Due diligence pilotée par AI : compresser les CDD, FDD et TDD sans perdre en rigueur

Introduction

La due diligence est un exercice de doute maîtrisé. Un comité d'investissement se demande si l'entreprise, les résultats et la technologie décrits par un vendeur peuvent résister à un examen avant que le capital ne soit engagé. La réponse est assemblée à partir de documents imparfaits, d'un accès restreint, de populations de data rooms changeantes, des explications de la direction et du jugement de spécialistes. L'intelligence artificielle ajoute une nouvelle couche analytique à ce processus. Elle peut lire, classer et comparer de grandes collections de documents ; proposer des correspondances entre des données incohérentes ; rédiger des synthèses de points à examiner ; et orienter les réviseurs vers les exceptions. Elle peut aussi produire des affirmations assurées mais non étayées, confondre des périodes ou des entités, omettre une population manquante et faire apparaître un calcul comme cohérent alors que ses données d'entrée sont erronées.

Les données de marché actuelles montrent que AI est entrée dans les travaux transactionnels. L'enquête 2026 de KPMG a couvert 700 décideurs M&A de haut niveau dans 20 pays et juridictions. Cinquante-six pour cent ont déclaré déployer AI agentique dans la due diligence et la valorisation. Dans la même enquête, 59 pour cent ont déclaré un gain d'efficacité supérieur à 10 pour cent en veille concurrentielle et analyse de marché, tandis que 17 pour cent ont déclaré un gain d'efficacité supérieur à 25 pour cent en modélisation de valorisation et planification de scénarios, ainsi qu'en modélisation et suivi budgétaires [1,2]. Il s'agit de constatations déclarées par les répondants. Elles n'établissent pas de productivité causale, de réduction des erreurs ni de performance d'investissement.

La mesure est nettement moins mature que l'adoption. Le Thomson Reuters Institute a interrogé 1 514 professionnels dans les fonctions juridiques ; fiscales, d'audit et de comptabilité ; de risque d'entreprise et de fraude ; et gouvernementales en octobre et novembre 2025. Quarante pour cent ont déclaré une utilisation de AI générative à l'échelle de l'organisation, contre 22 pour cent dans l'édition précédente. Dix-huit pour cent ont déclaré que leur organisation collectait des indicateurs de retour sur investissement de AI, et 40 pour cent ne savaient pas si de tels indicateurs étaient collectés [3]. L'échantillon dépasse le cadre des transactions. Il apporte la preuve d'un écart de mesure généralisé dans les services professionnels plutôt que d'un résultat propre à M&A.

Cet article développe un modèle opérationnel pour la due diligence commerciale, la due diligence financière et la due diligence technologique assistées par AI, abrégées CDD, FDD et TDD. Le modèle commence par l'affirmation à tester. Chaque conclusion est reliée à une source, une version, une transformation, un calcul ou un test, une exception et un réviseur. Le modèle sépare le travail génératif du calcul déterministe et des tests reproductibles. Il désigne des personnes nommément responsables pour résoudre les exceptions significatives et autoriser les conclusions.

L'article utilise certains principes du PCAOB en matière d'éléments probants d'audit comme analogie analytique pour la FDD. Les normes du PCAOB régissent les audits réalisés dans leur champ d'application ; elles ne régissent pas chaque mandat de due diligence financière. L'analogie est utile parce qu'elle distingue la quantité d'éléments probants de leur pertinence et de leur fiabilité, traite les éléments contradictoires comme des éléments probants, relie le caractère convaincant des éléments probants au risque et différencie l'interrogation du recalcul et de la réexécution [4-6]. Le programme de travail transactionnel et l'obligation contractuelle restent propres à chaque mission.

Questions de recherche

L'analyse aborde cinq questions :

1. Quelles tâches de CDD, de FDD et de TDD se prêtent à l'ingestion, à l'extraction, à la comparaison et à la rédaction assistées par AI ?
2. Quels calculs, tests, jugements et autorisations doivent rester déterministes ou contrôlés par des spécialistes ?
3. Comment une équipe de due diligence peut-elle rattacher chaque conclusion importante aux éléments probants et, en aval, relier une source modifiée aux conclusions concernées ?
4. Quels indicateurs distinguent la réduction du temps écoulé de la réduction du temps des réviseurs et de l'extension de la couverture ?
5. Quels contrôles de gouvernance, de sécurité et de droits de décision soutiennent un déploiement en production limité ?

Conclusion exécutive

Analyse Matchpoint. AI modifie plus facilement la capacité de due diligence que le seuil d'éléments probants. L'opportunité immédiate réside dans le travail en parallèle : l'ingestion contrôlée, la classification de premier passage, la comparaison à l'échelle de la population, le classement des exceptions et la rédaction avec citations peuvent fonctionner pendant que les spécialistes examinent les questions les plus importantes. L'unité opérationnelle appropriée est une assertion, non un document. Un document peut étayer plusieurs assertions et une seule assertion peut nécessiter de nombreux documents, calculs, tests et entretiens.

Analyse Matchpoint. Une mise en œuvre contrôlée comporte six volets. Premièrement, le mandat est traduit en assertions atomiques assorties d'une règle de matérialité et d'éléments probants. Deuxièmement, chaque source est enregistrée avec son identité, sa version, sa portée et son accès. Troisièmement, l'extraction et la classification créent des faits proposés traçables plutôt que des conclusions finales. Quatrièmement, des moteurs déterministes effectuent les calculs arithmétiques et des outils reproductibles réalisent les tests techniques. Cinquièmement, les exceptions sont acheminées vers un responsable selon une politique de clôture définie. Sixièmement, un réviseur autorisé signe la conclusion et le dossier de décision conserve le fondement et les limites.

Les termes « sans perdre en rigueur » décrivent un objectif de contrôle sans résultat de performance garanti. Un pilote devrait comparer le flux de travail assisté à une référence définie en utilisant la couverture des sources, la validité des citations, la fidélité des calculs, les exceptions non résolues, le temps du réviseur, le temps écoulé, les reprises et le rendement des problèmes détectés. Les allégations de qualité exigent des résultats observés issus de ce pilote. Les rendements des transactions restent hors des éléments probants disponibles pour cet article.

