Services financiers
Systèmes d'IA pour banques, marchés de capitaux, gestionnaires d'actifs et fintechs générant les livrables de risque de modèle, DORA et prêt équitable exigés par les régulateurs.
Le décideur des services financiers qui s'engage dans un projet d'IA en 2026 ne se demande plus s'il faut déployer des LLM. La suite LLM de JPMorgan touche déjà environ 230,000 à 250,000 collaborateurs sur près de 450 cas d'usage en production, avec un objectif de 1,000 d'ici la fin de l'année ; Goldman Sachs, Morgan Stanley, BBVA, Citi, HSBC et la plupart des banques de premier rang ont développé leurs propres solutions. La véritable question est de savoir comment faire franchir à un système d'IA en production la validation du risque de modèle, les tests d'équité de crédit (fair lending), l'examen des tiers DORA et un contrôle de supervision FINRA, tout en le maintenant opérationnel sur le terrain.
Ce que nous développons et les livrables associés
Notre approche consiste à concevoir des systèmes d'IA sur mesure pour les banques, les salles de marchés, les gestionnaires d'actifs et de patrimoine, les infrastructures de paiement et fintech, ainsi que les fonctions transversales de risque et de trésorerie — chacun dimensionné pour que les livrables exigés par les régulateurs soient générés en parallèle du système, et non greffés a posteriori lorsqu'une démonstration doit justifier ses formalités :
- Dossiers de validation de modèles conçus pour répondre au principe de « contestation effective » selon SR 11-7 et OCC 2011-12 même lorsque le modèle compte 70 billion de paramètres.
- Pipelines de rétention traitant les requêtes et réponses de LLM comme des communications professionnelles sous FINRA SEA Rule 17a-4, avec export WORM vers l'archive de conformité déjà en place dans l'établissement.
- Bancs d'essai d'équité de crédit (fair lending) capables de réussir un contrôle du CFPB relatif à l'impact disparate selon ECOA (détaillé dans notre recherche sur la crise de responsabilité du crédit équitable).
- Journaux de décision qu'un audit de gestion du changement Reg SCI peut analyser sans ambiguïté.
À quelles réglementations d'IA un système financier de 2026 doit-il satisfaire ?
Cinq régimes réglementaires s'appliquent désormais simultanément à tout déploiement en production. Nous concevons nos architectures face à cet ensemble évolutif, et non d'après un manuel de 2021.
| Régime | Date d'effet | Obligations imposées au système en production |
|---|---|---|
| DORA | 17 janvier 2025 | Traite Azure OpenAI, AWS Bedrock et Google Vertex comme des tiers TIC critiques, avec obligations de plans de sortie. |
| NYDFS 23 NYCRR Part 500 | Lignes directrices publiées le 16 octobre 2024 | Documenter les menaces d'ingénierie sociale basées sur l'IA, les risques liés aux fournisseurs et les contrôles d'accès. |
| FinCEN Alert FIN-2024-Alert004 | Novembre 2024 | Intégrer les typologies de deepfakes dans les déclarations de soupçon (SAR). |
| EU AI Act (dispositions relatives au haut risque) | Application intégrale le 2 août 2026 | Qualifie la notation de crédit et la souscription d'assurance d'IA à haut risque. |
| SEC Predictive Data Analytics rule | En cours de réexamen | A déjà bloqué plusieurs lancements d'IA destinés aux conseillers financiers. |
Comment empêcher un faux directeur financier généré par deepfake d'autoriser un virement ?
Un employé d'Arup à Hong Kong a viré environ US$25 million en février 2024 à la suite d'un appel vidéo en deepfake usurpant l'identité du directeur financier et d'autres dirigeants. Le dispositif de détection des fraudes de trésorerie en place, fondé sur les règles de NICE Actimize et une détection de vivacité de 2022, n'a rien décelé.
Notre approche consiste à intégrer une vérification d'authenticité vidéo et vocale en temps réel au flux d'approbation des virements de trésorerie, avec un filtrage déterministe sur les transferts de montants élevés — afin que le risque de deepfake ne repose pas sur la vigilance d'un analyste sous pression devant un écran Zoom (détaillé dans notre recherche sur l'incident de deepfake chez Arup).
Peut-on valider un LLM de 70 billion de paramètres sous SR 11-7 ?
Le principe de « contestation effective » selon SR 11-7 suppose qu'un évaluateur puisse scruter le fonctionnement interne du modèle ; or, un LLM de 70 billion de paramètres invalide cette hypothèse dès sa conception. Les banques y répondent de trois manières incompatibles, dont aucune ne satisfait pleinement à un examen réglementaire :
- Elles freinent les déploiements.
