Comment s'articule réellement la carte réglementaire de l'IA dans la banque
Imaginez une banque de taille moyenne qui déploie un modèle d'IA chargé de scorer les demandes de prêt des petites entreprises. Le modèle a été construit par un prestataire fintech. Il a été entraîné sur des données acquises sous licence auprès d'un bureau de crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit, tourne sur une plateforme cloud et sert aux chargés de crédit dans douze États. Avant même d'approuver un seul prêt, il relève déjà de la compétence d'au moins quatre régulateurs fédéraux et d'une mosaïque de lois d'États. Aucun d'eux n'a rédigé de règlement spécifique à « l'IA ». Chacun étend des pouvoirs plus anciens pour la couvrir, et depuis 2025 plusieurs de ces pouvoirs ont bougé. La compétence qu'il vous faut : savoir quelle grille de lecture s'applique, à quel moment, et avec quelle stabilité.
Pourquoi il n'existe pas de « loi IA » unique pour les banques
Les États-Unis n'ont pas de loi fédérale globale sur l'IA dans les services financiers. Rien de comparable à l'EU AI Act ne s'applique aux banques américaines. Le texte européen classe le scoring de solvabilité comme à haut risque. Ses obligations pour les systèmes à haut risque devaient initialement s'appliquer en août 2026, mais la proposition européenne Digital Omnibus de fin 2025 les repousserait : vérifiez le calendrier en vigueur avant de vous y fier.
Les régulateurs américains appliquent plutôt aux systèmes d'IA le droit existant en matière bancaire, de protection des consommateurs et de fair lending. Le « règlement IA » d'une banque américaine, ce sont plusieurs règlements qui se chevauchent. Chacun est déclenché par une caractéristique différente du même modèle : ce qu'il fait, qui il touche et où.
Les régulateurs bancaires fédéraux : la grille de la sécurité et de la solidité
Trois agences supervisent directement les banques. Chacune aborde l'IA d'abord comme un sujet de model risk : le risque qu'un modèle soit faux, mal utilisé ou mal compris, et que l'erreur cause un préjudice financier ou de réputation.
- L'OCC (Office of the Comptroller of the Currency) supervise les banques à charte nationale. Il applique les attentes en matière de model risk de SR 11-7, une guidance conjointe Fed/OCC de 2011. SR 11-7 est antérieure au machine learning moderne, mais les examinateurs l'utilisent toujours comme framework par défaut pour les modèles d'IA : validation, documentation et monitoring continu.
- La Federal Reserve supervise les holdings bancaires et les banques membres à charte d'État. Elle a co-rédigé SR 11-7 et demande aux conseils d'administration s'ils comprennent l'IA intégrée dans des logiciels de prestataires qu'ils n'ont pas construits.
- La FDIC supervise les banques non membres à charte d'État, avec des attentes similaires en matière de model risk. Elle surveille de près les outils d'IA tiers dans les banques de proximité qui n'ont pas d'équipe data science interne.
Aucune des trois n'a publié de règles contraignantes propres à l'IA. Elles utilisent la grille qu'elles appliquaient au credit scoring statistique dans les années 1990 : pouvez-vous l'expliquer, le valider et le contrôler.
La grille de la protection des consommateurs : CFPB et fair lending
Le CFPB (Consumer Financial Protection Bureau) pose une autre question. Ce qui l'intéresse d'abord, ce n'est pas la précision du modèle. C'est de savoir si le modèle a traité un consommateur de façon déloyale ou illégale.
Deux lois font le travail :
- L'ECOA (Equal Credit Opportunity Act, 1974) et la Regulation B interdisent la discrimination dans les décisions de crédit. Elles obligent aussi les prêteurs à donner aux demandeurs des motifs de refus précis et exacts, même quand c'est un modèle de machine learning qui a tranché. En 2023, le CFPB a indiqué explicitement que des motifs génériques cochés dans une liste ne suffisent pas pour des modèles complexes.
- Le FCRA (Fair Credit Reporting Act, 1970) encadre la façon dont les données des bureaux de crédit alimentent les décisions automatisées et les informations que reçoivent les consommateurs.
Le paysage fédéral a fortement changé en 2025. Le CFPB a perdu l'essentiel de ses effectifs, abandonné une grande partie de ses procédures en cours et, en mai 2025, retiré des dizaines de documents de guidance. Un décret présidentiel d'avril 2025 a demandé aux agences fédérales de ne plus faire de l'application du disparate impact une priorité. L'OCC a ensuite retiré le disparate impact de ses procédures d'examen fair lending. Fin 2025, le CFPB a proposé de modifier la Regulation B pour ne plus reconnaître la responsabilité au titre du disparate impact sous l'ECOA.