Adoption, efficacité et écart de mesure

Ce que les enquêtes actuelles établissent

L'étude KPMG de 2026 est directement pertinente car ses répondants étaient des décideurs seniors en transactions. L'enquête rapporte un déploiement dans la due diligence, la valorisation, le sourcing, l'exécution, l'intégration et la conformité. Elle décrit également une évolution du périmètre économique : un coût marginal d'analyse plus faible peut rendre plus réalisables l'examen élargi des contrats, le benchmarking concurrentiel et l'analyse de schémas historiques [1]. Il s'agit de données de praticiens et d'enquête. Elles étayent une hypothèse d'élargissement de la couverture. Une équipe de production doit encore mesurer la population réellement traitée, les exceptions examinées et l'exactitude obtenue.

Le chiffre d'adoption de l'enquête doit être lu à la lumière de sa méthode. Les répondants étaient au nombre de 700 ; 519 étaient des entreprises et 181 provenaient de sociétés de capital-investissement. La collecte s'est déroulée du 19 décembre 2025 au 27 janvier 2026. L'enquête couvrait 20 pays et juridictions et 10 secteurs. Les répondants avaient la responsabilité de décisions M&A ou participaient à celles-ci [1]. Le chiffre de 56 pour cent rapporté décrit donc cet échantillon et la définition que l'enquête donne du déploiement agentique d'AI. Il n'établit pas que 56 pour cent de toutes les équipes de transaction utilisent un flux de travail comparable.

Les constats d'efficacité rapportés sont utiles comme signal de marché. Ils ne constituent pas un certificat de contrôle des transactions. Le communiqué de presse indique que 59 pour cent ont déclaré un gain d'efficacité supérieur à 10 pour cent en veille concurrentielle et analyse de marché. Dix-sept pour cent ont déclaré un gain d'efficacité supérieur à 25 pour cent en modélisation de valorisation et planification de scénarios, ainsi qu'en modélisation et suivi budgétaires [2]. Les éléments divulgués ne fournissent pas de base de référence observée de manière indépendante pour chaque répondant, de définition standard du travail ni de mesure de production vérifiée ajustée de la qualité. L'article utilise donc les chiffres pour motiver la mesure, et non pour fixer des objectifs Matchpoint.

Thomson Reuters apporte une perspective plus large des services professionnels. Son enquête était en ligne, incluait 1 514 répondants dans 27 pays et filtrait les participants selon leur familiarité avec AI. La majorité des répondants venaient des États-Unis, du Royaume-Uni et du Canada. Les applications courantes comprenaient la recherche, la rédaction et le résumé [3]. Ces tâches ressemblent à certaines parties de la chaîne de production de la due diligence, notamment l'examen initial de documents et l'assemblage de rapports. Les constats sur le retour sur investissement du rapport indiquent que la mesure formelle peut être en retard sur l'usage quotidien.

Quatre formes distinctes de rapidité

Analyse Matchpoint. Les équipes de due diligence doivent distinguer quatre quantités. Le temps de traitement machine mesure le temps utilisé pour ingérer ou analyser un intrant défini. Le temps de revue enregistre l'effort humain nécessaire pour configurer, inspecter, corriger et approuver le résultat. Le temps écoulé mesure le temps calendaire entre un événement de début défini et un événement d'achèvement défini. L'extension de la couverture enregistre les sources, enregistrements ou tests supplémentaires réalisés dans un budget et un calendrier comparables.

Un flux de travail peut réduire le temps de traitement machine et augmenter le temps de revue si les résultats génèrent de nombreuses exceptions à faible valeur. Il peut réduire le temps de revue tout en laissant le temps écoulé inchangé, car les réponses de la direction ou les confirmations externes déterminent le chemin critique. Il peut préserver le temps écoulé tout en étendant la couverture de la population. Chaque résultat est économiquement différent. Un tableau de bord pilote devrait les enregistrer séparément.

Le problème de la mesure

Les conclusions de Thomson Reuters placent la question de la mesure au cœur de la mise en œuvre. Alors que seulement 18 % des répondants déclarent une collecte du ROI et que 40 % ne savent pas si elle a lieu, les statistiques d'adoption ne fournissent qu'une preuve limitée de la valeur économique [3]. Une équipe de transaction a besoin d'indicateurs liés au programme de travail lui-même. Le décompte générique des utilisations par les employés ou des jetons consommés ne permet pas d'établir la qualité de la due diligence.

Analyse Matchpoint. L'unité de mesure principale est le couple assertion-procédure. Pour chaque assertion significative, l'équipe enregistre les éléments probants attendus, les sources reçues, les procédures réalisées, les exceptions relevées, les exceptions résolues, le temps de revue en minutes, la date d'achèvement et le statut de conclusion. Les mesures agrégées du programme sont construites à partir de ces enregistrements. Cela permet à un réviseur de déterminer si un rapport plus rapide résulte d'une véritable amélioration du flux de travail, d'une réduction du périmètre ou d'un seuil probatoire plus bas.

Ce que signifie la rigueur en due diligence transactionnelle

Suffisance, pertinence et fiabilité

PCAOB AS 1105 décrit la suffisance comme la quantité d’éléments probants et le caractère approprié comme leur pertinence et leur fiabilité [4]. La norme indique également que les éléments probants comprennent les informations qui étayent et corroborent les assertions de la direction ainsi que les informations qui les contredisent. Il s’agit d’exigences d’audit relevant du périmètre du PCAOB. Analyse Matchpoint. Ces mêmes distinctions constituent une discipline utile pour la conception de la due diligence.

Un vaste data room peut être insuffisant pour une question significative. Dix versions d’une prévision de marché préparée en interne peuvent avoir une valeur probante moindre qu’un ensemble plus restreint de sources indépendantes, actuelles et appariées au périmètre. Un export de grand livre peut être complet en tant que fichier et incomplet en tant que population si des entités, des périodes ou des journaux sont omis. Une analyse de dépôt peut traiter chaque fichier et rester sans pertinence pour l’architecture de production si la révision fournie diffère du code déployé.

Analyse Matchpoint. Chaque assertion doit donc définir un seuil d’éléments probants selon quatre dimensions :

• Couverture : quelles entités, périodes, clients, produits, dépôts ou environnements entrent dans le périmètre.
• Pertinence : dans quelle mesure la source et la procédure répondent à l’assertion.
• Fiabilité : l’indépendance de la source, les contrôles, l’originalité, la traçabilité et la susceptibilité à la modification.
• Caractère récent : la date à laquelle l’élément probant est valide et l’événement qui en entraîne l’expiration.

