanger en indiquant qu’un avantage majeur des agents IA est le chiffrement des données. Comme si on avait attendu les agents IA pour chiffrer les données circulant sur la toile. Qui plus est leur chiffrement en sortie ne garantit pas pour autant la sécurité des données lors du stockage: ce sont deux sujets différents.

Un peu plus préoccupant est le mélange entre les différents types d’IA où tout, de manière plus ou moins explicite, comme pour les agents, tout est ramené à l’IA générative, alors que la lecture des factures et l’identification des items ou des taux de TVA, qui fonctionnent remarquablement bien relèvent de principes différents de l’IA générative, comme la vision par ordinateur ou le traitement automatique des langues, même si les algorithmes peuvent être proches.

Mais la confusion est compréhensible: les fournisseurs de modèles d’IA générative proposent des plateformes qui dissimulent ces outils et laissent croire que tout passe par des prompts ou des agents alors qu’ils ne sont qu’une forme de sur-couche pas toujours nécessaire.
Et c’est bien là que ce situent la force et les risques des IA génératives: leur apparente simplicité conférée par le dialogue avec la machine, alors qu’en arrière-plan l’outil est d’une infinie complexité, tout en agrégeant lui-même de nombreux outils aux finalités différentes: l’interprétation d’images n’a que peu de rapports avec la recherche documentaire. De ce fait, chacun croit qu’il est possible de maîtriser ces outils avec un minimum d’effort et d’apprentissage et c’est bien le danger du dossier de cette revue, quand il nous livre un ensemble de « modèles de prompts » dont on pourrait croire qu’ils peuvent être transposés en l’état avec n’importe quel modèle d’IA générative.

Quelles sont les conséquences de cette fascination pour les IA génératives ?

Le plus extraordinaire dans cette fascination pour les modèles d’IA générative est la négation par les experts des métiers de la comptabilité et de l’audit de leur propre expertise. En effet, ce dossier laisse penser qu’il suffit de prompts bien rédigés pour trouver des réponses à l’ensemble des questions de leur profession, avec certes quelques réserves portant sur la nécessaire vérification a priori des réponses, réserves assorties de considérations sur la confidentialité des données.

Les faiblesses des IA génératives face à l’expertise

Les IA génératives sont des produits fascinants, je ne le répèterai jamais assez: leur capacité à construire un texte cohérent à partir de multiples sources est réellement bluffante. En revanche, dès qu’il s’agit d’y avoir recours sur des sujets de comptabilité ou de finance, plusieurs questions se posent:

L’IA générative, c’est comme l’armée; c’est très discipliné, mais donner un ordre ne suffit pas pour qu’il soit exécuté.

_ pensée originale de l’auteur de cet article

• Êtes-vous certains que votre expertise est entièrement formalisée dans des procédures et des documents internes ? En effet, ce qui n’est pas écrit et relève de l’expérience individuelle ou collective d’un DAF ou de la direction à laquelle il appartient, ne peut pas apparaître dans les résultats d’une IA générative. En effet, ce qui n’est pas écrit ne peut pas être modélisé, donc n’existe simplement pas.
• Quels sont les textes de référence avec lesquels cette IA a été entraînée ? S’agit-il du plan comptable général, mais alors quelle version ou des normes IFRS. Peut-être les deux, mais alors comment garantir que la réponse intègre la norme demandée ? N’oublions jamais ce principe: l’IA générative, c’est comme l’armée; c’est très discipliné, mais donner un ordre ne suffit pas pour qu’il soit exécuté.
• Si vous êtes dans une branche professionnelle spécifique, ses normes et réglementations diverses ont-elles été intégrées dans la customisation du modèle, et si oui, quelles dispositions avez-vous prises pour vous assurer de leur actualisation ?
• Votre branche professionnelle est intégrée, c’est parfait. Mais alors, quel dispositif avez-vous mis en place pour vérifier les résultats de l’actualisation du modèle ? En effet, après avoir actualiser un modèle, il est nécessaire de s’assurer que les nouveaux textes sont correctement pris en compte et apparaissent dans les réponses. Vous devez également consacrer du temps à ce sujet !
• Votre entreprise évolue tous les jours: fusions, acquisitions, investissements, cessions d’actifs, provisions pour risques, directives, notes de service etc. La question centrale est donc la suivante: quelles dispositions avez-vous prévu pour intégrer dans votre modèle d’IA ces évolutions ? Quelle est votre stratégie de gestion de la connaissance ? Est-elle structurée, avec des documentalistes qui savent parfaitement organiser vos connaissances ou est-ce seulement le stagiaire ou l’apprenti qui s’en chargent tant bien que mal ? Malheureusement, la gestion des connaissances est souvent le parent pauvre des entreprises.
• Où partent vos données ? Ça, c’est la tarte à la crème de la souveraineté, mais pour plus de détails, je vous invite à jeter un oeil sur ma conférence à l’INSA Strasbourg en juin 2026 (ICI).

La question du changement de fournisseur

Admettons que vous avez tout fait tout bien, mais une question reste en suspens.
Vos connaissances sont bien gérées et soyons fous, votre IA générative vous permet de gagner du temps (après tout, c’est leur promesse) et d’améliorer la qualité de votre travail. Mais va arriver un moment où votre fournisseur va progressivement dégrader la qualité de ses prestations, par manque d’argent ou suite à une erreur dans le développement d’un nouveau modèle.
Or, si vous souhaitez changer de fournisseur d’accès, vous devrez recommencer de zéro toutes les tâches précédemment mentionnées et qui permettent d’adapter ce modèle à vos besoins spécifiques. Pourquoi ?

Chaque modèle d’IA est construit certes sur les mêmes principes technologiques, mais surtout, sur la base de corpus différents, avec des réglages différents et où la recherche de cohérence et de justesse dans les réponses a fait l’objet de multiples ajustements, souvent laborieux et coûteux.
Or, si vous changez de modèle, vous devrez vous assurez que l’ensemble de travail de personnalisation lié à votre corpus documentaire est pris en compte dans le nouveau modèle. Cela veut dire que vous devrez très vraisemblablement tout reprendre à zéro, y compris le contrôle de la qualité des réponses au regard des contraintes spécifiques de votre métier et de votre organisation.

L’absence de vision à long terme: la plus grande menace

Sans exception, tous les articles vantant l’intérêt des IA génératives se placent dans une perspective exclusivement d’usager à court terme. Jamais il n’est posé de question sur l’évolution du modèle à 2 ans, à 5 ans. Jamais, on ne vous garantit la disponibilité de la plateforme sur le long terme. Jamais on ne vous garantit la qualité des résultats (sous peine de pénalité pour service non rendu).

De fait, le DAF qui adopte l’IA générative comme un élément constitutif de l’exécution de sa mission consent à se placer exclusivement dans une perspective de court terme où il doit assumer la totalité des risques.
Connaissant la mentalité des DAF, ce n’est pas réellement la culture de la profession, non ?