La gouvernance des données, clé du passage à l'IA agentique dans le secteur financier
L'IA agentique révèle la maturité des architectures de données du secteur financier. À l'heure des décisions autonomes, gouvernance, traçabilité et fiabilité des données deviennent essentielles.
L’IA a été adoptée avec enthousiasme dans de nombreux secteurs, mais la récente révélation d’Anthropic, dont les modèles ont accédé sans autorisation aux systèmes informatiques de trois organisations, agit comme un électrochoc. Aujourd’hui, les entreprises courent le risque de déployer l’IA dans des environnements de données qui ne sont pas pleinement prêts à prendre en charge ses capacités. Les institutions financières gèrent de grandes quantités de données sensibles réparties entre différents environnements et systèmes centraux critiques, certains conçus il y a plusieurs décennies.
Face aux exigences des régulateurs français et européens (ACPR, DORA), la ruée vers l’innovation se heurte à des facteurs de risque accrus et à des angles morts au sein de systèmes d’entreprise complexes, non conçus pour les technologies de nouvelle génération. Sans faire de la gouvernance une priorité absolue, les institutions se condamnent à l’aveuglement. Elles se retrouvent en effet incapables de cartographier leurs données, d’en expliquer la provenance, d’en libérer toute la valeur ou d’atteindre le niveau de préparation nécessaire à un déploiement sécurisé de l’IA.
Le piège d'une gouvernance obsolète
La gouvernance des données ne réside plus dans une simple liste de règles passives. Elle exige de définir et d’améliorer en continu les politiques, processus, règles et rôles qui régissent le cycle de vie, la sécurité et l’utilisation des données au sein d’une organisation.
Dans le secteur financier, les données constituent un actif stratégique majeur pour prédire le risque, détecter la fraude, automatiser le service client ou le credit scoring via l’IA. Toutefois, sans politiques de gouvernance modernisées, les institutions financières ne peuvent garantir la fiabilité des données qui sous-tendent les analyses et les décisions fondées sur l’IA, augmentant ainsi fortement les risques associés.
Ce constat dépasse le cadre de la finance. Si l’intégration de l'IA est sur toutes les feuilles de route, la majorité des responsables informatiques doutent de la capacité de leurs infrastructures à absorber ces charges de travail. Ceci principalement en raison d’un manque de visibilité sur la circulation réelle des données.
Les données cloisonnées, non structurées et non vérifiées compliquent la modernisation informatique. Face à cette réalité, les institutions financières font face à une pression croissante pour refondre leur socle technologique et déployer des pipelines de données gouvernés de bout en bout, garantissant conformité, auditabilité et sécurité. Mettre des données propres et fiables à disposition de l’IA dans toute l’entreprise est désormais une priorité. Sans cela, une faible visibilité, des données de mauvaise qualité et une supervision inadéquate peuvent rapidement transformer les initiatives d’IA du statut d’atout concurrentiel en un risque de conformité particulièrement coûteux.
La fin du droit à l’erreur avec l’IA agentique
Contrairement aux simples modèles d’IA générative conçus pour produire du contenu textuel en réponse à des consignes, les agents d’IA agissent de manière autonome à partir de données auxquelles ils ont accès. Si la plupart fonctionnent aujourd’hui sous une supervision humaine, une étude d’IBM indique que d’ici 2027, 57 % des dirigeants s’attendent à ce qu’ils prennent des décisions autonomes au sein des processus et des flux de travail.
Dans cet environnement hautement réglementé, le secteur financier ne laisse guère de place à l’erreur. Des réglementations telles que le RGPD, le règlement DORA et l’IA Act exigent une traçabilité totale et l’explicabilité de chaque décision. Déployer des agents d’IA autonomes sans une gouvernance solide accroît alors les risques d’accès non autorisé aux données, d’octroi indu de prêts ou d’erreurs dans les déclarations fiscales. Autant de failles découlant d’un manque de contrôle qui peuvent entraîner des conclusions d’audit erronées, des sanctions réglementaires lourdes et des dommages réputationnels.
Cette pression réglementaire ne cesse de croître. À l’échelle internationale, 157 nouveaux textes relatifs à l’usage de l’IA sont entrés en vigueur en seulement un an dans le secteur financier, une tendance appelée à s’intensifier. Pour les institutions financières, cela implique de réévaluer les modalités et les lieux de stockage, de traitement et d’analyse des données. En l’absence de cadre rigoureux, l’IA devient un facteur de risque, exposant des informations sensibles ou générant des hallucinations fondées sur des données obsolètes.
Unifier, intégrer et auditer pour une gouvernance efficace de l’IA agentique
Face à ces exigences, le secteur financier doit impérativement basculer vers des cadres d’architecture de nouvelle génération pour garantir des flux de données sécurisés, conformes et d’une qualité suffisante pour soutenir la prise de décision. Cela nécessite de privilégier une fondation de données unifiée, reliant en temps réel les mainframes, avec le cloud et les systèmes distribués. Cette mesure accélère l’ensemble des processus en fournissant un socle de données fiable, cohérent et gouverné tout au long des interactions agentiques.
Pour y parvenir, la gouvernance doit être intégrée dès la conception de l’architecture, "by design", afin d’en assurer la conformité, l’efficacité et, in fine, le retour sur investissement. Comme l’avertit Gartner, d’ici 2027, 60 % des organisations ne parviendront pas à concrétiser la valeur escomptée de leurs cas d’usage de l’IA en raison de cadres de gouvernance incohérents. Le signal est clair : sans fondements solides, les investissements du secteur dans l’IA ne seront pas à la hauteur des attentes.
Les contrôles et les règles d’accès doivent être automatisés directement au niveau des pipelines de données et des plateformes pour garantir la traçabilité et la journalisation des audits. Les institutions doivent être en mesure de démontrer quelles données sont accessibles à l’IA, où elles sont stockées, et comment les résultats peuvent être expliqués ou annulés.
Un tel cadre de gouvernance complet crée un environnement stable au sein duquel la qualité des données et la supervision évoluent en corrélation, offrant la visibilité nécessaire à une prise de décision autonome et sécurisée. L’IA peut alors opérer dans un environnement de confiance et exécuter des tâches complexes avec la rigueur et la cohérence attendues dans les systèmes critiques. Les institutions qui investissent dans ces fondations seront les mieux placées pour déployer l’IA à grande échelle de manière responsable, s’adapter aux évolutions réglementaires et préserver la confiance des parties prenantes et des clients.
En somme, l’IA agentique apparaît comme le révélateur de la maturité des architectures de données dans le secteur financier. Tenter d’accélérer vers l’autonomie sans avoir préalablement structuré et solidifié son socle de données revient à bâtir un système sur des fondations mouvantes. Pour les décideurs, le défi ne réside plus dans le choix des modèles, mais dans la capacité à orchestrer un écosystème d'information unifié, transparent et gouverné de bout en bout. Demain, les agents d'IA prendront des décisions seuls sur des processus clés. Dans ce contexte, la gouvernance des données n'est plus une simple contrainte imposée par les régulateurs, mais le levier stratégique pour innover en toute sécurité et garder une longueur d'avance.