Thèse Audit et Intelligence Artificielle Enjeux d'Explicabilité et de Conformité H/F - Doctorat.Gouv.Fr

Établissement : UNIVERSITE PARIS DAUPHINE - PSL École doctorale : SDOSE Sciences de la Décision, des Organisations, de la Société et de l'Echange Laboratoire de recherche : Dauphine Recherches en Management Direction de la thèse : François ACQUATELLA Début de la thèse : 2026-09-01 Date limite de candidature : 2026-07-15T23:59:59 L'intégration de l'intelligence artificielle dans les activités d'audit transforme profondément les pratiques professionnelles, notamment dans le domaine des IT General Controls, où les cabinets mobilisent de plus en plus des systèmes d'IA pour analyser des corpus documentaires complexes, automatiser certains contrôles et assister la production de preuves. Toutefois, cette adoption soulève une tension majeure : les technologies les plus performantes, en particulier les Large Language Models, présentent encore des limites importantes en matière de fiabilité, de reproductibilité et d'explicabilité. Or, ces exigences sont centrales dans les environnements d'audit régulés, où toute conclusion doit pouvoir être justifiée, tracée et conforme aux standards professionnels, notamment les International Standards on Auditing.

Il existe ainsi un décalage entre l'essor des usages de l'IA générative et les exigences de preuve, de traçabilité, de contrôle et d'accountability propres à l'audit. Pour les cabinets, l'enjeu n'est donc plus seulement d'adopter l'IA, mais de la maîtriser et de la gouverner afin d'en faire un levier stratégique fiable et auditable. Cette problématique met en évidence un enjeu encore peu exploré : comment concevoir des architectures d'IA compatibles avec les contraintes de gouvernance, d'explicabilité et de conformité propres aux environnements régulés ?

Les approches en IA neuro-symbolique constituent une piste prometteuse. En combinant des modèles de type LLM, des moteurs symboliques fondés sur des règles métier et des mécanismes d'explicabilité, elles permettent d'articuler performance algorithmique et contrôlabilité. Ces architectures rendent possible l'intégration de la traçabilité et de l'auditabilité dès la conception des systèmes, non plus comme des contraintes ajoutées a posteriori, mais comme des propriétés intrinsèques de l'IA utilisée en audit.

Dans cette perspective, la conception d'une IA gouvernée, explicable et souveraine représente une opportunité stratégique pour les cabinets d'audit. Elle pourrait favoriser l'émergence d'un design dominant au sein de la profession, c'est-à-dire une forme technologique et organisationnelle susceptible de devenir une référence sur le marché. Au-delà de l'adoption technologique, il s'agit pour les cabinets de construire une véritable capacité de maîtrise de l'IA, fondée sur la gouvernance, la conformité, l'explicabilité et la production de preuves. Cette capacité pourrait soutenir une différenciation durable et participer à une transformation du secteur de l'audit et du conseil.

Cette recherche doctorale vise ainsi à analyser comment la maîtrise stratégique de l'IA, dans ses dimensions générative, prédictive, symbolique et explicable, peut contribuer à l'émergence d'un design dominant dans l'audit. Elle s'appuie sur plusieurs cadres théoriques issus des sciences de gestion et des systèmes d'information : la théorie du design dominant, afin de comprendre comment une innovation devient une norme de marché ; la théorie des capacités dynamiques, pour analyser la capacité des cabinets à reconfigurer leurs ressources et compétences autour de l'IA ; et la théorie de la disruption, afin d'évaluer comment la combinaison entre souveraineté technologique, proximité client et gouvernance de l'IA peut générer un avantage concurrentiel. L'usage de l'IA dans l'audit connaît une forte croissance, notamment pour automatiser les contrôles et analyser des documents complexes.
Cependant, les modèles de type LLM posent des problèmes de fiabilité, d'explicabilité et de contrôle.
Ces limites sont critiques dans l'audit, où les conclusions doivent être justifiables et conformes aux standards professionnels.
La littérature souligne encore un manque de travaux sur la conception d'architectures d'IA réellement gouvernées et auditables.
Les approches neuro-symboliques offrent une piste prometteuse pour concilier performance algorithmique, explicabilité et conformité. Comprendre comment l'IA peut être intégrée dans l'audit tout en respectant les exigences de preuve et de conformité.
Analyser les limites des modèles d'IA générative en matière de fiabilité, reproductibilité et explicabilité.
Étudier les apports possibles des architectures neuro-symboliques pour renforcer la traçabilité des décisions.
Identifier les conditions de gouvernance permettant de rendre les systèmes d'IA auditables.
Évaluer dans quelle mesure la maîtrise de l'IA peut devenir un levier de différenciation stratégique pour les cabinets d'audit. La recherche adoptera une approche mixte combinant analyse qualitative et expérimentation technique.
Une revue de littérature permettra de construire le cadre théorique autour de l'IA explicable, de la gouvernance et du design dominant.
Une étude de terrain sera menée dans un cabinet d'audit afin d'analyser les besoins, usages et contraintes professionnelles.
Des expérimentations seront conduites sur différentes architectures d'IA, notamment LLM, SLM et modèles neuro-symboliques.
Les résultats seront analysés au regard des exigences de preuve, de traçabilité, d'auditabilité et de conformité.

Le projet s'adresse à un candidat disposant d'une formation en sciences de gestion, systèmes d'information, audit, data science, statistiques ou intelligence artificielle.
Une bonne compréhension des enjeux liés à l'audit, à la conformité, à la gouvernance des systèmes d'information et aux risques numériques est attendue.
Le candidat devra présenter un intérêt marqué pour l'intelligence artificielle explicable, les modèles génératifs, les architectures neuro-symboliques et les questions d'auditabilité.
Des compétences méthodologiques en recherche qualitative et quantitative sont demandées, notamment en analyse de données, statistiques, traitement de corpus, expérimentation et interprétation de résultats empiriques.
La maîtrise d'outils d'analyse tels que Python, R, Excel avancé ou logiciels de traitement statistique constituera un atout.
Le profil recherché devra enfin faire preuve d'autonomie, de rigueur scientifique, de capacité d'analyse et d'aptitude à dialoguer avec des chercheurs comme avec des professionnels de l'audit et du conseil.