Le disparate impact désigne le cas où un modèle est neutre en apparence (il n'utilise jamais l'origine ethnique comme variable) mais produit malgré tout des résultats discriminatoires, parce qu'une variable corrélée, comme le code postal ou le parcours scolaire, sert de proxy. Les examinateurs fédéraux insistent beaucoup moins sur ce point. Le risque n'a pas disparu pour autant, pour trois raisons :
- L'obligation de notification des décisions défavorables (adverse action notice) découle de la loi ECOA elle-même, pas d'une guidance. Un vague « le modèle a dit non » reste une infraction.
- La discrimination intentionnelle (disparate treatment) reste illégale, et les particuliers peuvent toujours agir en justice.
- Les attorneys general et les lois des États prennent le relais. Le Massachusetts a obtenu en juillet 2025 une transaction de 2,5 millions de dollars avec un prêteur étudiant, pour un underwriting par IA qui aurait désavantagé les demandeurs noirs, hispaniques et non-citoyens.
La politique fédérale peut aussi revenir en arrière avec une nouvelle administration. Un modèle déployé en 2026 peut encore être utilisé en 2030.
La compétence concurrente de la FTC
La FTC (Federal Trade Commission) sanctionne les pratiques déloyales ou trompeuses au titre de la Section 5 du FTC Act. Elle a autorité sur les fintechs non bancaires, les data brokers et les fournisseurs d'IA, que les régulateurs bancaires ne peuvent pas superviser directement.
En 2023, la FTC a prévenu les entreprises que survendre ce dont un algorithme est capable constitue en soi une pratique trompeuse. Présenter un modèle de crédit comme « sans biais » sans preuve en est un exemple. Cela vaut que le modèle discrimine réellement ou non. La FTC a enchaîné en 2024 avec les affaires « Operation AI Comply » contre des entreprises aux allégations IA exagérées, et les procédures pour allégations trompeuses se poursuivent sous la commission actuelle.
La plupart des modèles de crédit IA ne sont pas entièrement construits en interne. Une banque qui s'associe à un prestataire fintech d'underwriting hérite de l'exposition FTC à travers ce prestataire, même si la FTC ne peut pas examiner la banque comme le fait l'OCC.
Les régulateurs des États et le problème de la mosaïque
Les départements bancaires des États, les commissaires aux assurances et les attorneys general ajoutent une couche supplémentaire, et c'est aujourd'hui la plus active.
- Le Colorado AI Act (SB 24-205) considère l'IA utilisée dans les décisions de crédit comme à haut risque. Il impose des impact assessments, des notifications aux consommateurs et une obligation d'éviter la discrimination algorithmique. Son entrée en vigueur a été repoussée au 30 juin 2026, et le législateur continue de le réviser : vérifiez le texte en vigueur.
- Le régulateur californien de la vie privée a finalisé en 2025 des règles sur les technologies de prise de décision automatisée (ADMT) au titre du CCPA. Les entreprises qui utilisent l'ADMT pour des décisions importantes, services financiers compris, doivent fournir des notifications et des droits d'opt-out ou d'accès, avec une mise en conformité progressive à partir de 2027. Certaines données bancaires couvertes par la loi fédérale sur la vie privée (GLBA) sont exemptées, mais les produits périphériques à la banque ne le sont souvent pas.
- Le Department of Financial Services de New York a publié en 2024 une guidance IA pour les assureurs, et ses règles de cybersécurité s'appliquent à l'IA utilisée par les banques qu'il agrée.
Conséquence pratique : une banque présente dans 12 États peut faire face à plusieurs exigences différentes de notification, d'assessment ou d'opt-out pour le même modèle, alors que les régulateurs bancaires fédéraux n'exigent qu'un seul framework de model risk.
Assembler la carte : un modèle, quatre grilles
Revenons au modèle de prêt aux petites entreprises. Voici comment un même déploiement est tiré dans des directions différentes :
| Régulateur | Question posée | Fondement juridique |
|---|---|---|
| OCC / Fed / FDIC | Le modèle est-il validé, documenté, suivi ? | Guidance model risk SR 11-7 |
| CFPB | Le demandeur refusé a-t-il reçu un motif précis et exact ? | ECOA / Regulation B |
| FTC | Quelqu'un a-t-il survendu l'équité ou la précision du modèle ? | FTC Act Section 5 |
| États | Un impact assessment, une notification ou un opt-out est-il requis ? Le résultat est-il discriminatoire au regard du droit de l'État ? | Colorado AI Act, règles ADMT du CCPA, lois des États sur le fair lending et UDAP |
Un modèle peut passer la checklist de validation de l'OCC et violer quand même l'ECOA si ses adverse action notices sont vagues. Il peut être techniquement équitable et déclencher quand même une action de la FTC si le marketing l'a survendu. Il peut franchir tous les contrôles fédéraux et enfreindre quand même les règles du Colorado. Être conforme au regard d'une grille ne signifie pas être conforme au regard de toutes.
