La vision de l'IA derrière Ondorse : Redéfinir KYB pour l'avenir

Les grands modèles linguistiques sont les outils logiciels les plus impressionnants que j’aie rencontrés au cours de mes quinze années passées à créer des entreprises technologiques. Ils sont capables de lire un document non structuré et d’en extraire des informations structurées. Ils peuvent concilier des informations contradictoires provenant de plusieurs sources. Ils peuvent repérer une incohérence cachée dans un fichier KYB qu’un analyste fatigué aurait manquée un vendredi après-midi. Ce sont là des capacités qui apportent une réponse directe à certains des problèmes opérationnels les plus complexes en matière de conformité.

C'est précisément la puissance de ces outils qui fait de leur mise en œuvre un défi technique de taille. La conformité exige que chaque décision soit traçable, que chaque action soit vérifiable et que chaque résultat soit reproductible.

Pour exploiter ces technologies dans un cadre réglementé, il faut mettre en place l'infrastructure adaptée.

Chez Ondorse, nous avons passé trois ans à réfléchir à ce à quoi ressemblerait cette infrastructure. Cet article explique les choix architecturaux que nous avons faits et pourquoi nous pensons qu'ils sont les bons.

L'IA sans système d'enregistrement n'est que de la conjecture

La première question à se poser avant de mettre en œuvre une IA dans le domaine de la conformité n'est pas « quel modèle dois-je utiliser ? », mais : « de quel système de référence dispose-je pour mes données KYB/KYC ? »

La plupart des entités soumises à une réglementation gèrent leur conformité à l'aide d'un logiciel de gestion de la relation client (CRM) (Salesforce, HubSpot) ou d'un système de back-office développé en interne. Le problème est que ces outils ont été conçus pour gérer les relations commerciales, et non la gestion des risques. Leur modèle de données s'articule autour des interactions commerciales. Leur vision globale est axée sur le pipeline, et non sur le dossier.

Tout comme les analystes humains, les agents IA ont besoin d'une représentation claire du monde pour fonctionner correctement : quels objets est-ce que je manipule ? Quel est le résultat attendu ? De quels outils est-ce que je dispose ? Un CRM ne peut pas répondre à ces questions en matière de conformité.

Voici ce qu'est Ondorse : un système d'enregistrement articulé autour d'une vision centrée sur les risques pour chaque client. Quel risque cette entité représente-t-elle ? Quelles données et quels événements m'ont amené à revoir cette évaluation ? Quelles mesures ai-je prises en conséquence ? C'est cette vision globale dont un agent d'IA a besoin pour être utile dans un contexte de conformité.

Sans cette étape, c'est comme si vous présentiez une feuille de calcul à un modèle de langage de grande envergure (LLM) en lui demandant d'évaluer votre niveau de conformité. Cela relève de la conjecture, et les autorités de régulation s'en rendront compte.

Les flux de travail séquentiels nuisent à l'automatisation de la conformité

La deuxième condition préalable à la mise en œuvre de l'IA dans le domaine de la conformité est une architecture de flux de travail adaptée.

La plupart des outils de conformité, ainsi que la plupart des outils d'IA intégrés à la conformité, s'articulent autour de flux de travail séquentiels. Étape 1, puis étape 2, puis étape 3. Ils sont clairs, prévisibles et faciles à schématiser sur un tableau blanc.

Le problème, c'est qu'ils ne respectent pas les règles de conformité.

La conformité est une liste de contrôle conditionnelle, et non un processus linéaire. Les données sous-jacentes d’un dossier évoluent constamment, d’autant plus que le KYC continu est désormais la norme. Un nouveau signalement de transaction, une alerte liée à des données publiques, l’expiration d’un document, la mise à jour d’un questionnaire : tous ces éléments peuvent déclencher de nouvelles tâches à n’importe quel moment du cycle de vie d’un dossier. Les workflows séquentiels ne peuvent pas gérer cela sans devoir être entièrement repensés à chaque fois.