Éléments probants pondérés par le risque

PCAOB AS 2301 associe un risque évalué plus élevé à des éléments probants plus convaincants et exige des procédures qui répondent aux assertions pertinentes [5]. Il décrit également le scepticisme professionnel comme un esprit interrogateur et une évaluation critique des éléments probants. Analyse Matchpoint. Un processus de due diligence peut adapter ce principe au moyen d’un score de risque par assertion qui encadre le niveau minimal d’éléments probants et la séniorité des réviseurs.

Les assertions à forte matérialité peuvent nécessiter une source indépendante, un recalcul déterministe, une revue par un spécialiste ou un test direct. Les assertions à moindre matérialité peuvent être clôturées avec une source interne documentée et un contrôle de plausibilité. Le score n’automatise pas le jugement. Il rend visible le niveau de travail envisagé et permet d’approuver les dérogations.

Demande d'informations, extraction, recalcul et réexécution

Une déclaration recueillie lors d'un entretien relève de la demande d'informations. Un résumé AI de cet entretien demeure une déclaration dérivée d'une demande d'informations. Il ne devient pas une corroboration par une rédaction fluide. L'AS 1105 indique que la demande d'informations à elle seule ne suffit pas à étayer une conclusion d'audit dans le périmètre de la norme [4]. Un mandat de transaction peut appliquer un seuil différent. La distinction sous-jacente reste utile.

Le recalcul vérifie l'exactitude mathématique. La réexécution exécute indépendamment des procédures ou des contrôles [4]. Analyse Matchpoint. La FDD devrait recourir à un recalcul déterministe pour les ponts et ratios significatifs. La TDD devrait utiliser des tests reproductibles lorsque l'accès et le mandat le permettent. La CDD peut recourir à une triangulation indépendante du marché, à l'analyse des données clients, aux éléments contractuels et à des entretiens auprès de différentes parties prenantes.

Le graphe de preuves

Analyse Matchpoint. Un rapport de due diligence devrait constituer une vue sur un graphe de preuves. Le graphe contient des nœuds pour les assertions, les sources, les versions des sources, les faits extraits, les transformations, les calculs, les tests, les exceptions, les conclusions et les réviseurs. Les arêtes enregistrent des relations telles que soutient, contredit, dérivé de, testé par, remplace, révisé par et clôturé par.

Cette structure prend en charge deux formes de traçabilité. La traçabilité amont part d’une phrase du rapport vers la conclusion, la procédure, le fait et la source. La traçabilité aval part d’une source modifiée ou retirée et identifie chaque fait, calcul, exception et phrase de rapport concernés. Les dossiers et notes de bas de page classiques offrent une traçabilité amont partielle. Un graphe ajoute la visibilité des dépendances.

Un modèle opérationnel unique pour trois disciplines différentes

CDD, FDD et TDD examinent différentes familles d'assertions. Ils peuvent partager un système d'ingestion, de preuves, de gestion des exceptions et de validation. Une infrastructure partagée réduit la duplication tout en préservant les périmètres professionnels.

Séquence commune

Analyse Matchpoint. La séquence commune comporte huit étapes :

1. Mandat : définir les questions de décision, le périmètre, la matérialité, les juridictions, les conditions de reliance et les exclusions.
2. Cartographie des assertions : convertir les questions en énoncés testables avec des seuils de preuve.
3. Enregistrement des sources : hacher, identifier, dater, classer et attribuer des permissions à chaque objet source.
4. Extraction contrôlée : produire des faits proposés avec les emplacements des sources et des métadonnées de niveau de confiance.
5. Analyse : exécuter des calculs déterministes, des tests reproductibles et une triangulation des sources.
6. Triage des exceptions : hiérarchiser les contradictions, les éléments de preuve manquants, les écarts et les tests échoués.
7. Examen par un spécialiste : valider les méthodes, les éléments de preuve et le jugement sous une autorité nommément désignée.
8. Registre de décision : publier la conclusion, les limites, les questions non résolues et la validation finale.

Contrôles partagés

Les contrôles partagés comprennent l’accès en fonction du rôle et de la transaction ; la séparation des espaces de travail confidentiels ; les empreintes et versions des sources ; les contrôles de perte de données ; l’inventaire approuvé des modèles et outils ; le versionnage des invites et de la configuration ; les journaux ; les jeux d’évaluation ; l’attribution des exceptions ; la conservation ; les procédures en cas d’incident ; et l’autorisation humaine. Le RMF AI du NIST fournit une structure volontaire Gouverner, Cartographier, Mesurer et Gérer pour ces travaux [7]. Le profil AI génératif du NIST identifie les risques de confabulation, d’atteinte à la vie privée, d’intégrité de l’information, de sécurité et de configuration humain-AI qui sont directement pertinents pour les travaux à forte intensité d’éléments probants [8].

Périmètres professionnels distincts

Le modèle opérationnel commun ne fusionne pas les responsabilités professionnelles. Les spécialistes commerciaux décident si les éléments de preuve du marché et des clients étayent la thèse d’investissement. Les spécialistes de la comptabilité et des services de transaction décident du traitement des résultats, de la dette, du fonds de roulement, des questions fiscales et comptables. Les spécialistes des technologies et de la cybersécurité interprètent l’architecture, la sécurité, la livraison et la dette technique. Le conseil juridique détermine le droit applicable et les conclusions juridiques. Le comité d’investissement est responsable de la décision d’investissement.

Due diligence commerciale

Familles d’assertions

Analyse Matchpoint. Les assertions commerciales concernent généralement la taille et la croissance du marché ; la définition des segments ; les besoins des clients et le changement de fournisseur ; la concentration et la fidélisation ; la différenciation des produits ; le pouvoir de fixation des prix ; la voie d’accès au marché ; la réaction concurrentielle ; l’exposition réglementaire ; et la crédibilité des prévisions commerciales. Chaque assertion exige un périmètre. Un taux de croissance sans indication de la zone géographique, de la période, du segment, de la devise et de la base nominale ou réelle constitue un élément de preuve incomplet.

AI est particulièrement adapté à l'identification des sources, à l'extraction structurée, à l'alignement des taxonomies, au codage d'entretiens, à la comparaison des termes contractuels et à la synthèse d'une première version. Il peut aligner les déclarations issues de différents rapports de marché et repérer les divergences de définitions. Il peut regrouper les thèmes des entretiens clients et relier chaque thème à la transcription sous-jacente. Il peut comparer les allégations produit aux fonctionnalités documentées et aux engagements contractuels.

