Banque d’investissement native AI : une architecture de contrôle pour l’origination, la valorisation et l’exécution

1. Définir la banque d'investissement native AI comme un système de décision contrôlé

La banque d'investissement est une activité de preuves et de jugement. Une équipe de transaction recueille des informations auprès des clients, des dépôts publics, des données de marché, des contreparties, des conseillers et de ses propres travaux antérieurs. Elle convertit ces informations en une opinion sur la stratégie, la valeur, la capacité de financement, le risque, la conception des processus et la négociation. La qualité du travail dépend à la fois des preuves sous-jacentes et des décisions professionnelles qui leur sont appliquées.

L'intelligence artificielle modifie la vitesse et l'échelle auxquelles les informations peuvent être traitées. Elle peut rechercher dans de grands ensembles de documents, classer du texte, extraire des faits structurés, comparer des clauses, générer des premières versions, identifier des anomalies et aider à tenir des registres de flux de travail. Ces capacités peuvent réduire l'effort mécanique et élargir les informations prises en compte. Elles peuvent aussi créer des affirmations non étayées, des calculs incohérents, des défaillances de divulgation et des incidents de confidentialité lorsqu'elles fonctionnent hors d'un processus contrôlé.

La question de conception est donc architecturale. Le cabinet doit décider quels travaux sont éligibles à l'assistance de AI, quelles informations peuvent entrer dans chaque outil, quels résultats nécessitent une validation, quels registres doivent être conservés et quelles décisions demeurent exclusivement humaines. Le cadre de gestion des risques AI du NIST organise l'activité de risque AI autour des fonctions gouverner, cartographier, mesurer et gérer.[1] Son profil AI génératif étend ces fonctions aux risques qui peuvent être nouveaux ou amplifiés dans les systèmes génératifs.[2] Ces fonctions fournissent un vocabulaire de contrôle utile, tandis que le processus de transaction fournit le contexte opérationnel.

Un système de transactions conçu nativement pour AI devrait préserver quatre invariants. Les preuves restent identifiables. L'autorité de décision reste attribuée. Les informations confidentielles restent dans les limites approuvées. Les conclusions économiques restent reproductibles. Si un invariant fait défaut, la rapidité de production a peu de valeur professionnelle.

Le modèle opérationnel devrait distinguer l'assistance, la recommandation et l'autorité. L'assistance comprend la récupération, l'extraction, la mise en forme et le soutien aux flux de travail. La recommandation comprend des cibles classées, l'interprétation de scénarios et des actions de due diligence suggérées. L'autorité comprend le conseil au client, la validation de la valorisation, les décisions relatives aux conflits d'intérêts, la divulgation et les engagements transactionnels contraignants. La charge de contrôle augmente à mesure que le travail passe de l'assistance à l'autorité.

2. Cartographier le processus de transaction avant de sélectionner les outils

La sélection des outils devrait suivre le processus de transaction. Un cabinet qui commence par un modèle généraliste peut accumuler des pilotes déconnectés sans registre fiable des transactions. Une cartographie du processus identifie les livrables, les sources, les responsables des décisions, les transferts et les points d'approbation qui doivent rester cohérents de l'origination à la clôture.

Le processus commence par la veille sur le marché et les relations. Les clients potentiels, actifs et contreparties sont identifiés à partir de sources autorisées. Les professionnels en charge de la couverture évaluent la pertinence, la relation, le calendrier et le besoin potentiel. Avant qu'un mandat ne se poursuive, les contrôles relatifs aux conflits d'intérêts, à l'acceptation du client, à la criminalité financière et à la mission s'appliquent conformément aux obligations légales et réglementaires du cabinet.

Une fois le mandat engagé, l'équipe formule la question stratégique et constitue une salle de preuves. Les informations financières, commerciales, opérationnelles, juridiques, techniques et de marché sont organisées. Les analyses de valorisation et de financement transforment les preuves en scénarios. La due diligence teste la thèse d'investissement et les exceptions. La gestion du processus coordonne les sollicitations, la confidentialité, les offres, les approbations, la documentation, le financement et la clôture.

À chaque étape, AI peut contribuer à une tâche délimitée. La cartographie du processus de transaction doit consigner la classe de données d'entrée, l'environnement de modèle autorisé, le résultat attendu, le réviseur responsable et la règle de conservation des enregistrements. Une même tâche peut présenter un risque différent selon le contexte. Résumer un rapport annuel public est sensiblement différent de résumer un projet de note au conseil contenant des informations sensibles pour le marché.

L'assistance AI reste encadrée par les données approuvées, les preuves et les droits de décision humains à chaque étape.

3. Classer les informations selon leur sensibilité et leur usage autorisé

Les données de banque d'investissement ne peuvent pas être traitées comme un corpus indifférencié. Les documents publics déposés, les données de marché sous licence, les informations confidentielles du client, les données personnelles, les informations non publiques importantes et les documents juridiques protégés par le secret professionnel sont soumis à des droits et obligations différents. Le cabinet devrait classer les informations avant qu'elles n'atteignent un système AI et appliquer la classification au moyen de contrôles d'accès, de routage et de contrôles techniques.

La disponibilité publique ne supprime pas toutes les restrictions. Les licences de données de marché peuvent limiter le stockage, la transformation et la rediffusion. Les conditions d'utilisation des sites web peuvent restreindre la collecte automatisée. Des données personnelles peuvent figurer dans des registres publics et nécessiter tout de même un traitement licite et proportionné. Les projets de documents clients peuvent combiner des faits publics et des hypothèses confidentielles et hériter ainsi de la classification plus élevée.

