Nos derniers articles

L'intégration des grands modèles de langage (LLM) dans les institutions financières bouleverse la gestion du risque de modèle (MRM) en raison de leur nature stochastique.
Pour dépasser l'incertitude des modèles traditionnels, l'article propose un cadre empirique fondé sur des simulations Monte-Carlo. Cette méthodologie modélise la distribution des réponses, évalue la sensibilité sémantique et la dérive comportementale, tout en mesurant l'efficacité des garde-fous.
Incapable d'être cadrée par les approches déterministes classiques, cette méthode non intrusive permet d'auditer les modèles « boîte noire », d'assurer la conformité réglementaire (EU AI Act) et d'objectiver la gouvernance des IA en production.

Le passage de l’IA générative traditionnelle aux systèmes d’IA agentique autonomes transforme le risque de modèle individuel en risque systémique macroprudentiel.
Le cadre quantitatif de dommage attendu EH = PHA × SGH × BR révèle un risque défavorable où la probabilité, la sévérité et le rayon d'impact co-varient négativement en période de crise. De plus, la monoculture autour de quelques modèles de fondation crée un plancher de risque non diversifiable, tandis que les contagions techniques, sémantiques et les comportements mimétiques de troupeau amplifient le danger.
Les contrôles à l'exécution et le capital s'avèrent inopérants face aux actions irréversibles. La gestion des risques doit donc imposer en amont un confinement robuste et des limites d'exposition structurelles via l'indice d'écart de confinement (CMI).