L’IA et l’exploitation massive des données transforment la cartographie, le scoring et le pilotage des risques. Les échanges ont souligné un cercle vertueux : l’IA exige des données de qualité, et elle aide en retour à les fiabiliser. Restent trois défis : ce qu’il est permis de faire, le passage à l’échelle et les compétences.

LES POINTS CLÉS

• Un cercle vertueux entre data et IA. Du machine learning aux modèles génératifs, l’IA n’est performante qu’avec des données de qualité, et elle aide en retour à les fiabiliser. En audit et contrôle, l’automatisation de la collecte (OCR sur les liasses fiscales, segmentation plus fine des dossiers) permet une revue plus exhaustive, sans dépendre du seul premier niveau.
• Des assistants au service de la fonction risques. Des assistants de recherche documentaire en langage naturel sont utilisés chaque mois par une centaine de collaborateurs. Des grilles d’analyse produisent des indicateurs d’aide à la décision avant la publication d’une politique de risque ; la consolidation de masses documentaires nourrit l’avis de la fonction risques, et l’accès à des données publiques officielles enrichit les analyses. Le jugement humain reste déterminant.
• Risque opérationnel : mieux déclarer, mieux piloter. Les incidents sont déclarés au fil de l’eau par des métiers souvent peu motivés, avec une qualité de données inégale. Un agent conversationnel aide le déclarant à décrire, reformuler et qualifier l’incident, et combat la désaffection. Autre usage : produire les supports de pilotage pour la direction générale à partir d’une base d’information considérable, automatisés à 70 % contre 30 à 40 % anticipés, indicateurs quantitatifs compris.
• Voir les réseaux plutôt que les lignes. Une même contrepartie est souvent enregistrée différemment d’un système à l’autre et cache un réseau de filiales. La résolution d’entités permet de reconstituer ces liens et de voir apparaître les risques de contagion en crédit. En gestion des tiers, elle révèle des concentrations cachées : trois prestataires apparemment distincts peuvent appartenir à un même groupe, qui pèse soudain bien plus lourd.
• Des agents IA qui agissent. Dans le financement des PME, des agents analysent l’historique des transactions bancaires pour repérer des remboursements anormaux signalant un endettement problématique, rédigent des demandes de justificatifs personnalisées, analysent les documents reçus, puis résolvent la situation ou l’escaladent vers un analyste. La différence avec l’IA générative : l’agent prend des actions.
• Gouverner les agents comme des collaborateurs. Chaque agent dispose d’une identité, d’adresses et de droits d’accès propres et d’un périmètre de compétences. Avant d’agir, il soumet une demande de décision justifiée au regard de la politique de crédit, revue par un agent indépendant fondé sur un autre modèle, avec des séquences d’escalade. La traçabilité est double : la règle appliquée, et une explication en langage courant.
• Explicabilité, équité, compétences. La priorité est la connaissance et la mise en qualité des données. Les modèles doivent être contrôlés contre les biais, y compris ceux introduits par des variables indirectes.

Les métiers évoluent vers un rôle de challenge : l’IA aide à l’analyse mais ne décide pas seule des sujets à fort impact prudentiel. Passer à l’échelle suppose de savoir ce qui est permis, d’industrialiser au-delà des tests et de lever les résistances.

• Une gouvernance des risques à 360°. Chaque nouvelle réglementation tend à ajouter un processus, au risque d’une complexité ingérable. Les participants plaident pour une analyse d’ensemble des risques, pour l’établissement comme pour ses clients, en s’appuyant sur l’expérience ancienne des banques en gestion du risque de modèle.

N’hésitez pas à nous contacter par mail à l’adresse suivante : communication@regulationpartners.com