La loi UAE sur la protection des données personnelles établit un cadre fédéral pour le traitement, la sécurité, la confidentialité et le transfert transfrontalier des données personnelles.[3] Le Bureau du Commissaire à l'information du Royaume-Uni indique que la direction générale reste responsable des implications en matière de protection des données de AI et doit être en mesure de démontrer comment la protection des données dès la conception et par défaut a été prise en compte.[4] L'analyse juridique applicable dépend du responsable du traitement, du sous-traitant, de la finalité, des personnes concernées et des juridictions concernées.

Un système pratique utilise un petit nombre de classes opposables. Chaque classe précise les sources autorisées, les emplacements de stockage, les environnements de modèles, les index de recherche, la conservation, la journalisation et les approbations humaines. Le refus par défaut est approprié en l'absence de classification. Les utilisateurs ne devraient pas décider de l'éligibilité des données à l'intuition au moment de l'envoi d'une invite.

Tableau 1. Classification de l’information et périmètre d’utilisation AI

La politique finale nécessite une revue juridique, contractuelle et réglementaire à jour.

4. Construire une architecture de contrôle des données autour de zones et de l'application des politiques

L'architecture technique devrait empêcher tout cheminement de données non autorisé plutôt que de reposer entièrement sur la formation et les rappels. Une conception contrôlée sépare les systèmes sources, l'ingestion, le stockage gouverné, les services de modèles, la revue des résultats et le dossier permanent de la transaction. Les décisions de politique interviennent à chaque frontière.

Les systèmes sources peuvent inclure des dépôts publics, des bases de données sous licence, des data rooms virtuelles clients, la gestion de la relation client, des modèles financiers, ainsi que la gestion des e-mails et des documents. Un connecteur doit fonctionner au moyen d’une identité approuvée et ne récupérer que les enregistrements nécessaires à la tâche. Le contenu est analysé, classifié et étiqueté avec sa source, son propriétaire, sa date et ses droits avant d’entrer dans un index interrogeable.

La couche de modèles doit exposer les modèles approuvés par l’intermédiaire d’une passerelle gérée. La passerelle applique les règles d’accès, bloque le contenu non autorisé, enregistre le modèle et sa version, définit les contrôles de conservation et d’entraînement, et capture les invites et les sorties lorsque cela est autorisé. Les tâches à haut risque peuvent utiliser un environnement de récupération privé ou un modèle exécuté à l’intérieur du périmètre contrôlé. Les conditions des fournisseurs, les sous-traitants ultérieurs et les localisations des données doivent être examinés avant utilisation.

Les sorties entrent dans une file de révision plutôt que dans le dossier client final. Un réviseur vérifie les preuves, les calculs, l’interprétation, le ton et la confidentialité. Les éléments approuvés sont promus dans l’espace de travail de la transaction avec leur registre de preuves à l’appui. Les éléments rejetés sont conservés ou supprimés selon la politique applicable, mais ils doivent alimenter la surveillance des modèles et des processus.

L’architecture nécessite des procédures d’urgence. Si un fournisseur, un modèle ou un connecteur devient indisponible, l’équipe doit pouvoir poursuivre les travaux critiques à partir des enregistrements sources contrôlés. La concentration des dépendances et les changements brusques de modèle peuvent devenir des risques de transaction lorsqu’un calendrier de closing repose sur un seul service externe.

L’application des politiques sépare les sources, les services de modèles, la révision et le dossier de transaction de référence.

5. Créer un registre de preuves pour chaque affirmation importante

Une sortie fluide peut masquer des preuves faibles. Le registre de preuves rétablit la traçabilité en reliant chaque affirmation importante, fait extrait, entrée de modèle et conclusion de transaction à une source identifiable et à un dossier de révision. Il doit fonctionner comme un contrôle opérationnel plutôt que comme une annexe assemblée après la livraison du conseil.

Chaque entrée du registre doit consigner l’affirmation, le document source, l’emplacement exact, la date de la source, la date d’accès, les droits, la méthode d’extraction, la transformation, le modèle et sa version, l’invite ou l’instruction, le réviseur, la date de révision et l’utilisation en aval. Un chiffre financier doit également consigner les unités, la devise, la période, la base comptable et le rapprochement. L’extraction d’une clause doit conserver la version exécutée ou en projet du document et la section concernée.

Le registre aide à distinguer quatre états : fait sourcé, déclaration de la direction, hypothèse analytique et conclusion professionnelle. Ces états ne doivent pas être mélangés. Une prévision de la direction peut constituer une donnée d’entrée valide tout en restant une prévision. Un groupe de comparables généré par un modèle peut appuyer l’analyse tout en restant soumis à une sélection humaine et à un examen de comparabilité.

Les API EDGAR de la SEC fournissent un accès en temps réel aux dépôts et aux données XBRL normalisées sans authentification.[5] Les sources lisibles par machine peuvent améliorer la récupération et le rapprochement. L’analyste doit encore vérifier la taxonomie, la période, les unités, le contexte du dépôt et les extensions propres à l’entreprise. L’automatisation ne supprime pas l’interprétation comptable.

La qualité des preuves doit être notée séparément de l’importance de l’affirmation. Une affirmation importante étayée uniquement par une présentation non datée nécessite une escalade. Un point opérationnel moins important peut nécessiter une vérification plus légère. Le registre permet d’aligner l’effort de révision sur les conséquences de la décision.

Chaque résultat significatif conserve une chaîne allant de la source à la décision.

Tableau 2. Champs minimaux du registre des preuves

Le niveau de détail du grand livre doit être fonction de l’importance relative et du contexte réglementaire.

