0 cumulative citations
View corpus contextAccounting firms have made formal EDI commitments, but entrenched informal practices continue to exclude under‑represented staff and drive turnover; adopting AI tools for hiring or promotion without correcting biased historical data risks automating and amplifying those exclusions.
Rethinking the “Ideal” Auditor: The Underestimated Role of Equity, Diversity, and Inclusion in Recruitment and Retention at Accounting Firms
openalex
review_meta
medium evidence
7/10 relevance
Summary only
summary available; pdf_status=paywall
DOI
Source
PDF
A literature synthesis finds that accounting firms have expanded formal EDI initiatives but persistent informal recruitment, evaluation and promotion practices—centered on an unstated ‘ideal auditor’—exclude underrepresented groups and risk losing talent, and that deploying AI in HR without corrective measures could amplify these biases.
Citation observations
Cumulative provider counts captured on specific dates; providers are never combined.
0 cumulative citations
View corpus contextRÉSUMÉ Tant au Canada qu'à l'international, les cabinets comptables éprouvent des difficultés à recruter et à retenir leur personnel. Un facteur moins souvent mis de l'avant, mais susceptible d'expliquer ces enjeux et de contribuer à leur résolution, concerne l'intégration des considérations liées à l'équité, à la diversité et à l'inclusion (EDI) dans les processus organisationnels des cabinets. La profession comptable, de manière générale, et les cabinets comptables, plus particulièrement, ont pourtant réalisé des progrès notables en matière d'EDI, soutenus par le déploiement de nombreuses initiatives et par des investissements importants. Toutefois, alors que les cabinets comptables cherchent à recruter, socialiser et promouvoir les professionnels jugés les plus performants—soit les auditeurs « idéaux »—, leurs processus organisationnels conduisent encore trop souvent à la perte de talents qualifiés. En nous appuyant sur la littérature académique, nous montrons que, sans avoir nécessairement été conçues dans une optique discriminatoire, certaines pratiques demeurent peu inclusives et entravent l'accès, la progression et la rétention de plusieurs groupes sous‐représentés au sein de la profession. Nous analysons les mécanismes et les biais qui contribuent à ces dynamiques et proposons plusieurs pistes visant à réduire les biais dans les processus organisationnels et à promouvoir une plus grande équité, diversité et inclusion au sein des cabinets comptables.
Summary
Main Finding
Les cabinets comptables ont fait des progrès en matière d'équité, diversité et inclusion (EDI), mais leurs processus organisationnels — conçus pour identifier et promouvoir des « auditeurs idéaux » — restent souvent peu inclusifs et entraînent la perte de talents issus de groupes sous‑représentés. Ces pratiques, même non intentionnellement discriminatoires, reproduisent des biais et freinent le recrutement, la progression et la rétention.
Key Points
- Progrès formels : de nombreuses initiatives et investissements en EDI ont été déployés au sein de la profession comptable.
- Dysfonctionnements persistants : malgré les politiques, les pratiques de recrutement, d'évaluation, de socialisation et de promotion continuent d'exclure ou d'éroder la progression de certains groupes.
- Mécanismes identifiés :
- Construction d’un « auditeur idéal » fondée sur des normes culturelles et non‑objectives.
- Critères d’évaluation informels et subjectifs favorisant les profils socioculturellement proches des décideurs (biais d’affinité).
- Réseaux, parrainage et socialisation qui reproduisent des cliques et limitent l’accès aux opportunités.
- Processus de promotion peu transparents et insuffisamment évalués pour les disparités.
- Normes de travail rigides (horaires, mobilité) qui pénalisent des profils divers (parents, personnes en situation de handicap, minorités).
- Conséquences : perte de talents, coût de rotation élevé, appauvrissement de la diversité cognitive et potentielle baisse de performance organisationnelle.
- Recommandations pratiques : recrutement structuré (p. ex. entretiens standardisés, anonymisation des CV), métriques EDI publiques et suivies, formations ciblées, mentorat/parrainage formalisé, révision des critères de performance, politiques de travail flexible, audits réguliers des pratiques RH.
Data & Methods
- Approche : synthèse et analyse de la littérature académique sur la profession comptable, les pratiques organisationnelles et les dynamiques d’EDI.
- Type de preuves : études empiriques existantes (quantitatives et qualitatives), revues conceptuelles et recherches en sciences sociales sur les biais organisationnels et la gestion des talents.
- Limites méthodologiques : absence d’étude empirique nouvelle dans le texte — conclusions tirées d’une revue et d’un raisonnement intégratif ; hétérogénéité des contextes nationaux et des tailles de cabinets limite la généralisation automatique.
- Pistes méthodologiques futures proposées : analyses administratives des flux de recrutement et d’attrition, expérimentations sur les procédures de sélection (randomisation de treatments), études longitudinales sur l’impact des réformes EDI.
Implications for AI Economics
- Risque d’amplification algorithmique : si les cabinets adoptent des outils d’IA pour le recrutement, l’évaluation ou la promotion sans corriger les biais des données historiques, l’IA peut reproduire/amplifier les exclusions (biais d’entraînement, proxies corrélés).
- Effets sur l’offre de travail et la productivité : une moindre diversité peut réduire la performance collective et l’innovation, affectant la productivité des cabinets et la demande de compétences complémentaires à l’IA.
