Comment l’IA transforme la gestion des risques de modèles dans les banques
Les banques se fient depuis longtemps à divers modèles pour soutenir des fonctions critiques telles que l’acquisition de clients, la gestion des recouvrements, la lutte contre la criminalité financière, en particulier le blanchiment d’argent, et l’adéquation des capitaux.
Avec l’adoption continue de nouvelles technologies, allant des technologies informatiques avancées aux techniques d’apprentissage machine (ML), le rythme de développement et de déploiement des modèles a considérablement accéléré. Cette évolution rapide a entraîné une augmentation exponentielle de la taille et de la complexité des inventaires de modèles, rendant la gestion des risques de modèles — le potentiel de conséquences défavorables dues à des modèles défaillants ou mal utilisés — une priorité essentielle pour les institutions financières.
Les risques de modèles
Le risque de modèle est reconnu comme l’un des risques clés que les banques doivent gérer, soumis à une surveillance réglementaire significative. Des directives réglementaires telles que le SR 11-7 des États-Unis et le SS1/23 du Royaume-Uni imposent une gestion robuste des risques de modèles (MRM), notamment à travers le cadre des trois lignes de défense. Sous cette structure :
- La première ligne comprend le développement de modèles ;
- La deuxième ligne implique la validation et la certification indépendantes des modèles ;
- La troisième ligne assure la surveillance en vérifiant le respect des politiques et procédures dans les processus de développement et de validation.
Amélioration de la MRM grâce à l’IA
Bien qu’il soit impératif d’améliorer la MRM à travers les trois lignes de défense, cela n’est pas facile. Cependant, l’avènement de l’IA générative et des agents IA offre une opportunité d’améliorer la MRM. Ces technologies peuvent augmenter la productivité en améliorant l’efficacité de toutes les tâches liées à la gestion des risques de modèles. Elles aident également à réduire les erreurs et à renforcer la conformité en automatisant les tâches routinières, en augmentant le jugement humain et en améliorant la transparence.
En particulier, les agents IA permettent une conformité proactive grâce à des systèmes d’auto-surveillance et à une analyse continue des écarts, des changements non documentés et des violations de politiques avant que les régulateurs n’examinent et identifient ces lacunes. Cela souligne l’urgence pour les institutions financières d’adopter l’IA générative et les agents IA dans la fonction de gestion des risques de modèles.
Intégration de l’IA dans les activités clés
Pour réaliser le plein potentiel de l’IA générative et des agents IA dans la gestion des risques de modèles, les institutions financières doivent intégrer ces technologies dans le cadre des trois lignes de défense. Cela inclut des activités clés telles que :
- Développement de modèles, y compris l’identification des sources de données et la création de modèles ;
- Validation des modèles, impliquant la révision indépendante du code et de la documentation des modèles ;
- Audit et supervision, évaluant si le développement et la validation ont respecté les normes de gouvernance des modèles.
Tableau 1 : Domaines où l’IA peut aider dans le cycle de vie de la gestion des risques de modèles
Le tableau ci-dessous illustre comment l’IA générative et les agents IA peuvent contribuer à divers aspects de la gestion des risques de modèles :
- Ligne de défense – première ligne – développement de modèles : création de documents – automatiser la rédaction de documentation de modèles – impact élevé
- Ligne de défense – deuxième ligne – validation des modèles : utilisation non autorisée du modèle – identifier l’utilisation non autorisée en scannant proactivement l’inventaire des modèles – impact élevé
- Ligne de défense – troisième ligne – audit et supervision : création de documents – automatiser la rédaction de rapports d’audit – impact élevé
Adoption de l’IA à risque contrôlé
La transformation potentielle de l’IA générative et des agents IA dans les fonctions de gestion des risques de modèles est indéniable. Cependant, leur intégration doit être soigneusement gérée pour éviter l’introduction de nouveaux risques. Les institutions financières doivent adopter une approche basée sur les risques, introduisant progressivement l’IA générative dans les processus de gestion des modèles conformément à leur matériel de risque.
Pour réussir l’adoption de l’IA générative et des agents IA, les banques doivent naviguer à travers plusieurs étapes clés :
- Commencer par des modèles à faible risque : sélectionner des activités avec une exposition réglementaire ou financière limitée.
- Construire une solution d’IA générative : concevoir une solution sécurisée avec un périmètre défini.
- Évaluation humaine : s’assurer que des experts examinent et valident les résultats de l’IA générative.
- Rectifier les lacunes : documenter les erreurs et mettre en œuvre des mesures correctives.
- Expérimenter dans des domaines à faible risque : déployer des solutions pour une période définie.
- Étendre aux zones à risque moyen et élevé : élargir l’adoption une fois la stabilité prouvée.
Dans un secteur bancaire en rapide évolution, la demande de modèles de risque est en augmentation, mettant en évidence la nécessité d’accélérer les cycles de production des modèles. Les équipes de gestion des risques de modèles devront continuellement s’adapter aux changements pour répondre à la demande croissante.
Les institutions financières doivent moderniser leurs fondations de MRM, se préparant à accueillir des agents autonomes, une plus grande interconnexion des modèles et des mises à jour plus rapides, afin de gérer des portefeuilles de modèles en expansion avec cohérence, rapidité et confiance. Le moment d’agir est maintenant.