6. Utiliser AI dans l’origination sans transformer une corrélation en besoin client

AI peut élargir la couverture d’origination en combinant les documents publics déposés, les registres de propriété, les événements de financement, les changements de dirigeants, les annonces stratégiques, les données sectorielles et les informations relationnelles. Il peut identifier des tendances telles que les fenêtres de refinancement, la concentration du portefeuille, les dépenses d’investissement, l’historique d’acquisitions ou les changements d’actionnariat. Ces tendances peuvent aider un banquier à préparer une hypothèse pertinente.

Un signal n’est pas une preuve qu’une entreprise souhaite des conseils. Le professionnel chargé de la couverture client doit vérifier le déclencheur, comprendre le décideur, évaluer le contexte relationnel et formuler une hypothèse de valeur spécifique. Un message générique généré à partir d’informations extraites automatiquement peut nuire à la confiance et créer des problèmes de protection des données, de marketing ou de confidentialité.

Le dossier d’origination doit préciser pourquoi le client potentiel entre dans le périmètre, quels éléments publics étayent l’hypothèse, quelle relation antérieure peut être mobilisée et quel mode de contact est autorisé. Les synthèses de comptes générées par AI doivent conserver les sources citées et les dates. Les notes sensibles CRM doivent rester dans l’environnement approuvé et ne pas être utilisées pour entraîner un modèle public.

La qualification doit mesurer la valeur client probable et l’adéquation plutôt que le volume de sollicitations générées. Les critères utiles incluent l’importance stratégique, la plausibilité de la transaction, l’accès aux décideurs, l’adéquation au mandat, le potentiel de commissions, les conflits, la capacité et le calendrier. Un responsable de la couverture client, une personne physique, approuve le plan de compte et chaque communication externe.

Le système doit apprendre des résultats. Les réunions, les opportunités qualifiées, les mandats signés, les transactions conclues et les honoraires encaissés constituent des éléments de preuve progressivement plus solides. Les taux d’ouverture et le nombre de contacts générés sont de faibles indicateurs commerciaux. Le tableau de bord de la valeur doit donc relier l’activité d’origination aux avancées vérifiées dans le parcours de mandat.

7. Encadrer la sélection des opportunités et les conflits avant que l’analyse ne s’approfondisse

Un modèle de sélection assisté par AI peut classer les opportunités selon l’adéquation au mandat, la pertinence sectorielle, la taille de la transaction, la relation et le calendrier. Le modèle doit exposer ses facteurs et ses données sources. Il ne doit pas créer un score de priorité opaque qui se substitue au jugement de la couverture client ou aux contrôles des conflits.

L’analyse des conflits exige des registres internes faisant autorité, une résolution des entités et une interprétation juridique. AI peut aider en identifiant les noms, les entités affiliées, les fonds, les administrateurs et les dossiers antérieurs. Les faux négatifs sont particulièrement coûteux, car une relation non détectée peut exposer des informations confidentielles ou compromettre les obligations envers le client. La fonction chargée des conflits conserve le pouvoir de décision et doit documenter le périmètre de recherche, les correspondances ambiguës et leur résolution.

L’acceptation d’un client peut impliquer l’identité, l’actionnariat, les sanctions, la criminalité financière, la réputation, l’origine des fonds et le risque de mission. AI peut organiser les éléments de preuve et signaler les incohérences. Il ne doit pas prendre la décision finale d’acceptation, sauf si un cadre juridique et réglementaire spécifique le permet et que la gouvernance de l’entreprise l’a approuvé. Les enquêteurs humains doivent avoir accès aux éléments de preuve d’origine et au fondement de chaque alerte.

L’architecture de sélection doit également empêcher l’utilisation prématurée d’informations confidentielles. Une équipe peut recevoir un teaser avant la validation des conflits d’intérêts, tandis qu’une autre partie de la société agit pour une partie liée. L’accès doit respecter les autorisations au niveau du dossier et les barrières à l’information dès le premier document.

Une opportunité ne devient active qu’après l’enregistrement des approbations requises et du pouvoir d’engagement. Ce point de contrôle protège à la fois le client et la société et confère à l’activité AI ultérieure un périmètre juridique et opérationnel défini.

8. Rendre les modèles de valorisation reproductibles et fondés sur des éléments probants

AI peut aider à collecter des données sur des sociétés comparables, cartographier les segments d’activité, normaliser les informations publiées, identifier des transactions comparables antérieures et rédiger des explications de scénarios. La valorisation demeure une conclusion professionnelle. Le modèle doit comporter une base de valeur explicite, une date de valorisation, une devise, une structure du capital, un référentiel comptable, des prévisions et une méthodologie.

IFRS 13 définit la juste valeur aux fins de l’information financière comme un prix de sortie dans une transaction ordonnée entre intervenants de marché à la date d’évaluation et exige un cadre d’évaluation et d’information.[6] Le conseil en transactions peut utiliser différentes bases de valeur et différents contextes de négociation. L’analyste doit indiquer la base retenue et éviter de présenter un nombre généré comme une conclusion comptable ou une conclusion sur le caractère équitable.

La sélection des comparables doit conserver les motifs d’inclusion et d’exclusion. Un système AI peut trouver des sociétés au langage similaire mais dont les modèles de revenus, la zone géographique, la taille, la croissance, les marges, l’intensité capitalistique ou le risque diffèrent. Le banquier doit approuver l’ensemble des comparables et consigner les ajustements. Les transactions comparables antérieures exigent la même prudence, car les valeurs annoncées peuvent omettre des compléments de prix, de la dette reprise, une contrepartie éventuelle et des conditions de marché non comparables.

Chaque donnée financière extraite doit être réconciliée avec le document source déposé. Les périodes, les unités, les devises, les activités poursuivies et les méthodes comptables peuvent modifier la comparabilité. Les cellules de formule doivent rester visibles et auditables. Un modèle généré qui ne peut pas être reconstitué de manière indépendante à partir du grand livre ne doit pas étayer une conclusion destinée au client.

