Gouvernance des modèles d'IA financiers : structurer la documentation de dérive pour répondre aux exigences de conformité réglementaire

Les exigences réglementaires sur la gouvernance des modèles varient selon les juridictions mais convergent autour de la traçabilité et de la documentation.

Les cadres réglementaires applicables aux modèles d'IA dans le secteur financier — qu'il s'agisse des guidelines de la FINMA en Suisse, des orientations de l'EBA en Europe ou des principes du Comité de Bâle sur la gestion du risque de modèle — convergent autour d'exigences communes : la documentation des métriques de performance lors du déploiement, la traçabilité des événements de dérive détectés, la justification des décisions de réentraînement et la démonstration d'une surveillance continue proportionnée à la criticité du modèle. Ces exigences ne prescrivent généralement pas de méthodes techniques spécifiques, laissant aux institutions la latitude de choisir leurs outils, mais elles imposent une discipline documentaire que beaucoup d'équipes data — historiquement orientées vers la performance technique plutôt que vers la traçabilité — doivent développer spécifiquement.

Un registre structuré des modèles en production est la condition préalable à toute documentation de dérive exploitable par les auditeurs.

Avant de documenter la dérive, il est nécessaire de disposer d'un registre structuré de tous les modèles déployés en production, incluant pour chaque modèle : la version déployée, la date de déploiement, les métriques de référence établies lors du déploiement, les données d'entraînement utilisées et la fenêtre temporelle couverte. Sans ce registre, la documentation des événements de dérive ultérieurs manque de contexte de référence, rendant l'interprétation des écarts difficile pour les auditeurs. La maintenance de ce registre représente un effort opérationnel non négligeable, particulièrement lorsque les modèles sont mis à jour fréquemment : automatiser sa mise à jour dans le pipeline de déploiement est une investissement dont la valeur se manifeste principalement lors des audits de conformité.

Les journaux d'événements de dérive doivent être lisibles par des auditeurs n'ayant pas de formation en data science.

Un journal d'événements de dérive efficace du point de vue de la conformité documente non seulement les valeurs brutes des métriques — un PSI de 0.18 sur la feature X à la date Y — mais aussi leur interprétation dans le contexte opérationnel : la sévérité de l'alerte, la décision prise en réponse et la justification de cette décision. Cette contextualisation est essentielle pour les auditeurs non techniques qui évaluent la qualité du cadre de gouvernance sans pouvoir interpréter directement les valeurs statistiques. Un format standardisé incluant pour chaque événement : la date de détection, le modèle concerné, la métrique ayant déclenché l'alerte, le niveau de sévérité, la décision prise et le nom du responsable ayant pris la décision, constitue un minimum documentaire généralement accepté lors des revues de conformité dans les institutions financières suisses.

Les rapports de revalidation après réentraînement constituent les artefacts de conformité les plus scrutés lors des audits réglementaires.

Lorsqu'un modèle est réentraîné suite à la détection d'une dérive, le rapport de revalidation constitue la pièce documentaire centrale attestant que le processus de remplacement du modèle a été conduit avec rigueur. Ce rapport doit documenter : les métriques de performance du modèle initial au moment de la détection de dérive, les métriques du modèle réentraîné sur les mêmes ensembles de test, la fenêtre de données utilisée pour le réentraînement et sa justification, les tests de validation conduits et leurs résultats, et la décision formelle de déploiement avec les noms des personnes impliquées. Un rapport de revalidation incomplet — documentant les résultats sans la méthodologie — présente un risque de conformité significatif lors d'audits réglementaires, indépendamment de la qualité technique réelle du processus de réentraînement conduit.

Tous les modèles ne nécessitent pas le même niveau de documentation ; une classification par criticité permet d'allouer l'effort efficacement.

La mise en place d'un cadre de documentation exhaustif pour tous les modèles simultanément représente un investissement difficile à absorber pour les équipes à ressources limitées. Une approche pragmatique consiste à classer les modèles selon leur criticité décisionnelle — impact sur les décisions clients, exposition financière associée, audience réglementaire — et à calibrer le niveau de documentation requis selon cette classification. Les modèles à fort impact décisionnel bénéficient d'un cadre documentaire complet ; les modèles à impact limité peuvent être surveillés avec un cadre plus léger. Cette différenciation doit être elle-même documentée et justifiable auprès des auditeurs, qui peuvent questionner les critères de classification utilisés. Un exemple documenté dans une institution financière de taille intermédiaire a montré que cette approche permettait de réduire l'effort documentaire global de l'ordre de 40% tout en maintenant une couverture complète des modèles à enjeu réglementaire.