La cartographie 2026 de l’AMF souligne un environnement financier plus instable, marqué par le resserrement monétaire, les tensions géopolitiques et une hausse des vulnérabilités. L’IA « frontière » accroît les risques opérationnels en facilitant les cyberattaques, tandis que l’informatique quantique menace les standards de chiffrement. DORA est présenté comme le principal cadre de résilience. La fraude financière s’industrialise grâce à l’IA, aux deepfakes et aux crypto-actifs. Malgré l’essor de l’IA chez les jeunes investisseurs, le conseil humain reste essentiel. Pour 2027, les risques cyber et de contagion devraient encore augmenter.
L'équité algorithmique dans la finance impose de dépasser la simple exclusion des variables sensibles, inefficace face aux proxies détectables par l'IA. Un cadre juridique stratifié (AI Act, RGPD, directives sectorielles) encadre les systèmes à haut risque, avec des philosophies divergentes entre protection par abstention et prévention de l'exclusion indue. Le Risk Manager doit distinguer disparité, biais et discrimination, et arbitrer entre trois métriques d'équité (indépendance, séparation, suffisance) mathématiquement incompatibles simultanément. La correction passe par pré-traitement, in-processing ou post-traitement des seuils. L'enjeu final : intégrer l'équité au Model Risk Management, documenter les arbitrages, et concilier viabilité économique et non-discrimination sociale.
En 2026, le secteur financier fait face à des injonctions contradictoires entre le GDPR et l'AI Act. La conservation des données pour la surveillance post-commercialisation s'oppose à la minimisation, et l'exercice du droit à l'effacement dans les réseaux de neurones risque de déclencher de lourdes procédures de réévaluation du modèle. De plus, la représentativité des données et la supervision humaine proactive requièrent une articulation complexe avec le RGPD.
Pour naviguer dans cette incertitude, les institutions doivent documenter de bonne foi leurs arbitrages en intégrant ces exigences dans leur gestion des risques de modèles existante.