Les fourchettes de valorisation doivent être reliées à des scénarios plutôt que suggérer une fausse précision. Le chiffre d’affaires, la marge, le réinvestissement, le taux d’actualisation, les hypothèses terminales et la structure du capital doivent être testés ensemble. Le client doit voir quelles variables créent la fourchette et quels éléments probants pourraient la resserrer.

9. Maîtriser le risque de modèle, les scénarios et l’incertitude analytique

L’analyse de banque d’investissement combine des modèles financiers conventionnels avec une extraction, une classification et une narration assistées par AI. Chaque composante présente des modes de défaillance différents. Un tableur peut contenir une erreur de formule. Un modèle d’extraction peut mal interpréter un tableau. Un modèle de langage peut énoncer une conclusion plausible mais non étayée. Un système de contrôle doit tester chaque risque au niveau approprié.

La validation commence par l’usage prévu. L’équipe doit définir ce que le modèle est censé faire, ce qu’il ne doit pas faire, la population des données d’entrée, la mesure de performance, le seuil de significativité et la procédure d’escalade. Les tests doivent inclure des documents représentatifs, des mises en page difficiles, des champs manquants, des sources contradictoires, des variations de prompt et des mises à jour du modèle.

Le rapport 2026 de la FINRA sur la surveillance réglementaire décrit la gouvernance, les tests, la surveillance, la documentation, les journaux de prompts et de sorties, le suivi des versions de modèle et la revue humaine comme des considérations pertinentes pour l’utilisation de AI à des fins génératives.[7] Les règles de la FINRA restent technologiquement neutres ; les obligations de supervision, de communication, de conservation des registres et de traitement équitable continuent de s’appliquer lorsqu’une société utilise AI.[7]

L’analyse de scénarios doit conserver l’incertitude plutôt que la convertir en une prévision générée unique. Le modèle doit distinguer le scénario de la direction, le scénario de référence indépendant, le scénario défavorable et le scénario favorable. Les corrélations et les chocs de cause commune doivent être explicites. Les hypothèses doivent être datées, attribuées à un responsable et comparées aux résultats réels.

Des modifications apportées à un modèle, au corpus de récupération ou à un prompt peuvent altérer les sorties sans version logicielle visible. La société doit définir ce qui constitue un changement substantiel et quand une revalidation est requise. Un processus critique pour la clôture doit disposer d’une configuration figée ou d’une version documentée afin qu’une analyse puisse être reproduite après l’événement.

10. Utiliser AI pour approfondir la due diligence et préserver la responsabilité des exceptions

La due diligence est un processus d’identification des exceptions. AI peut comparer des contrats, extraire des obligations, analyser des cohortes de clients, identifier des anomalies financières, classer des documents techniques et rapprocher les index de data room. Il peut élargir la couverture et aider les équipes à se concentrer sur les incohérences significatives.

Le plan de due diligence doit partir de la thèse de l’opération et des moteurs de valeur. Chaque flux de travail définit l’affirmation à vérifier, les éléments probants requis, le seuil de signification, le responsable de la revue et la réponse envisageable dans le cadre de l’opération. Les questions générées par AI doivent être examinées avant d’être adressées à la direction. Une longue liste de questions génériques peut mobiliser du temps sans améliorer la décision.

L’extraction documentaire doit préserver la version et la référence de localisation. Les clauses contractuelles peuvent varier selon les avenants, side letters et bons de commande. Un modèle qui lit le contrat de base sans le dernier avenant peut produire une conclusion erronée. La due diligence financière exige un rapprochement entre les rapports de gestion, le grand livre, les factures, la trésorerie, les documents fiscaux et les contrats.

Les constats doivent être consignés dans un registre des exceptions avec responsable, éléments probants, effet économique, réponse proposée et critère de clôture. Les réponses possibles incluent un ajustement de valorisation, un mécanisme de fonds de roulement, une condition préalable, une déclaration, une indemnisation, un covenant, un plan de remédiation ou un retrait. AI peut proposer des catégories ; les conseils approuvent la réponse juridique et commerciale.

Le dossier final de due diligence doit présenter à la fois la couverture et l’incertitude résiduelle. L’absence de problème identifié ne prouve pas qu’il n’existe aucun problème. Les limites d’échantillon, les documents inaccessibles, les déclarations de la direction et les contradictions non résolues doivent rester visibles pour les décideurs.

11. Protéger la confidentialité, les informations sensibles pour le marché et le secret professionnel

Les travaux transactionnels contiennent régulièrement des informations dont la divulgation non autorisée peut affecter les marchés, les négociations, les employés et les contreparties. Des fuites de données peuvent survenir via les prompts, les journaux des prestataires, l’entraînement, les index de recherche, les extensions de navigateur, les fichiers copiés ou des accès mal configurés. La conception des contrôles doit donc couvrir l’ensemble du parcours des données.

Les modifications du règlement S-P de la SEC exigent que les institutions visées maintiennent des politiques et procédures de réponse aux incidents en cas d’accès ou d’utilisation non autorisés d’informations clients et conservent des documents attestant de leur conformité.[8] L’application précise dépend de l’institution et des informations concernées. Les principes de mesures de protection écrites, de réponse aux incidents, de surveillance des prestataires de services et de conservation des éléments probants s’appliquent à tout environnement d’opération contrôlé.

Les barrières d’information doivent fonctionner au niveau de chaque dossier. Les utilisateurs, les comptes de service et les connecteurs AI reçoivent l’accès minimal nécessaire. Les index de recherche ne doivent pas regrouper des dossiers restreints dans un corpus élargi, sauf si la politique et la technologie permettent d’appliquer les autorisations au moment de la récupération. Les journaux d’accès et d’export doivent pouvoir être examinés.