Triangulation du marché

Analyse Matchpoint. Un modèle de marché doit conserver la définition et la date de chaque source. La couche AI peut faire correspondre les taxonomies des sources à la taxonomie de la transaction et signaler les catégories non appariées. La couche déterministe effectue les conversions et l'agrégation. Le spécialiste décide si une correspondance est économiquement valide.

Par exemple, une cible peut décrire son marché adressable comme des logiciels d'entreprise régionaux. Des sources externes peuvent classer les revenus par secteur, taille de client, modèle de déploiement ou zone géographique. Une synthèse générée peut masquer ces différences. Le graphe de preuves doit les préserver. La conclusion peut présenter une fourchette, un scénario ou une limitation de périmètre lorsque les définitions ne peuvent pas être conciliées.

Éléments probants relatifs aux clients et aux revenus

Les données au niveau client peuvent étayer l'analyse de la concentration, de la rétention, des cohortes, des ventes croisées et de la tarification. La couche AI peut proposer la normalisation des noms de clients, l'extraction des champs contractuels et le codage des thèmes. Les calculs déterministes doivent produire la concentration des revenus, la rétention brute et nette, les passerelles de cohortes et l'analyse prix-volume-mix selon des règles documentées.

Analyse Matchpoint. Chaque proposition de normalisation doit conserver les valeurs d'origine et la règle de correspondance. Les regroupements significatifs de clients, les partenaires de distribution, les revendeurs et les revenus de refacturation nécessitent une revue spécialisée. Un modèle qui regroupe des noms similaires peut créer une famille de clients plausible mais incorrecte. Le flux de travail doit orienter les correspondances incertaines ou à forte valeur vers une file d'exceptions.

Concurrence et réglementation

L'analyse de la concurrence est propre à chaque juridiction. Les lignes directrices de 2023 sur les fusions du DOJ et de la FTC des États-Unis fournissent un cadre officiel américain ainsi que des outils analytiques, économiques et probatoires [11]. Elles ne définissent pas l'analyse juridique de chaque transaction. Les conseils juridiques doivent déterminer les juridictions compétentes, les régimes de notification et les conclusions juridiques.

Analyse Matchpoint. AI peut aider en constituant un ensemble daté d'éléments probants sur les concurrents, en comparant les allégations relatives aux produits et aux prix et en retraçant les données d'entrée relatives aux parts de marché. Il doit indiquer la provenance des sources et préserver les éléments probants divergents. La qualification juridique et les décisions relatives au secret professionnel relèvent des conseils juridiques.

Livrables de CDD

Un livrable de CDD contrôlé comprend l'assertion, le périmètre, les éléments probants reçus, la méthode, le constat, les éléments probants contraires, la sensibilité, la limitation et le réviseur. Le rapport peut alors distinguer une observation historique vérifiée, une estimation du management, une prévision externe et un scénario Matchpoint. Cette séparation est particulièrement importante lorsque la thèse d'investissement dépend de la croissance future.

Due diligence financière

Traçabilité des données et rapprochement

La due diligence financière commence par le contrôle de la population. L'équipe doit identifier les entités, les grands livres, les périodes, les devises, les structures de comptes, les ajustements de consolidation et la relation entre les comptes de gestion, les états financiers statutaires et les tableaux de la transaction. AI peut proposer des correspondances de champs et identifier les doublons probables ou les périodes manquantes. Un processus déterministe doit compter les enregistrements, totaliser les champs de contrôle, hacher les données d'entrée et rapprocher les résultats.

PCAOB AS 2301 indique, dans le périmètre de l'audit, que les procédures substantives de fin de période comprennent le rapprochement des états financiers avec les registres comptables sous-jacents et l'examen des ajustements significatifs [5]. Analyse Matchpoint. Un programme de travaux de due diligence peut s'en inspirer comme analogie de conception : les indicateurs dérivés doivent se rattacher à la population comptable fournie et toutes les transformations significatives doivent être visibles.

Qualité des résultats

AI peut extraire les ajustements EBITDA proposés par la direction, classer les documents justificatifs et comparer les descriptions entre versions. Il peut suggérer si un élément s'apparente à un coût non récurrent, une économie en rythme de croisière, une dépense de propriétaire, un ajustement de chiffre d'affaires ou une différence de politique comptable. Le spécialiste détermine la catégorie d'ajustement, le support probant, la période, l'effet fiscal et le traitement.

Analyse Matchpoint. Le pont déterministe doit partir d'une mesure définie du résultat publié, appliquer des ajustements identifiés séparément, préserver les reprises et calculer la mesure ajustée. Chaque ajustement est relié aux éléments probants sources et au statut du réviseur. Le texte généré explique un pont calculé ; il ne calcule pas le pont.

Besoin en fonds de roulement et dette nette

Les échéanciers de besoin en fonds de roulement et de dette nette contiennent fréquemment des jugements de classification, des schémas saisonniers, des problèmes de cut-off et des questions de définition de l'opération. AI peut extraire les définitions contractuelles et proposer des correspondances de comptes. Un code déterministe ou une logique de tableur contrôlée doit calculer les soldes mensuels, les fourchettes de normalisation, la saisonnalité, les éléments assimilables à de la trésorerie ou à de la dette et les cas de sensibilité.

Le contrat d'achat et les recommandations comptables applicables régissent la définition de l'opération. Un modèle peut comparer les projets de clauses et les annexes. Les conseils juridiques et les spécialistes financiers approuvent leur interprétation. IFRS 3 établit les principes de comptabilisation et d'évaluation des actifs et passifs acquis, de l'écart d'acquisition ou du bénéfice résultant d'une acquisition à des conditions avantageuses et des informations associées lorsque la norme s'applique [14]. La comptabilité de l'opération reste distincte du modèle de due diligence.

Prévisions et conversion en trésorerie

La due diligence prévisionnelle relie les facteurs historiques aux hypothèses de la direction. AI peut faire correspondre les hypothèses narratives aux données d'entrée du modèle et signaler les descriptions incohérentes. Une analyse déterministe doit calculer la conversion historique, les ponts de facteurs, les sensibilités et les résultats de scénarios. L'équipe commerciale teste les hypothèses de demande et de prix ; l'équipe financière teste les conséquences sur la marge, le besoin en fonds de roulement, les dépenses d'investissement et la trésorerie.

