Machine Learning et audit interne intelligent : une approche orientée décision pour la détection des anomalies financières et la réduction du risque de fraude chez les entreprises marocaines

Résumé

Résumé

La transformation digitale des organisations a profondément modifié l’environnement informationnel de l’audit interne. L’augmentation du volume, de la granularité et de l’interconnexion des données financières met sous tension les approches traditionnelles fondées sur l’échantillonnage et les contrôles a posteriori. Dans ce contexte, cette étude analyse la contribution du machine learning au développement d’un audit interne orienté vers l’analyse et la décision au sein des entreprises marocaines.

La recherche repose sur un dispositif quantitatif en deux phases. Une première étape identifie les entreprises disposant d’un ERP opérationnel et d’outils de machine learning. Une seconde étape teste un modèle de médiation séquentielle par PLS-SEM auprès de 32 entreprises technologiquement équipées.

Les résultats montrent que le machine learning n’agit pas directement sur la création de valeur. Son effet est indirect : l’amélioration de la détection des anomalies renforce la qualité du jugement des auditeurs, ce qui réduit le risque de fraude et accroît la valeur ajoutée perçue. Le modèle explique 31 % de la variance de cette création de valeur.

En articulant technologie, décision et gouvernance, l’étude éclaire les mécanismes par lesquels l’analytique avancée soutient la gestion du risque dans un contexte émergent.

Mots clés : Machine learning, anomalies financières, PLS-SEM, ERP, Audit interne.

Abstract

The digital transformation of organizations has profoundly reshaped the informational environment of internal auditing. The growing volume, granularity, and interconnectedness of financial data challenge traditional audit approaches based on sampling and ex post controls. In this context, this study examines the contribution of machine learning to the development of a decision-oriented and analytically driven internal audit function within Moroccan organizations.

The research follows a two-phase quantitative design. The first phase identifies companies equipped with operational ERP systems and machine learning tools. The second phase tests a sequential mediation model using PLS-SEM on a sample of 32 technologically equipped firms.

The findings indicate that machine learning does not directly generate value for internal audit. Its impact is indirect: enhanced anomaly detection improves auditors’ decision quality, which in turn reduces fraud risk and increases the perceived value added of the internal audit function. The model explains 31% of the variance in value creation.

By integrating technological, decision-making, and governance perspectives, this study clarifies the mechanisms through

Keywords: Machine learning, Anomaly detection, PLS-SEM, Internal Auditing