Le secret professionnel mérite un traitement distinct. L’envoi de conseils juridiques à un service non autorisé peut créer un risque juridique. Les conseils juridiques doivent définir quand AI peut traiter des éléments couverts par le secret professionnel, dans quelles conditions contractuelles et techniques et avec quelle trace. Les équipes ne doivent pas supposer qu’une licence entreprise règle la question du secret professionnel dans chaque juridiction.

Les procédures d’incident doivent définir la détection, le confinement, l’évaluation, la notification, la préservation des éléments probants et la communication avec les clients. Une équipe de transaction a besoin d’un canal rapide vers la sécurité, le juridique, la conformité et la direction générale. Continuer à utiliser un système compromis pendant un processus en cours peut aggraver le préjudice.

12. Distinguer l’aide à la rédaction des conseils au client et de la communication d’informations

AI peut produire des premières versions de présentations, de notes d’information, de commentaires de valorisation, de synthèses de due diligence, de lettres de processus et de tableaux de suivi documentaire. L’aide à la rédaction peut améliorer la cohérence et permettre aux professionnels de consacrer plus de temps à l’analyse. Le réviseur reste responsable de chaque déclaration diffusée à un client ou à un acteur du marché.

Le processus de rédaction doit puiser les faits approuvés dans le registre des éléments probants et les calculs approuvés dans des modèles contrôlés. Le texte généré ne doit pas créer une nouvelle source de faits. Les affirmations concernant le leadership de marché, la technologie, le pipeline, la durabilité, les synergies ou la performance nécessitent une base raisonnable et la confirmation du client.

La SEC a averti que des déclarations trompeuses concernant l’utilisation de AI peuvent enfreindre les lois sur les valeurs mobilières et que les affirmations publiques doivent reposer sur une base raisonnable et présenter les risques propres à l’entreprise plutôt que des formules génériques.[9] La même discipline s’applique aux documents de transaction. Une affirmation de valeur liée à AI doit préciser ce que fait la technologie, où elle est déployée, les éléments probants qui la soutiennent, ses dépendances et ses limites.

La revue documentaire doit inclure l'exactitude factuelle, la cohérence numérique, le contenu juridique et réglementaire, la confidentialité, les autorisations, le public destinataire et la version. Les contrôles croisés entre documents peuvent identifier des différences entre un modèle, une note au conseil et un support marketing. Le signataire final approuve le document après les revues spécialisées requises.

La provenance des brouillons doit rester proportionnée. L'enregistrement permanent doit contenir la source des éléments, les transformations, les réviseurs et la version approuvée. Il n'est pas nécessaire de conserver chaque expérimentation de formulation transitoire lorsque la politique ne l'exige pas. La conception de la conservation doit être convenue avec les fonctions juridique, conformité et gestion des archives.

13. Coordonner l'exécution au moyen d'un dossier de transaction unique et contrôlé

L'exécution implique de nombreuses parties, documents, échéances, conditions et décisions. AI peut tenir des listes d'actions, comparer des versions, extraire des obligations, résumer des réunions et signaler les dépendances. La valeur provient de l'intégration de ces tâches dans un dossier de référence unique.

Le dossier de transaction doit identifier le flux de travail, l'élément, le responsable, l'échéance, le statut, la preuve, le blocage, la décision et la dépendance. Les comptes rendus de réunion deviennent des mises à jour proposées jusqu'à leur confirmation par les participants ou le responsable. Les connecteurs de courriel et de documents ne doivent pas modifier automatiquement le statut de clôture sans approbation.

Le contrôle des versions est essentiel. Une clause peut varier entre les lettres d'offre, les documents d'engagement, les contrats de vente et les annexes de divulgation. Le système doit identifier le document prépondérant et la version en vigueur. La comparaison de clauses peut aider les conseils juridiques et les banquiers, tandis que l'interprétation juridique reste du ressort de conseillers qualifiés.

Le financement de la transaction exige que les sources et emplois, les flux de fonds, les conditions préalables, les approbations et le calendrier de trésorerie soient rapprochés. Une liste de contrôle générée par AI peut omettre une condition sur mesure. Le responsable de la clôture doit approuver la liste finale au regard des documents signés et des confirmations des conseillers.

Après la clôture, le dossier de l'opération doit conserver les décisions, les documents signés, les approbations et les éléments de preuve importants conformément à la politique. Une archive bien tenue facilite le service client, l'audit, le traitement des litiges, la revue réglementaire et le retour d'expérience. Elle fournit également une base encadrée pour l'analyse de précédents futurs lorsque la confidentialité et les droits permettent la réutilisation.

14. Concevoir les points de contrôle d'approbation humaine en fonction des conséquences et de la réversibilité

La supervision humaine prend tout son sens lorsqu'une personne nommée dispose des informations, des compétences, de l'autorité et du temps nécessaires pour contester le résultat. Une exigence générique de tout examiner peut devenir purement formelle. Les points de contrôle d'approbation doivent être fonction de la conséquence d'une erreur et de la réversibilité de l'action.

Les travaux à faible conséquence peuvent recourir à l'échantillonnage et à des contrôles standard. Un résumé de sources publiques utilisé pour l'orientation interne peut nécessiter une confirmation des sources. Les travaux à conséquence moyenne, tels qu'un projet d'ensemble de comparables, exigent une revue analytique et un rapprochement. Les travaux à forte conséquence, tels que les conseils en valorisation, la communication au client, la validation des conflits d'intérêts, l'autorité de négociation et l'engagement contraignant, exigent l'approbation d'un responsable hiérarchique et, le cas échéant, une revue spécialisée.

