Nous utilisons des cookies sur ce site
Nous utilisons des cookies pour améliorer votre expérience, analyser notre trafic et personnaliser certains contenus. Vous pouvez accepter tous les cookies ou gérer vos préférences.
Gouvernance des modèles IA en finance : ce que les équipes font bien et ce qu'elles négligent systématiquement
Gouvernance
18 novembre 2026
by Équipe gouvernance
Sans versionnage structuré, la reproductibilité des décisions passées est compromise à chaque réentraînement.
D'abord, le versionnage. C'est la dimension la mieux couverte en apparence et la plus mal implémentée en pratique. Les équipes versionent le code du modèle. Elles oublient souvent de versionner les données d'entraînement avec la même rigueur, les paramètres d'environnement d'exécution, les bibliothèques de dépendances avec leurs versions exactes, et les règles métier qui ont été appliquées en aval du modèle pour transformer un score en décision finale. Chacun de ces éléments peut changer entre deux versions, et chacun peut modifier le résultat produit pour une même entrée. Un système de versionnage complet doit couvrir l'ensemble de la chaîne de transformation, du prétraitement des données à la règle métier finale, pas seulement le fichier de paramètres du modèle. Nous avons développé une liste de contrôle de versionnage que nous utilisons systématiquement avant toute mise en production d'une nouvelle version. Elle couvre dix-huit éléments distincts. Les équipes qui la découvrent identifient en général entre quatre et sept éléments qu'elles ne versionnaient pas. Ce n'est pas une critique : c'est une illustration de l'écart entre ce que les équipes pensent versionner et ce qu'elles versionnent réellement.
Une documentation vivante, mise à jour à chaque cycle, vaut plus qu'un rapport
exhaustif produit une seule fois.
Ensuite, la documentation. Il existe deux types de documentation de modèle dans les institutions financières. La première est la documentation de déploiement : elle décrit ce que le modèle fait, comment il a été entraîné et validé, et quelles sont ses performances attendues. La seconde est la documentation vivante : elle décrit ce que le modèle fait aujourd'hui, comment ses performances ont évolué depuis le déploiement, et quelles décisions ont été prises lors des derniers cycles de révision. La plupart des institutions investissent massivement dans la première et négligent la seconde. Or, lors d'un audit, c'est la documentation vivante qui est la plus utile : elle permet à l'auditeur de comprendre l'état actuel du modèle et l'historique des décisions qui l'ont amené là. Une documentation de déploiement exhaustive qui n'a pas été mise à jour depuis deux ans est moins utile qu'une documentation courte mais régulièrement actualisée. Nous recommandons de définir un rythme de mise à jour minimal — trimestriel est un bon point de départ — et de l'intégrer formellement dans les processus de l'équipe, avec un responsable clairement identifié.
Les cycles de révision déclenchés par des seuils de dérive sont plus fiables que les révisions à fréquence fixe.
Enfin, les cycles de révision. La question que nous posons systématiquement aux équipes est celle-ci : qu'est-ce qui déclenche une révision de votre modèle ? Les réponses les plus fréquentes sont : une révision annuelle planifiée, un changement réglementaire majeur, ou une dégradation visible des métriques de performance. Ces déclencheurs sont insuffisants pour trois raisons. Premièrement, une dégradation visible des métriques globales peut masquer des problèmes de comportement sur des sous-segments spécifiques qui ne deviennent visibles qu'à un stade avancé. Deuxièmement, les changements réglementaires arrivent rarement sans signaux précoces, et attendre leur formalisation pour initier une révision est souvent trop tardif pour une adaptation sereine. Troisièmement, les révisions annuelles sont déconnectées de la réalité des données : une population peut changer significativement en quelques mois dans des contextes économiques variables. Nous recommandons de compléter ces déclencheurs par des seuils de dérive définis sur des métriques segmentées, avec une révision automatiquement déclenchée lorsque ces seuils sont franchis — indépendamment du calendrier planifié.