- Conception d’outils d’embauche algorithmique : nécessité d’intégrer contraintes d’équité (fairness), audits périodiques et métriques d’impact distributif dans les systèmes d’aide à la décision.
- Modélisation économique : utile d’intégrer des coûts de rotation, externalités de diversité et frictions de recrutement dans les modèles d’équilibre du marché du travail professionnel ; cela affectera l’évaluation économique de l’automatisation et des politiques d’incitation.
- Politique et régulation : justifie des règles sur la transparence des algorithmes RH, des exigences de reporting EDI et des évaluations d’impact pour tout déploiement d’IA dans les processus organisationnels.
- Recherches recommandées pour économistes de l’IA :
- Estimer l’effet causal des pratiques EDI (et des outils d’IA RH) sur l’embauche, la rétention et la performance.
- Évaluer comment la complémentarité entre travailleurs diversifiés et outils d’IA influence productivité et qualité du travail.
- Concevoir et tester interventions algorithmiques qui réduisent les biais tout en maintenant l’efficacité de sélection.
Si vous voulez, je peux : 1) traduire cette synthèse en anglais ; 2) proposer un plan de recherche empirique (données, identification, tests) pour quantifier ces effets ; ou 3) développer une checklist opérationnelle pour déployer des outils d’IA RH équitables dans un cabinet comptable. Which option do you prefer?
Assessment
Paper Typereview_meta
Evidence Strengthmedium — The document is an integrative literature review that draws on existing quantitative and qualitative studies and conceptual work; it synthesizes consistent patterns (e.g., affinity bias, opaque promotion criteria) but presents no new causal identification or primary data, and the underlying studies are heterogeneous across contexts.
Methods Rigormedium — The approach is a narrative synthesis of prior empirical and conceptual literature rather than a systematic review or meta-analysis; strengths include integrating multiple evidence types and clear linkage to mechanisms, while weaknesses include no described systematic search, no new empirical tests, and heterogeneity of source designs that limit causal claims.
SampleNo original sample; synthesis of existing academic literature on the accounting profession, organizational practices, and EDI including quantitative and qualitative empirical studies, conceptual reviews, and social-science research on organizational bias and talent management.
Themeslabor_markets human_ai_collab adoption
GeneralizabilityFindings aggregate heterogeneous studies across different national and regulatory contexts; effects may vary by country and labor market institutions, Variation in firm size and business model (Big Four vs. small firms) limits applicability to all accounting firms, Conclusions are based on secondary literature and may reflect publication bias or gaps in available studies, No primary causal estimates—translating mechanisms to causal magnitudes in other settings requires new empirical work, Implications for AI depend on the extent and form of AI adoption, which varies across firms and over time
Claims (10)
| Claim | Direction | Outcome | Confidence & Evidence | Details |
|---|---|---|---|---|
| Les cabinets comptables ont déployé de nombreuses initiatives et réalisé des investissements formels en matière d’équité, diversité et inclusion (EDI). Adoption Rate | positive | Adoption d’initiatives et de politiques EDI |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Les politiques EDI formelles ne suffisent pas à empêcher les pratiques de recrutement, d’évaluation, de socialisation et de promotion de continuer à exclure ou à freiner la progression de certains groupes sous-représentés. Inequality | negative | Inclusion organisationnelle et progression professionnelle des groupes sous-représentés |
Reading fidelity
high
Study strength
medium
|
not reported
|
| La construction d’un « auditeur idéal » à partir de normes culturelles et non objectives contribue à reproduire des biais dans les processus organisationnels des cabinets comptables. Hiring | negative | Biais dans l’identification et la sélection des profils professionnels |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Les critères d’évaluation informels et subjectifs favorisent les personnes socioculturellement proches des décideurs, notamment par biais d’affinité. Inequality | negative | Équité des évaluations et des décisions de progression professionnelle |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Les réseaux, le parrainage et la socialisation peuvent reproduire des cliques et limiter l’accès de certains travailleurs aux opportunités professionnelles. Inequality | negative | Accès aux opportunités de carrière, au parrainage et aux réseaux professionnels |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Les normes de travail rigides, notamment concernant les horaires et la mobilité, pénalisent certains profils divers, dont les parents, les personnes en situation de handicap et les minorités. Turnover | negative | Rétention et progression professionnelle de travailleurs issus de groupes divers |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Les pratiques organisationnelles non inclusives peuvent entraîner une perte de talents issus de groupes sous-représentés et accroître les coûts de rotation. Turnover | negative | Rétention des employés et rotation du personnel |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Une moindre diversité peut réduire la performance collective et l’innovation des cabinets, avec des effets potentiels sur leur productivité. Firm Productivity | negative | Performance collective, innovation et productivité des cabinets |
Reading fidelity
high
Study strength
low
|
not reported
|
| L’adoption d’outils d’IA pour le recrutement, l’évaluation ou la promotion, lorsqu’elle s’appuie sur des données historiques biaisées, peut reproduire ou amplifier les exclusions existantes. Ai Safety And Ethics | negative | Équité des décisions algorithmiques de recrutement, d’évaluation et de promotion |
Reading fidelity
high
Study strength
speculative
|
not reported
|
| Des procédures de recrutement structurées, telles que les entretiens standardisés et l’anonymisation des CV, sont proposées comme moyens de réduire les biais de sélection. Hiring | positive | Équité et cohérence des décisions de recrutement |
Reading fidelity
high
Study strength
low
|
not reported
|