Le point de contrôle doit indiquer les éléments probants à l'entrée, les tests, l'approbateur, la décision et l'enregistrement. Un réviseur doit pouvoir rejeter, réviser ou faire remonter. La pression temporelle ne supprime pas le point de contrôle ; elle doit activer un processus d'exception documenté avec une autorité définie et une revue ultérieure.

L'ESMA indique que les organes de direction restent responsables des décisions lorsque les entreprises d'investissement utilisent AI et souligne les intérêts des clients, la qualité des données, la transparence et la gouvernance.[10] Le contexte est celui des services d'investissement de détail, tandis que le principe de responsabilité est utile pour une gouvernance professionnelle plus large. Le règlement AI de l'UE établit également un cadre juridique fondé sur les risques pour les systèmes AI et des exigences qui dépendent du rôle et de l'usage.[11]

L'intensité de l'approbation augmente avec les conséquences économiques, la confidentialité et l'irréversibilité.

Tableau 3. Conception du point de validation humaine

Les rôles et seuils nécessitent la gouvernance approuvée du cabinet.

15. Traduire les obligations réglementaires en contrôles opérationnels

La gouvernance de AI doit être reliée aux lois et règles qui régissent déjà l’activité. Une politique AI distincte qui n’est pas alignée sur les exigences de supervision, de tenue des registres, de conduite, de protection des données, d’abus de marché, d’externalisation et de cybersécurité peut créer des lacunes.

La règle 3110 de la FINRA impose aux sociétés membres de maintenir un système de supervision raisonnablement conçu pour assurer la conformité, notamment l’examen des activités de banque d’investissement et de valeurs mobilières.[12] La règle 4511 de la FINRA porte sur les livres et registres.[13] Les sociétés concernées doivent déterminer comment les invites, les résultats, les approbations et les communications s’articulent avec leurs obligations spécifiques. D’autres juridictions et modèles économiques ont des règles différentes.

La FCA décrit son approche comme fondée sur des principes et axée sur les résultats, en s’appuyant sur les cadres existants, notamment le devoir envers les consommateurs, la responsabilité et la gouvernance.[14] La consultation de l’IOSCO sur AI dans les marchés de capitaux recense les cas d’usage, les risques et les questions de politique pour l’ensemble des acteurs du marché.[15] La BRI et le Conseil de stabilité financière ont souligné le risque de modèle, la qualité des données, l’opacité, la concentration vis-à-vis de tiers, le risque cyber et la supervision humaine dans le AI financier.[16][17]

Un registre des obligations devrait associer chaque cas d'usage à l'activité réglementée, au type de client, à la juridiction, à la classe de données, à l'enregistrement, au responsable du contrôle et au cycle de revue. Le statut juridique peut changer lorsqu'un outil passe d'une assistance interne à une recommandation destinée aux clients ou à une décision automatisée. Le processus d'approbation devrait détecter ce changement.

La cartographie réglementaire devrait rester à jour. L'architecture peut préserver des fonctions de contrôle stables tandis que les règles, orientations et capacités des modèles évoluent. La revue annuelle des politiques peut être insuffisante pour un service en évolution rapide ; les changements importants de modèle, de fournisseur, de loi et de cas d'usage devraient déclencher une évaluation intermédiaire.

16. Gérer la dépendance aux fournisseurs, aux modèles et à l'infrastructure

La banque d'investissement native AI peut dépendre de fournisseurs de modèles, de plateformes cloud, de fournisseurs de données de marché, de systèmes documentaires et de services d'intégration. La concentration peut créer des défaillances corrélées entre les transactions. L'entreprise devrait comprendre quels travaux critiques dépendent de chaque fournisseur et comment elle peut poursuivre ses activités en cas d'interruption.

La due diligence fournisseur doit couvrir la sécurité, la confidentialité, l’utilisation des données, la conservation, les sous-traitants, les localisations, les accès, les mises à jour de modèle, la propriété intellectuelle, les niveaux de service, la notification d’incident, les droits d’audit et la sortie. Les tests techniques doivent confirmer les paramètres contractuels dans la pratique. Une promesse selon laquelle les données client ne serviront pas à entraîner un modèle nécessite un contrôle de configuration et de surveillance.

La portabilité des modèles est importante. Les prompts et les workflows peuvent être étroitement liés au comportement d’un fournisseur. Le cabinet devrait conserver des cas de test et des critères de sortie afin qu’un autre modèle approuvé puisse être évalué. Les calculs critiques devraient rester dans des modèles déterministes ou dans du code reproductible de manière indépendante plutôt que dans une génération opaque.

Le profil Generative AI du NIST identifie des risques, notamment la confabulation, la confidentialité des données, la sécurité de l’information, la propriété intellectuelle, les biais préjudiciables et l’intégration de la chaîne de valeur.[2] L’ISO/IEC 42001 spécifie les exigences d’un système de management AI et met l’accent sur le risque, l’opportunité, la traçabilité et l’amélioration continue.[18] Ces référentiels peuvent soutenir les contrôles fournisseurs et d’entreprise sans remplacer le jugement propre à chaque transaction.

Le plan de continuité doit définir des solutions manuelles de remplacement, des exports de données, des copies figées des éléments de preuve critiques, des canaux de communication alternatifs et l’autorité de décision. Une transaction en cours ne peut pas attendre qu’un litige avec un fournisseur clarifie les droits d’accès.