- Elles intensifient les recrutements MRM de validateurs formés au ML — un marché incapable de fournir les volumes requis.
- Elles s'en remettent discrètement aux déclarations des éditeurs.
Notre approche fait de la couche de contraintes déterministes — adossée à un graphe de connaissances ancré dans le domaine — le composant validé, produisant des parcours de décision qu'un vérificateur peut auditer directement, sans avoir à analyser les poids des tenseurs.
Le modèle génératif opère en arrière-plan de cette couche en tant qu'entrée bornée et non décisionnelle — contraint dans ses actions, surveillé en continu et testé sur ses résultats par le banc d'évaluation — au lieu d'être traité comme un modèle validé en soi. Le corpus documentaire (inventaire, lignage des données, banc d'évaluation, suivi de performance) est produit dans le format que les équipes MRM utilisent déjà pour les modèles classiques, garantissant la parfaite lisibilité des preuves lors d'un audit de contestation effective mené par les régulateurs.
Chaque segment repose sur une colonne vertébrale réglementaire distincte
Les marchés de capitaux, la gestion d'actifs et la banque de détail partagent la même problématique architecturale mais reposent chacun sur un cadre réglementaire propre ; nous concevons donc nos systèmes pour cette colonne vertébrale spécifique, sans recourir à un modèle générique « d'IA pour services financiers ». Identifiez votre périmètre et l'obligation que la solution doit respecter :
| Déploiement / Périmètre | Régime applicable & exigences à respecter |
|---|---|
| Agent de synthèse de recherche (sell-side) | Doit respecter les règles de MAR relatives aux barrières à l'information. |
| Déploiement de trading algorithmique | Doit prouver la gestion du changement selon Reg SCI — la perte de $440 million subie par Knight Capital en 45 minutes en 2012 reste citée dans chaque échange sur la gouvernance algorithmique. |
| Copilote pour conseiller en gestion de patrimoine | Doit s'inscrire dans le cadre de Reg BI et des directives éthiques du CFA Institute, sous le contrôle global de la SEC Predictive Data Analytics rule. |
| Agent d'IA agissant pour le compte d'un client particulier | Reg E : la responsabilité et l'exposition fiduciaire doivent être définies avant le déploiement, et non après une réclamation. |
| Modèle de souscription | Doit réussir les tests du CFPB sous ECOA relatifs à l'impact disparate. |
| Système KYC | Doit détecter les documents d'identité synthétisés par IA générative aux volumes réels d'onboarding. |
| Modernisation du core banking | La réécriture d'une logique COBOL vieille de quarante ans ne doit pas altérer le comportement des règlements par lots lors de la migration — voir une démonstration concrète de modernisation de COBOL hérité. |
| Déploiement préservant la confidentialité | Peut nécessiter un apprentissage fédéré, une confidentialité différentielle ou un chiffrement homomorphe plutôt qu'un LLM cloud brut. |
| Système anti-fraude en temps réel | À la latence des rails de paiement ISO 20022 , requiert un scoring déterministe en amont de tout signal issu d'un LLM. |
En quoi cette approche diffère des plateformes, des Big 4 et des fournisseurs de solutions ponctuelles
Chaque catégorie de fournisseur résout une partie du problème ; aucune n'assemble l'intégralité de la chaîne technologique. Cet assemblage constitue notre cœur d'expertise — la différence entre un système dimensionné pour franchir un comité des risques et un projet qui reste confiné dans un bac à sable.
| Fournisseur | Ce qu'ils vendent | La lacune |
|---|---|---|
| Fournisseurs de plateformes | Un copilote horizontal | Non conçu selon la structure réglementaire spécifique des activités de services financiers |
| Cabinets d'audit Big 4 | Présentations méthodologiques et renfort d'équipes | Conception de gouvernance, mais pas l'ingénierie système déterministe qui rend un modèle défendable face aux régulateurs |
| Fournisseurs spécialisés d'IA financière (Kensho, NICE Actimize, Featurespace, ComplyAdvantage, Feedzai, Zest AI, Upstart) | Un seul domaine bien traité | Aucun n'intègre l'ensemble de la chaîne à travers tous les domaines |
L'architecture complète comprend l'ontologie de domaine, l'extraction de données ancrée avec traçabilité, l'application stricte de contraintes déterministes, des contrôles humains en boucle face aux risques fiduciaires ou de protection des consommateurs, des journaux de décision opposables aux régulateurs, une évaluation continue et une conception protégée contre la concentration de tiers.
Points clés à retenir
- L'adoption est actée — la véritable question est de réussir la validation de modèle SR 11-7 , les tests d'équité de crédit, l'audit DORA et la supervision FINRA, tout en restant pleinement opérationnel.
