L'IA en production dans la finance régulée
Je suis Adam Boudjemaa. Je livre de l'IA en production là où une mauvaise réponse coûte cher : du RAG qui cite ce qu'il a utilisé et s'abstient quand il ne peut pas, des agents confinés à un accès de moindre privilège, une conformité imposée par le système plutôt que promise dans une politique, et des évals qui bloquent la mise en production. C'est l'ingénierie, pas le discours commercial.
La finance régulée est l'endroit le plus difficile pour faire tourner de l'IA, et celui que je connais de l'intérieur. J'ai livré seul une plateforme GenAI de 11 agents à la livraison initiale pour un fonds de private equity immobilier américain gérant environ 3 Md$ d'actifs, et je suis l'un des cinq auteurs nommés d'ERC-3643, le standard Ethereum désormais utilisé pour $32B+d'actifs tokenisés. Cette page est le fil conducteur de quatre notes de terrain : les quatre choses qui changent vraiment quand le client est une institution financière régulée, et comment chacune se construit.
Par Adam Boudjemaa · Publié le 2026-07-23 · Dernière mise à jour de fond le 2026-10-06
// LA THÈSE
Pourquoi la finance régulée est le terrain d'épreuve
La plupart des démos d'IA sont jugées sur leur capacité à répondre. Dans le workflow d'un fonds, la vraie question est de savoir si le système sait quand ne pas répondre. Un chiffre halluciné dans un rapprochement n'est pas un bug mignon, c'est un nombre qu'un régulateur pourrait lire. L'accès aux données sous-jacentes est cadré, audité et juridiquement borné, si bien que l'ingénierie difficile est souvent ce que vous n'avez pas le droit d'envoyer où, pas l'appel au modèle.
Cette pression est précisément ce qui fait de la finance régulée un bon révélateur. Elle transforme les options en exigences : citation vérifiée, abstention fondée sur la preuve, permission confinée, une piste d'audit défendable, et un seul responsable, de la recherche jusqu'à la réponse. Concevez pour cet environnement, et le même système tient partout ailleurs. Les quatre piliers ci-dessous sont ma façon de rendre cela concret, et chacun renvoie vers une note de terrain qui montre la construction.
// L'APPROCHE
Quatre piliers, et la note de terrain derrière chacun
RAG fondé sur la preuve
Le système cite ce qu'il a réellement utilisé, et il s'abstient quand la preuve n'est pas là. Citations vérifiées et abstention fondée sur la preuve battent une réponse assurée mais fausse, dès que la réponse touche aux comptes d'un fonds.
▸ Citations vérifiées et abstention en RAGConfinement et moindre privilège
Je conçois le système en supposant qu'une injection de prompt peut contourner les défenses du modèle. Les actions qui déplacent de l'argent s'exécutent sous une permission cadrée et révocable, avec un contrôle humain, jamais sur la confiance que le modèle s'est bien comporté.
▸ Moindre privilège pour les agents qui paientPermissions contrôlées par le système
Autoriser la recherche et l'exécution des outils côté serveur. Les journaux et les versions de prompts aident à analyser les actions, mais ne contrôlent pas seuls les accès. Définir les exigences avec l'équipe conformité.
▸ L'AI Act européen : checklist d'ingénierieDes évals qui bloquent la mise en production
Les évals décident si un agent part en production, pas si un benchmark a bonne allure. L'abstention y est notée comme une dimension à part entière, aux côtés des résultats de red-team.
▸ La suite d'évals qui bloque une releaseLES PERMISSIONS DANS LE SYSTÈME
Contrôler les permissions au moment de l’action
Le développement de tokens m'a appris à rendre les permissions explicites. ERC-3643 vérifie le destinataire et les règles de transfert, avec des chemins privilégiés distincts pour les opérations de l'émetteur. En IA, les autorisations doivent être contrôlées dans la recherche et les outils. Le modèle ne peut pas s'accorder un accès, et un journal d'audit ne suffit pas à empêcher une action non autorisée.
Mon expérience couvre l'infrastructure de tokens ERC-3643 et le RAG en production, avec abstention, citations vérifiées, évaluations et pistes d'audit. Pour examiner les preuves et les contrôles opérationnels d'un système IA, j'utilise l'échelle de preuve FDE (en anglais).