17. Mesurer la valeur nette des coûts de revue, de reprise et de contrôle

La productivité AI doit être mesurée au niveau du livrable achevé. Des premiers jets plus rapides peuvent transférer du travail vers la revue, la correction, la vérification des sources et l’intégration. Un tableau de bord de la valeur doit donc inclure le délai de cycle, la qualité, la reprise, l’effort de contrôle, le coût fournisseur, l’adoption par les utilisateurs et le résultat de la transaction.

La référence de départ doit utiliser des tâches comparables avant la mise en œuvre. Le temps gagné doit être net de la préparation des prompts, de l’exploitation de l’outil, de la vérification et de la remédiation. Les mesures de qualité peuvent inclure les exceptions factuelles, les écarts numériques, les obligations manquées, les modifications des réviseurs et les corrections du client. Les erreurs de gravité élevée doivent avoir un poids plus important que les modifications mineures de formatage.

Le tableau de bord doit distinguer la création de capacité de la réduction des coûts. Une équipe peut utiliser le temps gagné pour examiner davantage de sources, renforcer le dialogue avec le client ou accélérer un processus. Ces avantages doivent être démontrés par des travaux achevés et des résultats client. Les hypothèses d’effectifs ne doivent pas être fondées sur les seules démonstrations d’outils.

L’avantage financier peut être modélisé sous forme d’heures productives libérées, de coûts externes évités, de pertes liées aux erreurs réduites, de conversion plus rapide des mandats ou de capacité d’honoraires supplémentaires. Chaque affirmation doit avoir un responsable et une période de mesure. Les honoraires encaissés constituent une preuve plus solide que les estimations du pipeline. La confidentialité des clients et les règles de conduite demeurent des contraintes même lorsqu’un cas d’usage semble économiquement attractif.

Le tableau de bord illustratif ci-dessous utilise des indices hypothétiques. Un cabinet en activité devrait établir des valeurs de référence, des seuils et des pondérations au moyen de pilotes contrôlés et de preuves transactionnelles réelles.

Des indices hypothétiques montrent pourquoi la vitesse doit être évaluée au regard de la qualité, du contrôle et de preuves commerciales.

18. Mettre en œuvre au moyen de cas d’usage encadrés et d’une feuille de route de contrôle sur douze mois

La mise en œuvre doit commencer par des travaux utiles, mesurables et réversibles. La recherche sur sources publiques, la recherche dans les connaissances internes, la classification de documents et l’extraction contrôlée peuvent permettre d’apprendre avant que le cabinet n’autorise la rédaction confidentielle ou des recommandations transactionnelles.

La première phase établit la gouvernance, les classes de données, les fournisseurs approuvés, les accès, la journalisation, la réponse aux incidents et un inventaire des cas d’usage. Le cabinet sélectionne un petit nombre de pilotes avec des valeurs de référence et des responsables définis. Chaque pilote dispose d’un ensemble de preuves, de cas de test, de seuils d’acceptation et d’un circuit d’approbation humaine.

La deuxième phase intègre les pilotes réussis aux systèmes sources contrôlés et au registre des preuves. L’équipe teste les autorisations, la précision de la recherche, la gestion des versions, la conservation des enregistrements et la continuité. Les utilisateurs reçoivent une formation propre à leur rôle, fondée sur le flux de travail réel plutôt que sur une sensibilisation générique.

La troisième phase ne s’étend à la valorisation, à la due diligence et à l’exécution qu’une fois les contrôles antérieurs opérationnels en pratique. Une assurance indépendante teste l’architecture, les enregistrements et les autorisations. La direction générale examine la valeur, les incidents, le risque résiduel et si chaque cas d’usage doit être poursuivi, modifié ou arrêté.

Tableau 4. Feuille de route illustrative de mise en œuvre sur douze mois

Le calendrier dépend de la taille du cabinet, de la réglementation, de l'architecture et de l'appétit pour le risque.

19. Utiliser l'audit, les incidents et les exceptions pour améliorer le système

Les contrôles doivent générer des preuves de leur fonctionnement. L'audit peut vérifier si la classification des données est appliquée, si les autorisations correspondent aux dossiers, si les sources restent traçables, si les modèles sont approuvés, si les réviseurs sont identifiés et si les enregistrements finaux contiennent les approbations requises. L'échantillonnage doit inclure les travaux courants et les exceptions à haut risque.

La surveillance doit détecter les changements dans les sorties de modèle, la qualité de la récupération, la gravité des erreurs, le comportement des utilisateurs, les mouvements de données et la configuration des fournisseurs. Un taux d'acceptation en hausse peut signifier une amélioration de la qualité ou une diminution de la contestation par les réviseurs. La surveillance doit combiner des signaux quantitatifs avec l'examen des produits de travail achevés.

Les incidents et les quasi-incidents sont des sources d'apprentissage. Le registre doit consigner l'événement, les données et dossiers concernés, la détection, le confinement, la cause, la conséquence, la notification, la remédiation et la modification des contrôles. Les personnes doivent pouvoir signaler leurs préoccupations sans être incitées à dissimuler des baisses de productivité.

Un comité des exceptions ou une autorité équivalente peut examiner les dérogations urgentes à la politique. Il doit consigner le motif, la portée, les contrôles compensatoires, l'échéance et le responsable désigné. Les contournements permanents ne doivent pas s'accumuler du fait de dérogations temporaires répétées.

Tableau 5. Matrice de tests de contrôle et de réponse

La fréquence des tests et l’escalade sont fonction de la matérialité et des obligations applicables.

20. Préserver le jugement professionnel tout en augmentant la capacité de traitement des opérations

La banque d’investissement AI-native est crédible lorsque le cabinet peut expliquer comment un livrable a été produit, quelles preuves l’étayent, qui l’a examiné et qui a autorisé l’action qui en résulte. Le système doit rendre le travail professionnel plus reproductible sans traiter le jugement professionnel comme une sortie de modèle.