Hiérarchie des éléments probants et scepticisme

Analyse Matchpoint. Une hiérarchie des éléments probants financiers peut hiérarchiser différemment, selon l'assertion, la confirmation directe d'une banque ou d'un tiers, les données de systèmes contrôlés, les contrats et factures originaux, les tableaux de la direction, les entretiens et les synthèses générées. La hiérarchie est propre à la mission. Elle doit être documentée avant la formulation des conclusions.

Les orientations du PCAOB indiquent qu'un risque plus élevé exige des éléments probants plus convaincants et qu'une simple demande d'information ne fournit pas suffisamment d'éléments probants pour les conclusions d'audit citées [4,5]. Dans un contexte de due diligence financière (FDD), la leçon pratique est de préserver la distinction entre explication et corroboration. Les commentaires de la direction peuvent expliquer un écart. Des documents sources, des calculs ou des éléments probants indépendants peuvent être nécessaires pour le clore dans le cadre du programme de travaux convenu.

Due diligence technologique et AI

Domaines d'éléments probants technologiques

Analyse Matchpoint. La TDD couvre l'architecture produit, les dépôts logiciels, le cloud et l'infrastructure, la cybersécurité, l'architecture des données, les processus d'ingénierie et de mise en production, la résilience des services, les dépendances vis-à-vis de tiers, la propriété intellectuelle, les licences, l'organisation technique et le coût à l'échelle. Lorsque la cible développe ou déploie AI, le périmètre s'étend aux modèles, aux données d'entraînement et d'évaluation, aux prompts, aux sources de récupération, aux jeux d'évaluation, aux contrôles de sécurité, à la surveillance, aux dépendances vis-à-vis des fournisseurs et à la gestion des changements de modèle.

Les éléments probants documentaires sont nécessaires et incomplets. Les schémas d’architecture décrivent la structure visée. Les exports de configuration et les éléments probants issus des dépôts montrent la structure mise en œuvre. Les tests et les journaux d’exploitation montrent le comportement observé à un moment et dans un environnement donnés. Les entretiens expliquent les décisions et les limitations connues. Le rapport doit conserver ces catégories de preuves.

Traçabilité du développement sécurisé et de la chaîne d’approvisionnement

NIST SP 800-218A complète les pratiques de développement logiciel sécurisé par des considérations propres à AI et s’adresse aux producteurs de modèles, aux producteurs de systèmes AI et aux acquéreurs [9]. Les recommandations du NCSC relatives à la sécurité de AI organisent les pratiques autour de la conception sécurisée, du développement, du déploiement, ainsi que de l’exploitation et de la maintenance. Elles traitent également de la chaîne d’approvisionnement, de la documentation, des modèles et des données, de la journalisation et de la gestion des incidents [10].

Analyse Matchpoint. Une fiche de due diligence ciblant AI doit identifier le modèle ou le service, le fournisseur, la version, l’usage prévu, les composants du système, l’état d’entraînement ou de fine-tuning, les éléments probants d’évaluation, les sources de récupération, les droits sur les données, l’environnement de déploiement, l’accès, la surveillance, les incidents et le processus de changement. Lorsque l’accès le permet, l’équipe doit relier cet inventaire aux dépôts, manifestes, fiches de modèle, nomenclatures, configurations, tests et journaux.

Tests reproductibles

AI peut proposer des cas de test, expliquer les résultats et classer les constats. Une fiche de test reproductible doit conserver la révision cible, l’environnement, la commande ou la procédure, la version de l’outil, les entrées, l’horodatage, la sortie brute, la règle de gravité et le réviseur. La reproduction peut être limitée par l’accès, la sécurité de la production, la sensibilité des données ou le temps. Le rapport doit indiquer ces contraintes.

Un constat d’un scanner de vulnérabilités n’établit pas à lui seul l’exploitabilité ou l’impact économique. Un scan propre n’établit pas l’absence de vulnérabilités. L’examen spécialisé relie le résultat observé à l’architecture, à l’exposition, aux contrôles compensatoires et à la matérialité de la transaction.

Informations à fournir sur les données, la confidentialité et la cybersécurité

Le profil Generative AI du NIST identifie les risques en matière de confidentialité et de sécurité de l’information, notamment les fuites, l’inférence et les interactions malveillantes avec les systèmes AI [8]. Les recommandations du NCSC préconisent un traitement sécurisé des modèles, des données, de l’infrastructure et des journaux [10]. Le guide actuel de conformité pour les petites entités de la SEC résume les exigences de communication des sociétés cotées américaines en matière d’incidents cyber, de gestion des risques, de stratégie et de gouvernance [15]. Sa pertinence dépend du statut de l’émetteur et de la juridiction.

Le cadre fédéral UAE relatif aux données personnelles peut être pertinent pour une transaction ou une data room UAE. La page officielle de la législation était à accès restreint pour le navigateur de recherche pendant cette étude ; le présent document ne formule donc aucune proposition juridique détaillée à partir de son texte [13]. Un conseil qualifié devrait déterminer les exigences fédérales, de zone franche, sectorielles et transfrontalières.

L’exposition à AI comme question d’investissement

La due diligence technologique inclut désormais l’exposition de la cible à AI en tant que force concurrentielle et dépendance opérationnelle. L’analyse de PwC des 100 plus grandes opérations de M&A réalisées par des entreprises en 2025 indique qu’environ un tiers ont cité AI dans leur justification stratégique [17]. Cet échantillon sélectionné ne représente pas l’ensemble du marché. Il indique que AI peut être à la fois un outil d’exécution et un objet de due diligence.

Analyse Matchpoint. La question d’investissement comporte au moins quatre volets : si AI modifie le consentement à payer des clients ; s’il réduit les barrières à l’entrée ou la différenciation ; si la cible dépend de fournisseurs concentrés de modèles ou de cloud ; et si la cible dispose des droits, des contrôles et des éléments probants pour son propre système AI. Ces questions exigent une collaboration commerciale, technique et juridique.

Architecture maîtrisée

Plan de données transactionnel

Matchpoint analyse. Le plan de données transactionnel stocke les objets sources d'origine et les dérivés enregistrés au sein d'une frontière de sécurité propre à la transaction. Chaque objet reçoit un identifiant, un hachage cryptographique, une source, une date de réception, une date de document, une entité, une période, une classe de confidentialité et une règle d'accès. Les nouvelles versions n'écrasent pas les anciennes. Le système consigne le remplacement et les conclusions concernées.

