L'écart de confiance en matière d'IA : ce que les cabinets financiers doivent corriger dans les logiciels de comptabilité crypto
Quatre-vingt-quatre pour cent des dirigeants financiers, d'audit et de développement durable affirment qu'ils font confiance aux résultats générés par l'IA dans les rapports annuels, même sans relecture humaine. Ce chiffre, issu d'une enquête publiée par Workiva en août 2026, semble rassurant jusqu'à ce qu'on lise le point de données suivant : 26 % de ces mêmes dirigeants déclarent que les audits internes ont déjà détecté des erreurs d'IA qui ont atteint le conseil d'administration ou des publics externes. Pour tout cabinet comptable ou directeur financier déployant un logiciel de comptabilité crypto, cet écart de confiance n'est pas un bruit de fond. C'est un risque opérationnel et de réputation direct qui mérite une attention immédiate.
Ce que l'enquête a réellement révélé
Le rapport de Workiva s'appuie sur les réponses de dirigeants des fonctions finance, audit et développement durable. Le résultat principal est que 84 % ont exprimé leur confiance dans la précision de l'IA, répartis entre ceux qui sont « plutôt confiants » (39 %) et ceux qui sont « très confiants » (45 %). En soi, cela pourrait suggérer que l'adoption de l'IA dans les rapports financiers mûrit régulièrement.
La contradiction dans les données
Le problème est que la confiance ne semble pas être fondée sur des contrôles internes solides. Le même groupe a fourni un deuxième point de données qui est en tension directe avec leur confiance déclarée : plus d'un sur quatre a déclaré que sa propre fonction d'audit interne avait détecté des erreurs générées par l'IA qui avaient déjà atteint la table du conseil d'administration ou des parties prenantes externes. Junko Swain, directrice comptable chez Workiva, a décrit ce chiffre comme déclencheur d'alarmes, notant que les erreurs d'IA ne sont pas des risques hypothétiques mais un véritable problème de contrôle que les organisations doivent résoudre maintenant.
Préparation des données : la cause profonde
Swain a souligné un résultat connexe qui aide à expliquer la contradiction. Seuls 11 % des répondants ont estimé que les données de leur propre organisation étaient véritablement prêtes pour l'IA, et 71 % ont déclaré qu'une mauvaise qualité des données avait au moins modérément affecté les résultats de l'IA dans les rapports financiers et de durabilité. L'implication est claire : l'IA ne corrige pas les mauvaises entrées. Elle les traite rapidement et produit des résultats qui semblent crédibles même lorsque les données sous-jacentes sont erronées. Selon Swain, l'IA semble souvent soignée même lorsque les entrées sont fausses, et les outils génériques ne peuvent généralement pas retracer les chiffres jusqu'à leur source, ce qui rend les erreurs plus difficiles à détecter et à expliquer après coup.
Un modèle, pas une anomalie
Les résultats de Workiva ne sont pas isolés. Plusieurs autres enquêtes de 2025 et 2026 pointent vers la même tension structurelle entre la confiance déclarée et la réalité observée.
Maturité de la gouvernance par rapport aux taux d'incidents
Un rapport distinct d'un cabinet comptable du Top 50 a constaté que 90 % des professionnels de la gouvernance de l'IA ont déclaré que leurs organisations avaient déjà alloué des fonds dédiés à la gouvernance de l'IA, et 74 % pensaient pouvoir réussir un audit de conformité de l'IA aujourd'hui. Pourtant, seulement 27 % ont décrit leurs programmes de gouvernance comme pleinement matures. La conséquence était visible : 65 % des répondants ont déclaré que leurs organisations avaient connu des incidents liés à l'IA ou des quasi-accidents au cours des 24 mois précédents.
Coûts de la qualité des données et retards de reporting
Une recherche du fournisseur de gestion de la performance d'entreprise OneStream a ajouté une texture financière au problème. Elle a constaté que 79 % des dirigeants pensaient que leur gouvernance des données pouvait soutenir l'adoption de l'IA à grande échelle, mais 61 % ont admis remettre en question leurs données au moins une fois par mois, et 11 % quotidiennement. Soixante-douze pour cent ont signalé que de mauvaises données avaient coûté à leur organisation 500 000 $ ou plus, avec plus d'un tiers signalant des pertes dépassant 1 million de dollars. Les effets en aval comprenaient des clôtures financières retardées (citées par 44 % des répondants), des opportunités de revenus perdues (41 %), une confiance réduite dans les informations automatisées (38 %) et des problèmes de conformité (35 %). Une autre enquête auprès de dirigeants d'entreprises américains a révélé que 88 % étaient confiants dans l'exactitude des données alimentant leurs systèmes d'IA, mais 69 % avaient découvert des erreurs dans les données dérivées de documents au moins parfois.
Pris ensemble, ces enquêtes décrivent un modèle à l'échelle de l'industrie : la confiance déclarée dans la gouvernance de l'IA dépasse constamment la maturité réelle de la gouvernance, et l'écart produit de réelles erreurs dans les cycles de reporting réels.