Les cinq enregistrements de cet article forment une seule architecture opérationnelle. La cartographie des flux de travail définit le processus de transaction et les passations. L’architecture de contrôle des données limite la circulation de l’information et l’accès aux modèles. Le registre de preuves préserve la provenance des sources et les transformations. Les points de validation humaine maintiennent la responsabilité lors des décisions importantes. Le tableau de bord de valeur vérifie si le flux de travail crée un bénéfice mesurable après les efforts d’examen et de contrôle.

L’architecture peut soutenir l’origination, la valorisation, la due diligence et l’exécution dans différentes juridictions et pour différents types de transactions. Ses contrôles restent proportionnés au travail. La recherche dans des sources publiques peut avancer rapidement. Les conseils confidentiels de valorisation et le pouvoir de transaction exigent des preuves plus approfondies, un examen par des spécialistes et une validation hiérarchique.

Le cabinet devrait commencer par des cas d’usage délimités, les tester sur des travaux réels, conserver les preuves des exceptions et passer à l’échelle uniquement lorsque les contrôles fonctionnent. Il devrait mesurer les livrables achevés et les résultats clients plutôt que le volume généré. Les capacités des fournisseurs continueront d’évoluer, tandis que les objectifs de contrôle — confidentialité, traçabilité, responsabilité, reproductibilité et intérêt du client — demeureront pérennes.

Un système bien gouverné peut permettre aux équipes de transaction d’examiner davantage de preuves, d’identifier les exceptions plus tôt, de tenir des dossiers de transaction plus clairs et de consacrer plus de temps professionnel au jugement, à la négociation et aux décisions clients. La valeur économique apparaît lorsque ces améliorations sont vérifiées dans des mandats achevés et des résultats recueillis.

Références

1. National Institute of Standards and Technology, « Cadre de gestion des risques liés à l’intelligence artificielle (AI RMF 1.0) », janvier 2023. https://www.nist.gov/itl/ai-risk-management-framework
2. National Institute of Standards and Technology, « Cadre de gestion des risques liés à l’intelligence artificielle : profil pour l’intelligence artificielle générative », NIST AI 600-1, juillet 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
3. Gouvernement des Émirats arabes unis, « Décret-loi fédéral n° 45 de 2021 relatif à la protection des données personnelles. » https://www.uaelegislation.gov.ae/en/legislations/1972/download
4. Information Commissioner's Office, « Quelles sont les implications de AI en matière de responsabilité et de gouvernance ? » https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/what-are-the-accountability-and-governance-implications-of-ai/
5. Commission des valeurs mobilières et des changes des États-Unis, « Interfaces de programmation d’applications EDGAR ». https://www.sec.gov/search-filings/edgar-application-programming-interfaces
6. Fondation IFRS, « IFRS 13 Évaluation de la juste valeur ». https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
7. Autorité de régulation de l’industrie financière, « GenAI : tendances persistantes et émergentes », rapport annuel de surveillance réglementaire 2026. https://www.finra.org/rules-guidance/guidance/reports/2026-finra-annual-regulatory-oversight-report/gen-ai
8. Commission des valeurs mobilières et des changes des États-Unis, « Règlement S-P : confidentialité des informations financières des consommateurs et protection des informations des clients », mai 2024. https://www.sec.gov/rules-regulations/2024/06/s7-05-23
9. Commission des valeurs mobilières et des changes des États-Unis, « Le président Gary Gensler sur le AI washing », 18 mars 2024. https://www.sec.gov/newsroom/speeches-statements/sec-chair-gary-gensler-ai-washing
10. Autorité européenne des marchés financiers, « Déclaration publique sur l’utilisation de l’intelligence artificielle dans la fourniture de services d’investissement de détail », 30 mai 2024. https://www.esma.europa.eu/document/public-statement-ai-and-investment-services
11. Union européenne, « Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle », 13 juin 2024. https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:32024R1689
12. Autorité de régulation de l’industrie financière, « Règle 3110 : Supervision ». https://www.finra.org/rules-guidance/rulebooks/finra-rules/3110
13. Autorité de régulation de l'industrie financière, « Règle 4511 : Exigences générales ». https://www.finra.org/rules-guidance/rulebooks/finra-rules/4511
14. Autorité de conduite financière, « AI et la FCA : notre approche », mise à jour le 13 février 2026. https://www.fca.org.uk/firms/innovation/ai-approach
15. Organisation internationale des commissions de valeurs, « L'intelligence artificielle sur les marchés de capitaux : cas d'usage, risques et défis », CR/01/2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf
16. Banque des règlements internationaux, « Système financier intelligent : comment AI transforme la finance », document de travail n° 1194, 13 juin 2024. https://www.bis.org/publ/work1194.htm
17. Banque des règlements internationaux, « Implications de l'intelligence artificielle pour la stabilité financière : résumé analytique », 26 juin 2025. https://www.bis.org/publications/fsi-summary-financial-stability-implications-artificial-intelligence-executive-summary
18. Organisation internationale de normalisation, « ISO/IEC 42001:2023 : systèmes de management AI ». https://www.iso.org/standard/42001
19. Dubai Financial Services Authority, « UAE autorités de régulation publient conjointement des lignes directrices pour les institutions financières adoptant des technologies habilitantes », 15 novembre 2021. https://www.dfsa.ae/news/uae-regulatory-authorities-jointly-issue-guidelines-financial-institutions-adopting-enabling-technologies
20. Département de la Justice des États-Unis et Commission fédérale du commerce, « Lignes directrices de 2023 sur les fusions », 18 décembre 2023. https://www.justice.gov/atr/2023-merger-guidelines