Les données sensibles à caractère personnel, client, salarié, tarifaire et technique ne devraient entrer dans les systèmes approuvés que dans le cadre du mandat et du droit applicable. Les outils grand public destinés aux consommateurs peuvent se situer hors de la frontière approuvée. La mise en œuvre doit documenter la conservation par le fournisseur de modèle, l'utilisation pour l'entraînement, la région, les sous-traitants et l'accès. Les conseillers juridiques et les responsables de la sécurité de l'information déterminent la configuration acceptable.

Ingestion et récupération

Les fichiers sont soumis à un scan, à une analyse syntaxique et à un indexage selon une liste d'autorisation. Le pipeline d'ingestion doit conserver les références de page, de cellule, d'enregistrement ou d'emplacement de code. L'extraction de tableaux nécessite une validation spécifique car la structure visuelle peut être perdue. L'injection de prompts et le contenu malveillant intégré sont traités comme des menaces d'entrée. La récupération ne renvoie que les sources autorisées pour l'utilisateur et la transaction.

Matchpoint analyse. La réponse générée doit comporter des pointeurs de preuve au niveau de l'affirmation. Une citation renvoyant à un document complet de 200 pages peut être trop grossière pour une conclusion significative. L'interface doit permettre à un réviseur d'ouvrir le passage exact, la ligne de tableau, l'entrée de calcul ou l'enregistrement de test.

Analyses déterministes

La couche déterministe effectue des calculs arithmétiques, des agrégations, des rapprochements et des analyses statistiques définies. Elle doit être soumise à un contrôle de version et testée. Les entrées et sorties conservent les hachages et les horodatages. Les calculs significatifs comportent des totaux attendus, des contrôles de caractère raisonnable et un statut de rapprochement.

Le modèle de langage peut proposer une logique de code ou de formule. Le code approuvé exécute le calcul. Un spécialiste examine la méthode et le résultat significatif. Cette frontière répond à un risque central : des explications fluides peuvent faire paraître crédible un chiffre incorrect.

Génération et approbation

La couche de génération produit des brouillons à partir de preuves autorisées et de sorties déterministes. Les prompts précisent la question, le périmètre de preuves, les citations requises, les inférences interdites et le schéma de sortie. Le modèle et la configuration sont consignés. Les déclarations non étayées, les conflits entre sources et les preuves insuffisantes doivent déclencher des exceptions.

NIST décrit la confabulation comme une sortie plausible qui peut être factuellement inexacte ou incohérente en interne et note que les citations générées peuvent être fausses [8]. Il identifie également le biais d'automatisation, où les personnes s'appuient excessivement sur les sorties automatisées. Une interface de réviseur doit donc afficher les preuves avant la finition stylistique et exiger un statut de conclusion explicite.

File des exceptions

Matchpoint analyse. Les exceptions incluent des populations sources manquantes, des rapprochements échoués, des preuves contradictoires, une extraction à faible confiance, des entités non appariées, des valeurs aberrantes significatives, des tests échoués, des sources expirées, des violations d'autorisation et des questions juridiques ou comptables non résolues. Chaque exception comporte une gravité, un responsable, une date d'échéance, un statut, un type de résolution et des preuves.

Les types de résolution autorisés sont corroboré, corrigé, retiré du périmètre, accepté, escaladé ou ouvert. Un rapport doit divulguer les exceptions significatives ouvertes ou acceptées. Supprimer une exception de l'interface ne constitue pas une résolution.

Cartographie des risques et des contrôles

Confabulation et erreur de citation

Le texte généré peut contenir des faits, des raisonnements ou des citations non étayés [8]. Les contrôles comprennent la récupération à partir d’un corpus approuvé, des citations au niveau des affirmations, l’ouverture des sources, des faits déterministes, des règles d’abstention, des jeux d’évaluation et la validation par un relecteur. Les conclusions importantes doivent échouer en mode fermé lorsque les preuves requises sont absentes.

Erreur de périmètre et de population

Un résultat apparemment complet peut reposer sur un ensemble de sources incomplet. Les contrôles comprennent des manifestes entité-période, des décomptes de sources, un rapprochement avec la population attendue, un inventaire des empreintes de fichiers, la détection des doublons et des alertes de changement. Les mesures de couverture utilisent la population attendue comme dénominateur.

Erreur numérique

Les modèles de langage peuvent mal appliquer l’arithmétique, les unités ou les périodes. Les contrôles comprennent un calcul déterministe, des vérifications de type et d’unité, des totaux de contrôle, un recalcul indépendant et une logique versionnée. Le texte du rapport cite l’enregistrement du calcul.

Vie privée, confidentialité et secret professionnel

Les salles de transaction contiennent des informations sensibles. Les contrôles comprennent l’isolement des opérations, le moindre privilège, des points de terminaison approuvés, des paramètres de conservation, une évaluation régionale et des transferts, des protocoles relatifs au secret professionnel, l’occultation lorsque cela est autorisé, des journaux et la réponse aux incidents. Les conseils juridiques déterminent le périmètre juridique.

Injection de prompt et contenu malveillant

Les documents et les sources web peuvent contenir des instructions conçues pour détourner un système AI. Les contrôles comprennent l’assainissement du contenu, la séparation des données et des instructions, des listes d’outils autorisés, des autorisations limitées, la validation des sorties et une revue humaine. Une source de récupération ne reçoit pas d’autorité d’exécution.

Changement de modèle et de fournisseur

Le comportement du modèle, les conditions du fournisseur et les composants peuvent changer. Les contrôles comprennent un inventaire, l’enregistrement des versions ou des mises en production, l’évaluation en cas de changement, des solutions de remplacement approuvées, une évaluation de la concentration et des procédures de retour arrière. Les documents du NIST et du NCSC étayent la gouvernance du cycle de vie et de la chaîne d’approvisionnement [7-10].

Dépendance excessive des humains

Le NIST identifie le biais d’automatisation comme un risque de configuration humain-AI [8]. Les contrôles comprennent la formation des relecteurs, des interfaces privilégiant les preuves, des vérifications indépendantes pour les affirmations à haut risque, une incertitude explicite et l’audit du comportement d’approbation. Les relecteurs principaux devraient être responsables de familles de conclusions définies.

