Comment la révolution IA transforme les métiers de la conformité

Où l’IA est-elle utilisée en conformité ?

L’IA intervient déjà dans plusieurs domaines de la conformité, notamment la formation, la surveillance, l’analyse, les enquêtes et la gestion des politiques internes.

Selon notre enquête 2026 sur l’état des risques et de la conformité, la formation arrive en tête des usages de l’IA en France, à 52 %. Viennent ensuite la surveillance et le suivi (38 %), puis l’analyse des données du programme (35 %). Enfin, 30 % des organisations françaises l’utilisent pour faciliter les enquêtes, et 21 % pour la gestion des politiques internes.

Pour les professionnels de la conformité, les effets varient selon les tâches concernées : rechercher des informations, préparer des synthèses ou repérer les dossiers qui nécessitent un examen plus approfondi. Dans chacun de ces domaines, l’IA peut prendre en charge une partie du travail, mais la vérification des résultats et leur interprétation au regard du contexte restent du ressort des experts. 

Recherche et création de politiques internes

La recherche assistée par l’IA pour les politiques internes permet aux collaborateurs de retrouver plus facilement les informations dont ils ont besoin dans les documents approuvés et d’obtenir des réponses accompagnées de leurs sources. L’IA peut aussi synthétiser les changements apportés d’une version à l’autre, ce qui évite aux personnes chargées de la révision de comparer les documents ligne par ligne.

Le temps consacré à la recherche d’informations et au repérage des modifications s’en trouve réduit. Les collaborateurs accèdent plus vite aux informations validées, tandis que les responsables et les personnes chargées de l’approbation peuvent se concentrer sur le fond : vérifier que les modifications proposées sont exactes, complètes et adaptées.

Plusieurs travaux montrent que l’IA peut accélérer le repérage des informations pertinentes. Une revue exploratoire publiée en 2026 dans le domaine de la publication scientifique en santé (en anglais) a ainsi constaté que les observations de GPT-4 recoupaient celles des évaluateurs humains dans environ 30 à 35 % des cas, soit un niveau comparable à celui observé entre évaluateurs humains. Les auteurs soulignent également que l’IA peut alléger la charge liée à ce travail en repérant et en organisant les points à examiner.

Cette étude porte sur la publication scientifique et non sur la fonction conformité, mais le principe reste intéressant : dans les deux domaines, la fiabilité des sources est essentielle. L’IA peut faciliter l’examen des documents, mais le jugement final doit rester humain. Les personnes chargées de rédiger et de gérer les politiques internes doivent veiller à leur mise à jour, s’assurer que le système s’appuie sur la bonne source et vérifier l’exactitude des synthèses produites.

L’expertise humaine devient d’autant plus importante lorsque les informations disponibles ne permettent pas de trancher : une législation locale peut s’appliquer, deux politiques internes peuvent se contredire ou une situation peut tout simplement ne pas avoir été prévue. Une analyse plus poussée, voire une remontée du sujet à l’échelon approprié, peut alors s’imposer.

L’IA facilite ainsi l’accès aux politiques internes et leur examen, mais il revient toujours aux professionnels concernés de déterminer comment les appliquer lorsque la réponse n’est pas évidente ou que la situation sort du cadre prévu.

Enquêtes

Les équipes chargées des enquêtes doivent traiter un volume soutenu de signalements, alors qu’il faut compter plus de temps pour clôturer un dossier. Selon notre Rapport 2026 sur le lancement d’alerte, le taux médian de signalement a atteint 1,65 pour 100 employés dans le monde en 2025, tandis que le délai médian de clôture est passé de 21 à 28 jours. Ce niveau de signalement, associé à une hausse de 33 % du délai de clôture, accentue la pression sur les équipes, qui doivent mener des enquêtes à la fois rigoureuses, rapides et conformes aux réglementations sur le lancement d’alerte. 

L’IA peut les aider en synthétisant les signalements, en suggérant des catégories, en orientant les dossiers vers les bonnes personnes ou encore en repérant des cas similaires. Les plateformes conçues pour la conformité permettent d’intégrer ces usages aux processus existants de gestion des dossiers tout en conservant le signalement d’origine et les données sensibles dans un environnement approuvé. Les enquêteurs peuvent ainsi consacrer plus de temps au recueil des éléments de preuve, à la vérification de leur fiabilité et à l’établissement de conclusions solidement étayées.

Le recours à une IA généraliste pour résumer le contenu d’un dossier ou organiser les éléments recueillis présente de nombreux risques. Des informations sensibles peuvent être transmises à un service non approuvé, sans garantie que le contenu d’origine soit conservé ni que le raisonnement ayant conduit au résultat puisse être retracé.

Ces outils ne disposent pas non plus du contexte propre à la conformité pour saisir toutes les nuances d’une enquête. Des règles claires doivent donc préciser les outils autorisés, les informations qui peuvent leur être confiées et les étapes qui nécessitent une vérification humaine.

L’IA peut d’ailleurs intervenir avant que le signalement ne parvienne à l’enquêteur. Le rapport 2026 Safecall Whistleblowing Benchmark Report (en anglais) constate que les auteurs de signalements semblent de plus en plus nombreux à recourir à des outils d’IA grand public pour rédiger leur témoignage. Ces outils peuvent les aider à structurer leur récit, mais aussi en modifier la formulation, omettre des détails utiles ou exposer des données personnelles et confidentielles. Il est donc important de les encourager à décrire les faits avec leurs propres mots, à apporter autant de précisions que possible et à privilégier, lorsqu’ils sont disponibles, les canaux de signalement proposés dans leur langue.