Pourquoi cela est amplifié pour les logiciels de comptabilité crypto
L'écart de confiance compte dans tout contexte de reporting financier. Il a un poids supplémentaire dans le secteur des actifs numériques pour trois raisons spécifiques.
Données sources volatiles et complexes
Les transactions crypto génèrent des données sources bien plus complexes que les enregistrements financiers traditionnels. Un seul portefeuille peut s'étendre sur des dizaines de chaînes, plusieurs adresses de portefeuille, des interactions avec des échanges décentralisés, des récompenses de staking et des airdrops, tous nécessitant une classification selon des normes telles que l'ASC 350-60 ou les directives IFRS. Si seulement 11 % des organisations considèrent leurs données financières générales comme prêtes pour l'IA, la proportion avec des données spécifiques aux crypto qui atteignent ce niveau est presque certainement plus faible. Toute couche d'IA reposant sur des données on-chain incomplètes ou mal classifiées amplifiera les inexactitudes sous-jacentes, pas ne les corrigera pas. Pour en savoir plus sur le terrain non résolu sous les normes actuelles, voir notre analyse de la comptabilité crypto sous l'ASC 350-60.
La surveillance réglementaire s'intensifie
La proposition de règle Reg Crypto de la SEC et l'activité continue de normalisation signifient que les divulgations d'actifs numériques se rapprochent du centre de l'attention réglementaire. Une erreur d'IA qui atteint un public externe ou le conseil d'administration dans un contexte de reporting traditionnel est dommageable. La même erreur dans une divulgation d'actifs numériques pendant une période d'élaboration de règles active — où les régulateurs examinent de près si les entreprises ont des contrôles adéquats — comporte un risque de conformité matériellement plus élevé. Les entreprises qui suivent cette trajectoire réglementaire devraient également examiner notre couverture de la proposition de règle SEC Reg Crypto.
La traçabilité des données est plus difficile à établir
Le point de Swain sur les outils d'IA génériques manquant de capacité à retracer les chiffres jusqu'à leur source est particulièrement aigu pour les actifs numériques. Les données on-chain sont pseudonymes et distribuées. Établir une piste d'audit propre d'une transaction de portefeuille à un poste d'état financier nécessite une architecture de données délibérée, pas seulement une couche de requête d'IA. Sans cette traçabilité, un auditeur ne peut pas valider efficacement les résultats assistés par l'IA, et une entreprise ne peut pas défendre en toute confiance une divulgation.
Mesures pratiques pour les cabinets comptables et les directeurs financiers
Les résultats de l'enquête pointent vers des actions spécifiques plutôt qu'une prudence générale.
Traiter la gouvernance des données comme un prérequis, pas un flux de travail parallèle
Le cadre de Swain mérite d'être internalisé : la gouvernance des données n'est pas une préoccupation de back-office, c'est le fondement. Pour les entreprises utilisant un logiciel de comptabilité d'actifs numériques, cela signifie cartographier clairement la propriété des données avant d'étendre les flux de travail assistés par l'IA. Les questions clés sont de savoir si les données alimentant tout outil d'IA sont exactes, qui est autorisé à les consommer, et si une traçabilité claire existe de la source au résultat. Si ces questions ne peuvent pas être répondues avec confiance, l'entreprise n'a pas encore les contrôles en place pour soutenir les divulgations assistées par l'IA.
Établir des points de contrôle obligatoires de revue humaine
Le fait que 26 % des fonctions d'audit détectent des erreurs qui ont déjà atteint des publics externes suggère que les points de contrôle de revue sont soit absents, soit positionnés trop tard dans le flux de travail. Les entreprises devraient exiger qu'un réviseur qualifié approuve tout résultat assisté par l'IA avant qu'il ne quitte la fonction financière, pas après qu'il atteigne le pack du conseil ou un projet de dépôt. Pour un logiciel de tenue de livres crypto spécifiquement, cette revue devrait inclure une vérification au niveau de la ligne que les classifications de transactions sont cohérentes avec la politique comptable déclarée de l'entreprise.
Auditer le flux de travail de l'IA, pas seulement le résultat
Un résultat du rapport de gouvernance séparé est particulièrement instructif : la raison pour laquelle les processus d'IA échouent souvent aux audits n'est pas architecturale mais procédurale. Auditer un processus que l'organisation n'a pas formellement défini est impossible. Les entreprises devraient documenter les étapes assistées par l'IA dans leur flux de reporting crypto, assigner une responsabilité à chaque étape et inclure ces étapes dans le périmètre de l'audit interne. Cette documentation fournit également un enregistrement défendable si un régulateur ou un auditeur externe soulève des questions.
Évaluer la capacité du fournisseur en matière de traçabilité des données
Lors de l'évaluation ou du renouvellement d'un logiciel de comptabilité crypto, les entreprises devraient demander directement aux fournisseurs comment leurs outils retracent les résultats générés par l'IA jusqu'aux transactions sources. Les outils génériques basés sur de grands modèles de langage qui ne peuvent pas fournir cette traçabilité ne sont pas appropriés pour les rapports financiers réglementés. Les plateformes spécialisées conçues pour la comptabilité d'actifs numériques devraient être capables de démontrer une chaîne claire des données on-chain brutes à une écriture d'état financier.