Ondorse s'articule autour de ce que nous appelons des « workflows natifs aux conditions » : un ensemble de tâches où chacune d'entre elles est déclenchée par des conditions évaluées en continu, et non par sa position dans une séquence. Des millions de conditions sont évaluées chaque jour sur notre plateforme. Cette architecture est en place depuis 2022, bien avant l'avènement des modèles de langage à grande échelle (LLM).

C'est important pour l'IA, car celle-ci doit s'intégrer dans un espace d'états bien défini. Si votre flux de travail suit une séquence rigide, l'IA ne peut pas y être intégrée de manière intelligente. Si votre flux de travail est basé sur des conditions, l'IA peut intervenir exactement au bon moment, lorsqu'une condition spécifique est remplie dans un cas précis.

Les machines à états : la structure qui garantit la fiabilité de l'IA

Les grands modèles de langage (LLM) fonctionnent selon un principe probabiliste. Ils émettent des hypothèses. C’est ce qui les rend puissants pour les tâches linguistiques, mais dangereux pour les tâches opérationnelles en l’absence de garde-fous. Sans structure, un agent IA peut rester bloqué indéfiniment sur un appel d’outil qui échoue, inventer de toutes pièces des informations manquantes ou omettre une étape sur laquelle l’autorité de régulation lui posera des questions.

Les machines à états constituent la solution conforme aux exigences réglementaires.

Au lieu de demander à un LLM « Que faut-il faire ensuite ? », une machine à états pose des questions précises et bien délimitées dans le cadre d’un flux contrôlé. L’agent ne peut évoluer qu’en suivant des transitions définies. Chaque état est vérifiable. Chaque transition est consignée. Le comportement est reproductible.

Les machines à états ne constituent pas un concept nouveau en matière d’IA. Elles ne relèvent même pas du domaine du génie logiciel. Il s’agit d’un concept mathématique, bien plus ancien que les modèles de langage à grande échelle (LLM). Mais elles apportent précisément la réponse adéquate au problème du déploiement fiable de l’IA dans des environnements réglementés. L’architecture d’Ondorse s’articule autour de machines à états, tant au niveau des tâches qu’au niveau des cas. Elle a été conçue ainsi avant même l’apparition des LLM. Il s’avère que c’était là la base idéale pour l’ère de l’IA.

Deux catégories de tâches liées à l'IA et pourquoi cette distinction est importante

Toutes les tâches d'IA liées à la conformité ne se valent pas. Nous avons jugé essentiel de distinguer deux catégories :

Les tâches à contexte unique sont celles pour lesquelles les données contenues dans Ondorse, c'est-à-dire le dossier client, suffisent à les mener à bien. La vérification de documents, le contrôle de cohérence, le signalement d’anomalies dans un questionnaire « Know Your Business » (KYB), la vérification de la cohérence de la structure de l’actionnariat avec les informations déclarées : toutes ces tâches peuvent être résolues à l’aide des données dont dispose déjà Ondorse. Ces tâches représentent les gains de productivité les plus importants actuellement réalisables. Nous intégrons directement l’IA dans la plateforme pour ces tâches. Elle est traçable, vérifiable et dotée de garde-fous déterministes lorsque la conformité l’exige.

Les tâches multi-contextes sont des tâches qui nécessitent d’extraire des données d’autres systèmes : un CRM, une plateforme de surveillance des transactions, un outil de gestion de la relation client (CSM). La résolution de ces tâches implique de croiser des informations provenant de plusieurs systèmes. Dans ce cas, l’architecture adéquate n’est pas un « copilote » de plateforme de conformité. Il s’agit d’un agent IA disposant de droits sur plusieurs plateformes : Ondorse, Zendesk, votre CRM interne. Cet agent agit au nom d’un membre de l’équipe de conformité. L’API d’Ondorse est conçue pour constituer la couche de « compétences » en matière de conformité de ces agents : un ensemble d’outils structuré et bien documenté qui indique à l’agent ce qu’il peut et ne peut pas faire dans le domaine de la conformité, en toute sécurité.