- Chaque projet est dimensionné pour livrer les artefacts attendus par les régulateurs — dossiers de validation SR 11-7 / OCC 2011-12, archivage WORM FINRA 17a-4, bancs de test de prêt équitable CFPB et journaux de décision Reg SCI.
- La couche de contraintes déterministes adossée à un graphe de connaissances métier constitue le composant validé — elle encadre un LLM de 70 billion de paramètres comme une entrée contrôlée et non décisionnelle, de sorte que les preuves auditées par un vérificateur ne dépendent jamais de la lecture des poids de tenseurs.
- Notre approche consiste à bâtir selon le cadre réglementaire propre à chaque secteur, en intégrant toute la chaîne technologique que les plateformes, les Big 4 et les éditeurs spécialisés laissent fragmentée.
Services financiers
RegarderIA de conformité du trading algorithmique | Veriprajna
Les régulateurs n'acceptent plus les journaux d'ordres comme preuve d'audit. Après que le krach éclair d'août 2024 a effacé 1 000 milliards de dollars de valeur et que Citigroup a payé 92 millions de dollars d'amendes pour une seule défaillance algorithmique, la question est passée de « disposez-vous de contrôles ? » à « pouvez-vous reconstituer chaque décision prise par votre algorithme ?
RegarderValidation de l'IA d'entreprise pour les secteurs réglementés | Veriprajna
Klarna a remplacé 700 agents du service client par de l'IA. Les coûts ont chuté de 40 %. Puis la satisfaction s'est effondrée, les contacts répétés ont explosé, et le premier trimestre 2025 s'est soldé par une perte nette de 99 millions de dollars.
RegarderDétection des deepfakes en entreprise & prévention de la fraude aux appels vidéo | Veriprajna
En février 2024, des attaquants ont utilisé des deepfakes générés par IA de toute une équipe dirigeante pour dérober 25,6 millions de dollars à Arup lors d'un seul appel vidéo. Depuis janvier 2026, les polices d'assurance cyber standard excluent explicitement la fraude par deepfake.
RegarderVérification formelle de la conformité financière pour les banques | Veriprajna
Apple et Goldman Sachs disposaient de milliers d'ingénieurs, de milliards de revenus et d'un flux de résolution des litiges qui faisait silencieusement disparaître des dizaines de milliers de notifications d'erreur de facturation valides dans un vide technique. Le CFPB l'a découvert. Ils ont payé 89 millions de dollars.
RegarderModernisation du COBOL hérité grâce à l'intelligence du graphe de connaissances | Veriprajna
70 à 80 % des projets de modernisation de mainframe échouent. Non pas parce que la technologie est mauvaise, mais parce que les outils traitent le code comme du texte plutôt que comme une topologie. Nous construisons la carte de votre base de code avant de toucher la moindre ligne, afin que votre migration réussisse là où d'autres ont englouti des millions sans rien livrer.
RegarderVérification de conformité fiscale par IA | Veriprajna
Thomson Reuters "Ready to Review" prépare automatiquement les déclarations 1040. CCH Axcess Expert AI rédige des analyses de conseil dans 10 000 cabinets. Blue J répond aux questions de recherche fiscale avec un taux de désaccord inférieur à 1 sur 700.
Questions fréquentes
Pouvons-nous déployer un LLM au sein d'un flux de souscription ou de risque sans échouer à la validation de modèle SR 11-7 ?
Oui, mais le dossier de validation doit être conçu dès le départ au niveau architectural. Nous intégrons le LLM dans une couche de contraintes déterministes adossée à un graphe de connaissances métier, produisons des parcours décisionnels qu'un vérificateur peut auditer sans lire les poids des tenseurs, et générons l'ensemble documentaire SR 11-7 et OCC 2011-12 (inventaire de modèles, traçabilité des données, banc d'essai, surveillance des performances, preuves de contestation effective) dans le format exact déjà utilisé par votre équipe MRM pour les modèles classiques. Tenter d'adapter ces éléments a posteriori après un examen transversal aboutit presque toujours à un échec.
Que signifie DORA pour une banque utilisant Azure OpenAI, AWS Bedrock ou Google Vertex comme infrastructure d'IA principale ?
DORA est entré en vigueur le 17 janvier 2025 et qualifie les fournisseurs d'IA cloud de tiers TIC critiques. Cela déclenche trois obligations majeures : un registre d'informations recensant le fournisseur, un plan de sortie concret exécutable sans perturbation opérationnelle substantielle, et une analyse de la concentration des tiers. Nous concevons des architectures assurant la portabilité de la couche de raisonnement, du moteur d'extraction et des journaux de décision entre au moins deux fournisseurs, faisant du plan de sortie un protocole opérationnel éprouvé plutôt qu'une simple présentation.