Revue humaine et droits de décision

Autorité désignée

Analyse Matchpoint. Chaque assertion significative doit avoir un préparateur, un réviseur et un responsable de conclusion. Le préparateur peut exploiter le workflow AI. Le réviseur examine les preuves et la méthode. Le responsable de conclusion accepte l’affirmation pour le rapport. Les rôles peuvent être combinés pour les travaux à faible risque dans le cadre du mandat. Les conclusions à risque élevé peuvent nécessiter un réviseur indépendant ou senior.

Le scepticisme professionnel dans l’interface

Le workflow devrait rendre les contradictions visibles. Les normes PCAOB décrivent les preuves qui étayent et contredisent les assertions de la direction et associent le scepticisme professionnel à une évaluation critique [4,5]. Analyse Matchpoint. Une interface devrait afficher ensemble les preuves à l’appui, les preuves contraires, les lacunes non résolues et la fiabilité des sources. Une narration générée unique peut sinon étouffer les désaccords.

Droits de décision selon le type de résultat

Certificat de validation

Analyse Matchpoint. Le registre de publication du rapport doit identifier la version du mandat, la date d’arrêté des sources, les exceptions ouvertes significatives, les versions des modèles et des outils, les versions des calculs et des tests, les réviseurs, l’heure d’approbation et la diffusion. Si la data room change après la date d’arrêté, la traçabilité en aval identifie les conclusions à actualiser.

Conception et mesure du pilote

Situation de référence avant automatisation

Un pilote nécessite une situation de référence qui utilise la même définition du travail. L’équipe doit sélectionner un module délimité, définir sa population de sources attendue, ses procédures, ses résultats et sa matérialité, et mesurer le temps écoulé actuel et le temps de revue. Les relevés de temps historiques peuvent être incomplets ou incohérents. Lorsque la situation de référence repose sur des estimations de la direction, elle doit être étiquetée `Hypothèses de modélisation hypothétiques.` jusqu’à observation.

Pilote en mode miroir

Analyse Matchpoint. Le mode miroir exécute le flux de travail assisté par AI parallèlement au processus conventionnel autorisé. Le résultat assisté ne pilote pas le rapport en production. Les réviseurs comparent la couverture des sources, les faits, les calculs, les exceptions et les conclusions. Un jeu de référence étiqueté est nécessaire pour estimer l’exactitude et les faux négatifs.

Les premiers modules appropriés comprennent l’extraction des champs contractuels, la normalisation des noms de clients, l’inventaire de la data room, l’indexation des preuves d’ajustements récurrents ou l’inventaire des dépendances. Le module doit être suffisamment significatif pour tester les contrôles et suffisamment délimité pour être revu de manière exhaustive.

Dictionnaire de mesure

Jalons de décision

Matchpoint analyse. Un pilote n’avance que lorsque les jalons approuvés sont franchis. Le jalon 1 confirme les données et l’habilitation juridique. Le jalon 2 confirme les contrôles des sources et des calculs. Le jalon 3 confirme l’exactitude et la performance sur les exceptions par rapport au référentiel. Le jalon 4 confirme le flux de travail des réviseurs et la préparation aux incidents. Le jalon 5 autorise une mise en production contrôlée pour un module désigné. Le jalon 6 examine les éléments probants de production avant l’élargissement du périmètre.

Le pilote doit définir des conditions d’arrêt telles qu’une divulgation non autorisée, une divergence de calcul significative, des éléments probants inaccessibles, un comportement instable du modèle ou une performance inacceptable en matière de faux négatifs sur le référentiel. Les conditions d’arrêt sont des contrôles opérationnels et nécessitent une approbation locale.

Acquérir, développer en interne ou externaliser

Dimensions de décision

Le choix opérationnel dépend de la confidentialité, de la complexité des sources, de l’intégration, des méthodes personnalisées, de la capacité d’ingénierie interne, des besoins d’assurance, de la concentration des fournisseurs, de la rapidité et du coût total. Une data room commerciale ou une plateforme de due diligence peut offrir une ingestion et une collaboration matures. Un développement interne peut prendre en charge des méthodes propriétaires et l’intégration. Un prestataire de services peut associer la technologie à une revue spécialisée.

La documentation du fournisseur peut décrire des capacités. Elle n’établit pas de manière indépendante l’exactitude ni la valeur économique. La page de services de due diligence technologique de PwC est une description de praticien des domaines actuels [18]. Un acquéreur doit évaluer le produit réel, le déploiement, les contrôles, le contrat et les éléments probants au regard de son mandat.

Questions de due diligence sur les fournisseurs.

La due diligence des fournisseurs doit couvrir la conservation des données et l’utilisation à des fins d’entraînement ; la séparation des locataires et l’isolation ; le chiffrement et les clés ; l’administration des accès ; les sous-traitants ultérieurs ; les régions et les transferts ; l’inventaire des modèles et des composants ; la journalisation des invites et des sorties ; les changements de version ; l’évaluation ; l’historique des incidents ; la résilience ; la suppression ; l’export ; les droits d’audit ; la propriété intellectuelle ; la responsabilité ; et l’accompagnement à la résiliation. AI les fournisseurs qui développent des modèles doivent également être évalués au regard des pratiques pertinentes de développement sécurisé et de chaîne d’approvisionnement [9,10].

Analyse économique.

Matchpoint analyse. L’analyse économique doit comparer le coût de mise en œuvre et d’exploitation avec le temps de revue, le délai écoulé lorsqu’il est économiquement pertinent, l’extension de la couverture, les reprises évitées et le rendement en constats utiles à la décision. Le seul coût des licences sous-estime l’exigence d’exploitation. La conception des contrôles, la préparation des données, l’examen spécialisé, l’évaluation et la gestion du changement sont des coûts récurrents.

Matchpoint Feuille de route de mise en œuvre.

Phase 0 : mandat et autorité.

Définir le module de transaction, les juridictions, les classes de données, le degré de confiance accordé, la matérialité, les utilisateurs des sorties et les droits de décision. Obtenir les approbations en matière de sécurité de l’information, de confidentialité, de questions juridiques et de mission. Consigner les systèmes interdits et les actions interdites.

Phase 1 : socle des assertions et des éléments probants.

Créer la cartographie des assertions, le manifeste des sources, la taxonomie des éléments probants, les catégories d’exceptions et les rôles de validation. Établir des calculs déterministes ou des tests reproductibles pour le module sélectionné. Mesurer la base de référence conventionnelle.