Vérification des acquis
1. Pourquoi un modèle d'IA utilisé par une banque américaine relève-t-il de plusieurs régimes réglementaires à la fois, plutôt que d'une loi IA dédiée ?
2. Comment les régulateurs bancaires fédéraux (comme l'OCC) abordent-ils principalement le risque posé par les modèles d'IA utilisés dans la banque ?
3. SR 11-7 a été rédigée en 2011, avant l'existence du machine learning moderne. Qu'illustre son utilisation persistante pour la supervision des modèles d'IA quant à la régulation de l'IA financière aux États-Unis ?
4. Sélectionnez TOUTES les bonnes réponses expliquant pourquoi un même modèle d'IA bancaire peut déclencher simultanément la supervision de plusieurs régulateurs fédéraux.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les bonnes réponses décrivant en quoi l'EU AI Act diffère de l'approche américaine de l'IA dans la banque, telle que décrite dans la leçon.
Sélectionnez toutes les réponses correctes.
Garde-fousGarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète → pratiques avant déploiement
Une checklist de pré-déploiement défendable pour un modèle IA de crédit ou de risque ressemble à ceci :
- Documentation du modèle suffisante pour une validation de type SR 11-7. Consignez les données d'entraînement, les limites connues du modèle et le responsable du monitoring continu.
- Une logique d'adverse action qui produit des motifs de refus précis et individualisés, pas seulement un score global. Cela suppose en général un outillage d'explicabilité (valeurs SHAP, par exemple) par-dessus le modèle.
- Des tests de disparate impact avant le lancement, puis à intervalles réguliers à mesure que le modèle ou la population de demandeurs dérive. Continuez même si les examinateurs fédéraux le demandent moins souvent. Les lois des États et les plaignants privés s'y appuient toujours, et la politique fédérale peut encore changer.
- Une due diligence fournisseurs qui considère que l'IA tierce porte l'exposition propre de la banque. La guidance interagences de 2023 sur la gestion du risque tiers (OCC, Fed, FDIC) est claire : externaliser le modèle n'externalise pas la responsabilité.
- Une cartographie État par État des lieux d'utilisation du modèle, qui signale les États comme le Colorado exigeant des impact assessments ou des notifications.
- Une revue du marketing et des informations communiquées, pour qu'aucune affirmation sur l'équité ou la précision du modèle n'aille au-delà de ce qui a été validé.
Un contrôle fair lending simplifié sur les sorties du modèle pourrait ressembler à ceci :
# Contrôle simple du ratio de disparate impact (à titre d'illustration uniquement)
approval_rate_group_a = approvals_group_a / applications_group_a
approval_rate_group_b = approvals_group_b / applications_group_b
di_ratio = approval_rate_group_b / approval_rate_group_a
# Les ratios inférieurs à 0,80 (la « règle des quatre cinquièmes ») sont
# couramment signalés pour un examen approfondi. C'est une règle empirique,
# pas un safe harbor au regard de l'ECOA ou du droit des ÉtatsLa règle des quatre cinquièmes vient de la guidance de l'EEOC (Equal Employment Opportunity Commission) en matière d'emploi et a été transposée de manière informelle au crédit. Utilisez-la pour filtrer, pas pour prouver la conformité.
🎬 [VIDÉO : « How AI Bias Happens in Lending » - https://www.youtube.com/results?search_query=AI+bias+lending+regulation - cherchez des contenus explicatifs récents de la Brookings, de régulateurs d'États ou de grands cabinets d'avocats sur le fair lending algorithmique, utiles en complément visuel de cette leçon]
Points clés
- Aucune loi américaine unique ne régit l'IA dans la banque. Sécurité et solidité bancaires (SR 11-7), protection des consommateurs (ECOA, FCRA), Section 5 de la FTC et règles des États s'appliquent en même temps.
- L'application fédérale du fair lending a reculé en 2025. Le disparate impact n'est plus prioritaire, l'OCC l'a retiré de ses examens et le CFPB a proposé de le supprimer de la Regulation B. L'obligation légale de donner des motifs de refus précis n'a pas changé.
- Les États sont désormais la couche la plus active. Le Colorado AI Act, les règles ADMT de Californie et les transactions conclues par les attorneys general créent une exposition réelle.
- Un modèle qui passe le test d'un régulateur peut échouer à celui d'un autre. Une IA construite par un prestataire ne réduit pas la responsabilité de la banque.
- Continuez à faire des tests de disparate impact et à tenir la documentation. Les priorités fédérales changent d'une administration à l'autre, mais les modèles restent en production pendant des années.
Articles liés
Les articles récents du blog qui s'appuient sur cette leçon.