// PREUVES
Le socle sur lequel tout cela repose
Des systèmes distincts, des chiffres distincts. La plateforme de 11 agents du fonds et les 46 agents d'opérations internes d'Integra étaient des déploiements séparés, et je les garde séparés.
11
Agents à la livraison initiale pour un fonds confidentiel de ~3 Md$ d'actifs
$32B+
Tokenisés sur ERC-3643, un standard dont je suis auteur nommé
$441M
Volume on-chain traité via des rails d'abstraction de compte
38M+
Transactions sur cette infrastructure
46
Agents d'opérations internes déployés chez Integra (2025-26)
3
Spécifications fusionnées ; également co-auteur du draft ERC-8203 non fusionné
ERC-3643, le standard derrière cette couche de conformité, a été cité nommément par le président de la SEC. Cité, pas approuvé, et cette distinction est tout l'intérêt d'écrire des standards qui survivent à la revue plutôt que des slides qui n'y survivent pas.
// NOTES DE TERRAIN
Lisez les notes de terrain
Un retour de praticien par pilier, plus les constructions dont ils sont tirés et les notes sur le coût, l'audit, le dossier technique et les seuils de mise en production. Ils s'appuient sur mon travail d'ingénierie, et les modèles illustratifs comme les schémas proposés y sont signalés comme tels.
Citations vérifiées et abstention en RAG
La conception citation-vérifiée-plus-abstention qui permet à un système de dire « je n'ai pas de quoi répondre » au sein d'un fonds régulé.
▸ Lire la note de terrainMoindre privilège pour les agents qui paient
Des permissions limitées et des validations humaines pour contenir les actions d'un agent qui suit une instruction non fiable.
▸ Lire la note de terrainL'AI Act européen : checklist d'ingénierie
Article par article, ce qu'un ingénieur change vraiment : quoi journaliser, comment versionner un prompt, comment prouver l'exactitude.
▸ Lire la note de terrainLa suite d'évals qui bloque une release
La suite qui a décidé si un agent partait en production, avec l'abstention notée comme dimension à part entière.
▸ Lire la note de terrainRapprochement bancaire : 8 h à 23 min avec un agent IA
La construction phare : un agent en production dans un fonds, et pourquoi ce qu'il refusait de rapprocher comptait plus que sa vitesse.
▸ Lire la note de terrain11 agents IA en production dans un fonds PE de 3 Md$
La plateforme d'où vient l'agent de rapprochement : recherche partagée, garde-fous partagés, et pourquoi les garde-fous ont été le plus dur.
▸ Lire la note de terrainCe que coûte vraiment un parc de 46 agents IA
Un modèle de coût illustratif pour un parc d'agents : inférence, revue humaine et maintenance, et pourquoi l'inférence pèse le moins.
▸ Lire la note de terrainProuver le travail d'un agent IA à un auditeur
Un schéma d'enregistrement d'audit proposé : sources, contrôles, décisions et revue, pour pouvoir réexaminer une sortie précise plus tard.
▸ Lire la note de terrainLe dossier technique de l’AI Act, à partir des preuves
Construire le dossier de l'Article 11 à partir de preuves traçables et de décisions revues, sans confondre génération de document et conformité.
▸ Lire la note de terrainComment mériter un seuil d'éval
Figer un jeu d'évaluation, chiffrer les deux sens de l'erreur, et laisser le seuil de mise en production en découler.
▸ Lire la note de terrainCiter cette page
Boudjemaa, Adam. « L'IA en production dans la finance régulée. » adam-boudjemaa.com, 2026-07-23. https://adam-boudjemaa.com/fr/ai-in-regulated-finance
À lire ensuite
Forward-Deployed AI Engineer
EN ANGLAISLe rôle qui livre ce travail : un ingénieur de production embarqué dans l'environnement réel du client.
The FDE Evidence Ladder
EN ANGLAISUne grille de revue des preuves et des contrôles opérationnels d'un système IA.
Les standards Ethereum
EN ANGLAISERC-3643, ERC-6960 et ERC-7410 : interfaces, contrôles et choix d’implémentation.
FAQ
Des réponses courtes aux questions que soulève cette page, chacune renvoyant à l'article qui la démontre.