Enfin, toute synthèse générée par l’IA doit être comparée au signalement d’origine, et l’auteur du signalement recontacté si des précisions sont nécessaires. L’IA peut préparer et organiser les informations à examiner. L’évaluation des éléments recueillis et la décision sur la suite à donner au dossier restent du ressort de l’enquêteur.

Analyse des risques et évaluation des tiers

L’analyse des risques repose sur le croisement de données provenant de l’ensemble du programme de risques et de conformité, par exemple les signalements, déclarations, formations, audits ou encore évaluations des risques antérieures. L’IA peut comparer ces informations dans le temps et repérer des évolutions ou des recoupements qui méritent une analyse plus approfondie. Les analystes passent ainsi moins de temps à compiler des données issues de sources distinctes.

Les recommandations de l’ ANSSI sur la gestion des risques liés à l’IA illustrent bien cette approche. L’agence préconise d’évaluer les risques associés à chaque usage de l’IA et d’adapter les mesures de maîtrise en conséquence, notamment en matière de supervision humaine, de suivi continu et de formation.

L’IA peut elle-même faciliter cette analyse en croisant les informations disponibles et en faisant ressortir les points à examiner en priorité. Le rôle de l’analyste évolue alors : il s’agit moins de rassembler les éléments nécessaires que d’en vérifier la pertinence, de les interpréter et de déterminer les mesures à prendre.

Une hausse des signalements peut refléter davantage de manquements, une meilleure connaissance des canaux ou un changement de classification. Les écarts régionaux peuvent tenir au niveau de risque, à la culture du signalement ou à l’utilisation du programme de conformité. Avant de revoir l’évaluation d’un risque ou de renforcer les contrôles, les analystes doivent confronter ces hypothèses aux données disponibles.

La même évolution concerne l’ évaluation et le suivi des tiers. L’IA peut analyser de grands volumes de données externes, repérer les correspondances pertinentes et faire ressortir les dossiers prioritaires. L’expertise humaine reste toutefois nécessaire pour vérifier l’identité du tiers, la fiabilité et l’actualité des sources, puis évaluer l’incidence des résultats sur la relation.

Autre limite : les grands modèles de langage (LLM) ne disposent pas toujours des données les plus récentes et peuvent passer à côté d’événements importants.

Pourquoi la supervision humaine reste indispensable avec l’IA

Dès que l’IA intervient dans l’interprétation d’une politique interne, une enquête, une évaluation des risques ou une décision concernant un tiers, une vérification humaine est nécessaire. Les professionnels doivent pouvoir contrôler les éléments sur lesquels repose le résultat, comprendre comment il a été obtenu et déterminer s’il est suffisamment fiable pour être utilisé.

À mesure que l’IA se généralise et que la réglementation qui encadre son utilisation évolue, cette supervision humaine permet de conserver des décisions vérifiables, explicables et étayées.

Les recherches sur l’utilisation de l’IA dans les métiers intellectuels permettent de mieux comprendre l’importance de cette supervision. Une étude menée par Fabrizio Dell’Acqua et ses collègues (en anglais) auprès de 758 consultants en management a évalué l’apport de GPT-4 sur des tâches comme la recherche d’idées, l’analyse d’informations et la formulation de recommandations. Avec l’IA, les participants ont accompli 12,2 % de tâches supplémentaires, travaillé 25,1 % plus vite et obtenu de meilleurs résultats.

Mais l’avantage disparaît lorsque la tâche exige de croiser des informations contradictoires. Dans une seconde expérience, les consultants devaient formuler une recommandation stratégique à partir de données financières et d’entretiens avec des salariés. Les chiffres semblaient conduire à une conclusion, mais les entretiens apportaient des éléments qui en modifiaient l’interprétation. GPT-4 a suivi le signal trompeur fourni par les données financières. Résultat : les consultants qui s’étaient servis de l’IA avaient 19 % de chances en moins d’arriver à la bonne conclusion.

Qu’est-ce que cela signifie concrètement pour la conformité ?

Quand l’IA peut-elle induire les professionnels de la conformité en erreur ?

De nombreux professionnels utilisent déjà l’IA pour rechercher des informations dans les politiques internes, synthétiser des signalements ou rédiger des documents. Sans outils approuvés ni règles d’utilisation claires, ces pratiques peuvent échapper aux processus de conformité établis. Il devient alors plus difficile de vérifier les résultats, de protéger les données sensibles et de conserver les éléments nécessaires pour justifier les décisions prises.

Un outil d’IA performant dans un contexte peut se révéler beaucoup moins fiable dans un autre, même pour des tâches en apparence similaires. Comme cette limite n’est pas toujours évidente à identifier, son utilisation en dehors des processus approuvés accroît les risques. L’organisation perd en visibilité sur la manière dont les résultats ont été produits, vérifiés et utilisés dans la prise de décision.

C’est l’une des principales limites des outils d’IA généralistes en matière de conformité. Une réponse peut sembler juste alors qu’elle s’appuie sur la mauvaise politique interne, qu’elle ignore certains éléments du dossier ou qu’elle utilise des données non vérifiées sur un tiers. Le recours à des services d’IA accessibles au public peut aussi faire sortir des informations sensibles du cadre prévu, avec des risques pour leur confidentialité, leur traçabilité et leur gouvernance.

Les outils de gestion des risques et de la conformité intégrant l’IA permettent de mieux maîtriser ces risques, car ils sont conçus pour ces usages. Ils s’appuient sur des sources approuvées, s’intègrent aux processus existants et conservent les éléments nécessaires au contrôle. Les professionnels de la conformité peuvent ainsi vérifier les réponses produites à partir des données d’origine avant de les utiliser.