Cette distinction est importante, car confondre les deux conduit à une mauvaise architecture. Tenter de résoudre des problèmes multi-contextes à l’aide d’un copilote sur plateforme unique conduit à des erreurs d’appréciation et à une dérive des objectifs. Tenter de résoudre des problèmes mono-contexte à l’aide d’une configuration multi-agents complexe entraîne des coûts inutiles et une fragilité du système.

Un autre point de vue : l'IA au service de la configuration, et pas seulement de l'exécution

Il existe une troisième application de l'IA dans le domaine de la conformité qui est souvent négligée : la configuration du processus de conformité lui-même.

Il est essentiel de pouvoir adapter rapidement votre politique KYC/KYB. Lorsque la réglementation évolue ou lorsque votre équipe chargée de la conformité décide d’ajouter une nouvelle exigence documentaire pour un type d’entité spécifique, le délai entre la prise de décision et la mise en œuvre effective dans votre flux de travail doit se compter en jours, et non en mois.

Historiquement, les outils de conformité flexibles ne pouvaient être configurés que par des équipes techniques. Cela créait un goulot d’étranglement : le responsable de la conformité ne pouvait pas modifier le processus sans faire appel à un développeur. L’IA change la donne. Chez Ondorse, les opérateurs de conformité peuvent configurer des workflows en langage naturel, en décrivant une nouvelle règle qui se traduit ensuite par une condition active sur la plateforme. On passe ainsi du « no-code » au « prompt ». Cela supprime l’intermédiaire technique et réduit considérablement les délais de mise en œuvre des nouveaux modèles de conformité.

Le coût de l'IA est bien réel : utilisez-la là où cela compte vraiment

Il existe un axiome dans le domaine des logiciels selon lequel les coûts marginaux tendent vers zéro. Cela ne s'applique pas aux grands modèles de langage (LLM) de pointe.

Exécuter un modèle de grande envergure pour chaque tâche de conformité, qu’il apporte ou non une valeur ajoutée par rapport à une logique déterministe, est coûteux et source de gaspillage. Chez Ondorse, nous avons adopté une approche réfléchie à cet égard : nous n’utilisons pas de modèle de langage à grande échelle (LLM) lorsqu’une évaluation par moteur de règles suffit. Comparaisons de chaînes de caractères, validations de dates, vérifications de seuils : toutes ces opérations s’effectuent à l’aide de logiciels traditionnels, à un coût quasi nul.

Nous recourons à l'IA lorsqu'elle offre un réel avantage par rapport aux approches antérieures : compréhension de documents, extraction d'informations nuancées, analyse en langage naturel de données non structurées et configuration en langage naturel. C'est dans ces tâches que les modèles de langage à grande échelle (LLM) justifient leur coût.

Un être humain, après tout

L'IA ne va pas tout automatiser, et ce n'est d'ailleurs pas souhaitable.

Il y aura toujours des cas où le jugement humain n'est pas seulement préférable, mais indispensable. L'approbation par un directeur financier d'un compte sensible. La décision d'un responsable de la conformité face à une situation ambiguë concernant une personnalité politique ou une personnalité éminente (PEP). Un contrôle manuel déclenché par une structure de propriété inhabituelle comportant plusieurs niveaux de sociétés holding.

Chez Ondorse, notre objectif n’est pas d’éliminer le travail humain dans le domaine de la conformité. Il s’agit plutôt d’éliminer le travail humain superflu: ces tâches répétitives et peu exigeantes en matière de jugement qui ralentissent les équipes sans apporter de valeur ajoutée significative en matière de conformité. Plus nous automatisons ces tâches, plus les professionnels de la conformité disposent de temps pour se consacrer aux décisions qui nécessitent réellement leur intervention.

Nous construisons ce projet en nous appuyant sur des machines à états plutôt que sur le chaos, avec un véritable système d’enregistrement plutôt qu’une simple interface de chatbot, et en accordant à l’IA la place qui lui revient : celle d’un assistant puissant au service du jugement humain, et non celle d’un substitut à celui-ci.