La dimension de gouvernance et de responsabilité
Les données de l'enquête suggèrent que l'écart entre la gouvernance perçue et réelle de l'IA n'est pas principalement un problème technologique. C'est un problème de gouvernance et de responsabilité. Les dirigeants sont confiants dans l'abstrait, mais cette confiance ne se traduit pas par des contrôles matures au niveau organisationnel. Le cadre de Swain le capture précisément : les dirigeants doivent cesser de se demander uniquement si l'IA est précise en général et commencer à se demander s'ils peuvent soutenir ce résultat spécifique, avec ces données spécifiques, devant ce public spécifique.
Pour les cabinets comptables conseillant des clients sur les rapports d'actifs numériques, c'est aussi une question de responsabilité professionnelle. Si un cabinet utilise un logiciel de comptabilité crypto assisté par l'IA pour préparer ou examiner des états financiers ou des divulgations fiscales, et qu'une erreur atteint un régulateur ou un auditeur externe, la question de savoir si une supervision humaine adéquate était en place sera centrale dans tout examen d'application ou disciplinaire. Les données de Workiva suggèrent que la profession dans son ensemble n'a pas encore répondu à cette question de manière satisfaisante.
Les données de perception du risque de désinformation renforcent le point de gouvernance. La proportion de répondants identifiant la désinformation comme une menace externe majeure est passée de 24 % à 31 % aux États-Unis entre les périodes d'enquête, et de 23 % à 26 % au niveau mondial. Les dirigeants reconnaissent le risque au niveau macro. Le travail consiste maintenant à établir des contrôles internes qui correspondent à cette reconnaissance au niveau organisationnel.
FAQ
Que signifie le chiffre de 26 % pour le risque d'audit d'un cabinet comptable ?
Cela signifie que dans plus d'une organisation sur quatre interrogée, des erreurs générées par l'IA ont contourné les contrôles internes et ont atteint soit le conseil d'administration, soit des parties prenantes externes. Pour un cabinet comptable, cela représente un risque direct de responsabilité professionnelle. Si les résultats assistés par l'IA dans les missions clients ne sont pas soumis à une revue humaine documentée, le cabinet pourrait ne pas être en mesure de démontrer qu'il a exercé un jugement professionnel approprié.
Comment une mauvaise qualité des données affecte-t-elle spécifiquement les logiciels de comptabilité crypto ?
Les données de transaction crypto sont structurellement complexes. Les enregistrements de base de coût manquants, les types de jetons non classifiés et les correspondances de portefeuille incomplètes sont courants. Les outils d'IA qui traitent ces données généreront des résultats qui semblent plausibles mais peuvent mal classer les transactions, mal énoncer les justes valeurs ou omettre des événements imposables. Le résultat de Workiva selon lequel seulement 11 % des organisations considèrent leurs données comme prêtes pour l'IA fait de cela un problème quasi certain pour la plupart des cabinets sans couche de préparation des données dédiée.
Qu'est-ce que la traçabilité des données et pourquoi est-elle importante pour les divulgations d'actifs numériques ?
La traçabilité des données est la piste documentée qui relie un chiffre d'état financier à sa transaction source. Pour les actifs numériques, cela signifie retracer une juste valeur déclarée ou un chiffre de gain jusqu'à une transaction on-chain spécifique, à travers toutes les étapes de classification ou de conversion, jusqu'à la divulgation finale. Sans cette piste, ni un auditeur interne ni un réviseur externe ne peuvent valider efficacement les résultats assistés par l'IA, et le cabinet ne peut pas défendre ses chiffres auprès d'un régulateur.
Les cabinets devraient-ils suspendre l'adoption de l'IA dans les rapports crypto jusqu'à ce que la gouvernance mûrisse ?
Les résultats de Workiva ne suggèrent pas de suspendre l'adoption. Ils suggèrent de la séquencer correctement. L'infrastructure de gouvernance — cartographie de la propriété des données, documentation de la traçabilité et points de contrôle obligatoires de revue humaine — devrait être en place avant que les outils d'IA ne soient appliqués aux résultats réglementés. Les cabinets qui ont déjà déployé l'IA sans cette infrastructure devraient traiter la fermeture de l'écart comme une remédiation urgente des contrôles, pas comme un projet futur.
Comment un directeur financier devrait-il réagir si une erreur d'IA a déjà atteint le conseil d'administration ou un public externe ?
Les étapes immédiates sont d'identifier le résultat spécifique, de le retracer jusqu'aux données sources pour comprendre comment l'erreur est survenue, d'évaluer si toute divulgation réglementaire ou état financier est affecté, et de déterminer si une correction ou une divulgation supplémentaire est requise. La remédiation plus large consiste à documenter quel contrôle a échoué, à mettre en œuvre un point de contrôle de revue pour prévenir la récurrence, et à informer le comité d'audit à la fois de l'erreur et du plan de remédiation.
Source : Accounting Today