Comment détecter les appels vidéo deepfake de directeurs financiers avant l'émission d'un virement de trésorerie ?
La fraude par deepfake de US$25 million subie par Arup Hong Kong en février 2024 a démontré que la détection de vivacité de 2022 combinée aux contrôles de trésorerie traditionnels par règles ne suffit plus. Nous intégrons une vérification en temps réel de l'authenticité vidéo et vocale au circuit d'approbation des virements, couplée à un filtrage déterministe sur les transactions de montants élevés : tout virement dépassant un seuil dynamique requiert une validation hors bande sur un canal infalsifiable par l'attaquant. L'objectif est d'éviter de faire reposer la détection de deepfake sur un analyste sous pression devant une mosaïque Zoom.
Qu'exige concrètement l'échéance d'août 2026 de la Loi sur l'IA de l'UE pour la notation de crédit et la souscription d'assurance ?
À compter du 2 août 2026, les systèmes de notation de crédit et de tarification des risques d'assurance sont classés comme IA à haut risque en vertu de la loi. Les fournisseurs et déployeurs doivent maintenir un système de gestion de la qualité, une documentation technique, une journalisation avec traçabilité, une surveillance humaine et un suivi après commercialisation. Pour les banques, la contrainte la plus lourde réside dans l'articulation avec les cadres existants (ECOA, RGPD, crédit à la consommation) : un système unique doit satisfaire à toutes ces exigences simultanément. Nos solutions produisent un corpus documentaire unifié plutôt que quatre démarches parallèles.
Comment gérer l'archivage obligatoire FINRA SEA Rule 17a-4 pour les requêtes et réponses de LLM chez un courtier-négociateur ?
Toute interaction avec un LLM chez un courtier-négociateur constitue une communication professionnelle et doit être conservée sous format non réinscriptible et non effaçable (WORM), avec examen de surveillance selon la règle FINRA 3110. La plupart des fournisseurs SaaS de LLM n'exportent pas nativement sous un format prêt pour le WORM. Nous bâtissons un pipeline de rétention et de supervision qui capture la requête, l'instruction système, le contexte extrait, la réponse du modèle et sa finalité, l'exporte vers Smarsh, Global Relay ou l'archive existante de l'établissement, et génère la file d'attente d'examen attendue par votre équipe de conformité.
Comment réaliser des tests d'impact disparate de niveau CFPB sur un signal de souscription assisté par GenAI ?
Le CFPB et l'OCC exigent que chaque paramètre décisionnel, y compris les variables générées par LLM, soit testé pour l'impact disparate selon l'ECOA et la FHA sur l'ensemble des catégories protégées. Nous construisons un banc d'essai d'équité de crédit qui traite la sortie du LLM comme une variable explicative, calcule les ratios d'impact négatif et les écarts moyens standardisés, détecte les variables de substitution corrélées à des attributs protégés, et formule une justification écrite pour tout écart constaté assortie de mesures d'atténuation. Cela doit constituer un test périodique récurrent, et non un simple livrable ponctuel.
En quoi cela diffère-t-il des offres de Microsoft, Salesforce ou des cabinets d'audit Big 4 ?
Les fournisseurs de plateformes vendent des copilotes horizontaux et des frameworks d'agents ; ils ne fournissent ni documentation SR 11-7, ni export WORM FINRA 17a-4, ni modèles de plan de sortie DORA, ni bancs d'essai de prêt équitable CFPB. Les cabinets du Big 4 vendent des méthodologies de gouvernance et du renfort de personnel, excellents sur les présentations et la conception de modèles opérationnels, mais moins armés pour l'ingénierie système déterministe qui rend un modèle défendable. Les éditeurs spécialisés d'IA financière ne couvrent chacun qu'un domaine précis : fraude, trading ou LCB-FT. Nous intégrons l'ensemble de la chaîne technologique dans un système conçu pour franchir les comités de risques plutôt que de s'enliser en phase pilote. Nous sommes neutres sur la couche des modèles de base et extrêmement rigoureux sur l'ensemble de l'architecture périphérique.
Développez votre IA en toute confiance.
Collaborez avec une équipe forte d'une solide expérience dans la conception de la prochaine génération d'IA d'entreprise. Nous vous aidons à concevoir, développer et déployer une stratégie d'IA digne de confiance.
Veriprajna société de conseil en Deep Tech est spécialisée dans la conception de systèmes d'IA critiques pour la sûreté destinés aux secteurs de la santé, de la finance et de la réglementation. Nos architectures sont validées au regard de protocoles établis et accompagnées d'une documentation de conformité complète.