Le problème n’est plus théorique. Selon le Financial Times, EY a retiré une étude utilisée dans la promotion de ses activités cybersécurité après la découverte de données erronées, de citations mal attribuées et d’une référence à un rapport McKinsey inexistant. L’affaire concerne EY Canada et touche directement la crédibilité d’un document présenté comme une source d’expertise destinée aux clients.
Ce type de dossier dépasse largement la simple erreur rédactionnelle. Dans les métiers du conseil, de l’audit ou de l’expertise, la valeur principale d’un rapport repose sur sa fiabilité. Les clients ne paient pas uniquement pour une mise en page, une synthèse ou une capacité de rédaction. Ils paient pour la qualité de l’analyse, la robustesse des sources et la confiance accordée aux conclusions. Lorsqu’un document contient des références inventées ou des chiffres non vérifiés, c’est toute la chaîne de production intellectuelle qui est fragilisée.
L’intelligence artificielle générative change profondément cette chaîne. Les outils capables de produire du texte en quelques secondes permettent aux consultants de rédiger plus vite, de synthétiser davantage d’informations et de produire des livrables plus rapidement. Mais cette vitesse modifie aussi les réflexes de contrôle. Plus la rédaction devient fluide et instantanée, plus le risque augmente de considérer le texte produit comme fiable simplement parce qu’il est bien écrit.
C’est précisément le danger des hallucinations générées par les modèles de langage. L’IA peut inventer une citation crédible, attribuer un chiffre à une source réelle ou créer un rapport fictif avec une apparence parfaitement professionnelle. Dans un environnement où les délais sont courts et les volumes de production élevés, ces erreurs peuvent passer les premières étapes de validation sans être détectées.
L’affaire EY montre que le problème ne concerne pas seulement les équipes techniques ou les développeurs. Il touche directement les métiers à forte intensité documentaire : conseil stratégique, cybersécurité, finance, conformité, audit ou ressources humaines. Tous ces secteurs produisent des documents qui influencent des décisions d’investissement, des arbitrages budgétaires ou des orientations opérationnelles. Une erreur factuelle dans ce contexte peut avoir des conséquences réputationnelles, juridiques ou financières importantes.
Le précédent britannique lié à Deloitte renforce cette inquiétude. En octobre 2025, Deloitte avait été contraint de rembourser le gouvernement australien après la publication d’un rapport contenant plusieurs erreurs attribuées à un usage insuffisamment contrôlé de l’IA, selon Le Figaro. Quelques semaines plus tard, une autre controverse au Canada visait également Deloitte pour des erreurs potentiellement générées par IA dans un document d’analyse. Les situations sont différentes, mais elles révèlent une difficulté commune : les cabinets intègrent rapidement l’IA dans leurs processus, alors que leurs mécanismes de vérification restent parfois calibrés pour une production humaine classique.
Cette tension est structurante. Les grands cabinets cherchent à gagner en productivité dans un marché plus concurrentiel, où les clients demandent des délais plus courts et des coûts mieux maîtrisés. L’IA représente donc un levier évident. Elle peut accélérer les recherches, produire des synthèses, préparer des présentations, générer des analyses préliminaires ou automatiser certaines tâches documentaires. Le problème apparaît lorsque cette accélération réduit le temps consacré à la vérification.
Plus l’IA accélère la rédaction, plus le contrôle humain devrait être renforcé. Or certaines organisations tombent dans la logique inverse. La rapidité de production crée une illusion de maîtrise. Un texte cohérent, structuré et fluide inspire naturellement confiance, surtout lorsqu’il adopte les codes du langage professionnel. Mais un bon style rédactionnel ne garantit en rien la validité des faits.
Le sujet devient encore plus sensible dans les métiers du conseil parce que les clients accordent souvent une autorité implicite aux grands cabinets internationaux. Une étude publiée sous la marque EY, Deloitte, PwC ou KPMG bénéficie immédiatement d’un capital de crédibilité. Cette confiance agit comme un multiplicateur de risque : si les informations sont erronées, leur diffusion peut être beaucoup plus large et leurs conséquences plus importantes.
L’affaire révèle également un problème culturel. Dans certaines entreprises, l’IA générative est encore perçue comme un assistant neutre et fiable, alors qu’elle fonctionne avant tout comme un moteur probabiliste de génération de langage. Son objectif n’est pas de dire la vérité. Son objectif est de produire la réponse statistiquement la plus plausible à partir des données sur lesquelles elle a été entraînée. Cette distinction est fondamentale, mais elle reste mal comprise dans de nombreuses organisations.
Pour les cabinets de conseil, la réponse ne peut donc pas être purement technologique. Elle doit être organisationnelle. Les procédures de validation devront évoluer rapidement : vérification systématique des sources, interdiction des citations non contrôlées, traçabilité des contenus générés par IA, revue humaine obligatoire avant diffusion externe et clarification des responsabilités internes.
Certaines entreprises commencent déjà à imposer des règles plus strictes. Plusieurs cabinets limitent désormais l’usage de l’IA générative pour les documents destinés aux clients, exigent des validations manuelles des références ou interdisent certaines plateformes externes pour des raisons de confidentialité et de conformité. Mais ces garde-fous restent inégaux selon les organisations et les pays.
Le problème est d’autant plus stratégique que l’IA générative va continuer à progresser. Les modèles deviennent plus performants, plus convaincants et capables de produire des documents plus complexes. Cette amélioration risque paradoxalement d’augmenter le danger : plus les textes paraîtront crédibles, plus les erreurs seront difficiles à repérer sans procédure rigoureuse de vérification.
L’enjeu dépasse donc largement EY ou Deloitte. Il concerne l’ensemble des entreprises qui utilisent l’IA pour produire du contenu professionnel. Dans les métiers fondés sur l’expertise, la confiance reste l’actif principal. Une entreprise peut corriger une erreur technique ou compenser un retard opérationnel. Elle récupère beaucoup plus difficilement une réputation de manque de rigueur.
Cette séquence rappelle finalement une réalité simple : l’IA générative est un outil de production linguistique, pas une autorité documentaire. Elle peut accélérer le travail, améliorer certaines tâches et augmenter la productivité. Mais elle ne remplace ni le jugement professionnel, ni la responsabilité humaine, ni la vérification méthodique des faits.
Plus les entreprises automatiseront la rédaction, plus elles devront investir dans la validation. Dans le conseil, l’audit ou l’expertise, la rapidité n’a de valeur que si elle préserve la fiabilité. Sinon, l’IA risque de transformer le principal avantage compétitif des cabinets – la confiance – en vulnérabilité structurelle.