Phase 2 : pilote en mode ombre

Exécutez le flux de travail assisté sans habilitation de production. Constituez un ensemble d'évaluation étiqueté à partir de sources représentatives et de cas limites connus. Revoyez chaque résultat significatif. Consignez les citations, les erreurs, les exceptions manquées, le temps de revue et les reprises.

Phase 3 : production contrôlée

Autorisez un module nommé, un groupe d'utilisateurs, un périmètre de données et une version de modèle. Maintenez les conclusions du rapport sous validation humaine. Surveillez les mesures de qualité et de sécurité. Conservez la solution de repli conventionnelle.

Phase 4 : intégration entre flux de travail

Connectez les affirmations CDD, FDD et TDD lorsque la thèse d'investissement dépend de faits partagés. Les exemples incluent la rétention client et la qualité du chiffre d'affaires ; la feuille de route produit et la croissance prévisionnelle ; l'architecture cloud et la marge brute ; la remédiation cyber et la dette nette ou l'ajustement de prix. Maintenez la responsabilité des spécialistes sur leurs conclusions.

Phase 5 : apprentissage du portefeuille

Stockez les structures de précédents dé-identifiées ou autorisées, les taxonomies d'enjeux et les cas d'évaluation sous réserve des obligations de confidentialité et contractuelles. Comparez les performances des processus entre missions à l'aide de définitions cohérentes. L'apprentissage du portefeuille ne doit pas exposer les preuves confidentielles d'une transaction à une autre.

Matchpoint Analyse de scénario

Statut du scénario

Le scénario suivant est `[Matchpoint analyse de scénario]`. Il est illustratif, non vérifié et ne décrit pas une mission Matchpoint observée. Les valeurs doivent être remplacées par une base de référence approuvée et les résultats du pilote avant toute allégation commerciale.

Module illustratif

Supposons qu'un flux de travail d'acquisition de milieu de marché reçoive 1 200 objets sources au titre des CDD, FDD et TDD. Le pilote sélectionne trois modules délimités : l'extraction des champs des contrats clients ; l'indexation des preuves relatives à l'ajustement EBITDA ; et l'inventaire des dépendances logicielles. Le programme de travail conventionnel et le seuil de signification restent fixes. Les spécialistes restent propriétaires de chaque conclusion.

Le flux de travail assisté enregistre tous les objets reçus, effectue une extraction contrôlée, relie les faits proposés à leurs emplacements sources et achemine les exceptions. Un code déterministe calcule la concentration client et les passerelles d'ajustement. Des outils approuvés produisent l'inventaire des dépendances. Les réviseurs inspectent tous les résultats à forte matérialité et un échantillon défini de résultats à moindre matérialité.

Grille d’évaluation illustrative

Règle de décision

Analyse Matchpoint. L’approbation de la production exige une qualité de preuve satisfaisante, une approbation de la sécurité de l’information, une charge de travail des évaluateurs acceptable et une réponse aux incidents testée. Un gain de temps ne supplante pas un échec à un contrôle qualité ou de sécurité. L’extension de la couverture peut justifier l’adoption même lorsque le temps écoulé reste inchangé, sous réserve d’un dossier économique approuvé.

Limites et programme de recherche

Cet article présente six limites importantes. Premièrement, les données les plus directement pertinentes sur l’adoption et l’efficacité proviennent d’enquêtes auto-déclarées. Elles n’observent pas de manière indépendante le temps de cycle des transactions, les erreurs, la qualité ou les rendements. Deuxièmement, l’échantillon Thomson Reuters couvre plusieurs professions et n’isole pas les indicateurs phares au périmètre de la due diligence de transaction. Troisièmement, l’article utilise les principes d’audit PCAOB par analogie ; un mandat de due diligence financière n’est pas un audit légal et peut avoir des objectifs, des seuils de preuve et des modalités de confiance différents.

Quatrièmement, les systèmes AI, les conditions des prestataires et les contrôles d’entreprise évoluent. Un article daté de juillet 2026 ne peut se substituer à une due diligence actuelle sur les fournisseurs et la configuration. Cinquièmement, les exigences juridiques, de confidentialité, comptables, fiscales, de concurrence et de divulgation dépendent des parties, de la structure de la transaction et de la juridiction. Cet article ne constitue pas un conseil professionnel. Sixièmement, le modèle opérationnel et le scénario Matchpoint sont des propositions analytiques. Leurs effets sur la productivité et la qualité exigent des preuves issues d’un pilote contrôlé.

Les recherches futures devraient documenter le temps ajusté selon la qualité par module de due diligence ; comparer l’extraction sur l’ensemble de la population avec l’échantillonnage par des spécialistes ; construire des référentiels d’exceptions annotées ; étudier la sur-confiance des évaluateurs et la conception de l’interface ; mesurer le coût de maintenance du graphe de preuves ; analyser les architectures de data rooms transfrontalières ; et examiner si une visibilité plus précoce des problèmes modifie le prix, la structure, les conditions ou les plans post-clôture. L’analyse des rendements par transaction nécessiterait des contrôles rigoureux des facteurs de sélection, de marché et d’exécution.

Conclusion

La due diligence assistée par AI est déjà visible dans les pratiques de marché rapportées. L’enquête de KPMG indique une adoption dans la due diligence et la valorisation, ainsi qu’une efficacité déclarée par les répondants dans les tâches analytiques [1,2]. Thomson Reuters documente une large adoption dans les services professionnels et une base déclarée bien plus restreinte de mesure formelle du ROI [3]. Cette combinaison soutient une question de mise en œuvre rigoureuse : comment concevoir et mesurer le flux de travail ?

Analyse Matchpoint. La réponse commence par des assertions et des preuves. Enregistrer la population source. Préserver la provenance et les contradictions. Utiliser AI pour l’ingestion, l’extraction, la comparaison, le tri et la rédaction contrôlés. Utiliser des systèmes déterministes pour les calculs financiers et des outils reproductibles pour les tests techniques. Acheminer l’incertitude et les échecs vers une file d’exceptions dotée d’un responsable. Affecter des spécialistes et des décideurs autorisés aux conclusions.

Le système obtenu peut être testé. La couverture des sources, la validité des citations, la fidélité des calculs, la performance des exceptions, le temps des évaluateurs, le temps écoulé, le retraitement et le rendement des constats constituent une trace mesurable. Les affirmations sur la compression des délais ou la qualité peuvent alors être étayées par le pilote désigné. Tant que ces preuves n’existent pas, elles restent des hypothèses.