IA en services financiers au Canada : cas d’usage et attentes de l’AMF

L’IA en services financiers au Canada est passée de l’expérimentation à la production encadrée. Banques, caisses, prêteurs, assureurs et gestionnaires de patrimoine l’utilisent pour lire des documents, trier des alertes, répondre aux questions du personnel et préparer des dossiers de crédit. Parallèlement, les organismes de réglementation ont précisé leurs attentes : au Québec, l’AMF a publié en avril 2026 sa ligne directrice sur l’utilisation de l’intelligence artificielle, et au fédéral, la ligne directrice E-23 du BSIF sur le risque de modélisation vise explicitement l’IA. Les deux entrent en vigueur le 1er mai 2027.

Pour une institution financière, la question n’est donc plus de savoir si l’IA est permise. Elle est de savoir par quels processus commencer, comment encadrer les modèles et comment mettre un premier système en production sans créer de problème de risque de modélisation. Ce guide aborde les trois.

Comment les institutions financières canadiennes utilisent-elles l’IA?#

Les cas d’usage qui atteignent la production ont un point commun : ils sont à fort volume, riches en texte, et ils appuient une décision que prend encore une personne qualifiée.

Enquêtes sur les alertes de blanchiment d’argent

Les systèmes de surveillance des transactions produisent bien plus d’alertes que les enquêteurs ne peuvent en traiter confortablement. Un assistant IA peut rassembler le profil du client, l’historique des transactions, les alertes antérieures et les mentions défavorables dans les médias, résumer l’activité et rédiger le récit d’enquête selon votre gabarit. L’enquêteur révise, décide et signe. Les décisions de déclaration prévues par les règles canadiennes de lutte contre le blanchiment d’argent restent entre les mains de personnes ; l’IA réduit le temps consacré à monter le dossier.

Crédit commercial

Les analystes de crédit commercial passent des heures à saisir des états financiers, à lire des clauses restrictives et à rédiger des notes de crédit. Le traitement de documents extrait les chiffres des états financiers, déclarations de revenus et évaluations vers votre gabarit d’analyse, avec un indice de confiance par valeur et un lien vers la page source. L’analyste vérifie les chiffres et rédige la recommandation. L’octroi du crédit reste régi par votre politique de crédit et par vos équipes.

Ouverture de compte et vérification de l’identité

Un dossier d’ouverture réunit pièces d’identité, documents d’entreprise, renseignements sur les bénéficiaires effectifs et preuves de provenance des fonds. L’IA peut classer les documents, extraire les champs requis, les comparer à ce que le client a déclaré et dresser la liste de ce qui manque, pour que l’équipe relance dès le premier jour plutôt qu’à la troisième semaine.

Traitement des plaintes

Les plaintes arrivent par téléphone, courriel, en succursale et sur les réseaux sociaux. L’IA peut classer chaque plainte par produit et par enjeu, repérer celles qui exigent une escalade, suivre les délais et rédiger les accusés de réception, ce qui facilite le respect des procédures de traitement des plaintes attendues par les organismes de réglementation.

Assistants de connaissances pour le personnel

Le personnel en succursale, les conseillers et les agents du centre de contact cherchent des réponses dans des centaines de politiques, guides de produits et procédures. Un assistant qui répond à partir de vos documents approuvés, cite la source et respecte les droits d’accès réduit les escalades et les réponses incohérentes.

Prévisions et analytique

Prévisions de liquidités, comportement des dépôts, tendances de délinquance et planification du personnel en succursale profitent de modèles de prévisions et d’analytique bâtis sur vos propres données. Ce sont des modèles quantitatifs classiques qui relèvent pleinement de la gestion du risque de modélisation.

Qu’attendent l’AMF et le BSIF de l’IA en services financiers?#

Le droit de la vie privée s’applique à tout cela : la Loi 25 au Québec et la LPRPDE au fédéral, avec l’évaluation des facteurs relatifs à la vie privée, les règles de consentement, la transparence des décisions automatisées et l’encadrement des communications hors Québec. Notre guide sur la conformité IA à la Loi 25 couvre ces obligations.

Ce que ces lignes directrices exigent concrètement

Ni l’AMF ni le BSIF n’interdisent une technique en particulier. Ils s’attendent à ce que vous sachiez où sont vos modèles, à quel point chacun est risqué et s’il fonctionne toujours. Pour un système d’IA, cela se traduit par du travail d’ingénierie concret :

• Une entrée au répertoire pour chaque composant d’IA, y compris les modèles de tiers utilisés par API, avec responsable, finalité, données et cote de risque.
• Une conception et des données documentées : quels documents le modèle lit, comment les requêtes sont construites et ce qu’il n’a pas le droit de faire.
• Une validation avant l’utilisation, sur un ensemble de tests tiré de vos propres dossiers, révisée par une personne indépendante de l’équipe de développement pour les usages plus risqués.
• Une surveillance continue de la précision, de la dérive, des dérogations et des plaintes, avec des seuils qui déclenchent une révision.
• Un contrôle des changements, pour qu’une nouvelle version de modèle ou de requête soit testée sur le même ensemble avant sa mise en service.

Rien de tout cela n’est inhabituel pour une équipe qui bâtit correctement de l’IA en production. Une suite d’évaluation et une journalisation complète rendent la conformité peu coûteuse.

Concevoir l’IA pour une institution réglementée#

Quelques principes font la différence entre un système qui passe l’examen du risque de modélisation et un système qui s’y enlise.

1. Les personnes restent responsables des décisions. L’IA prépare, résume, extrait et recommande. Un rôle nommé décide, surtout pour le crédit, la fraude, les déclarations de blanchiment et tout ce qui est défavorable à un client.
2. Citer la source. Chaque résumé ou réponse renvoie au document, à la page ou à la transaction d’origine, pour qu’un réviseur puisse vérifier en quelques secondes.
3. Héberger au Canada, sous votre contrôle. Bâtissez dans votre propre compte infonuagique, dans des régions canadiennes, avec des points de terminaison privés qui n’entraînent pas de modèles avec vos données. Notre article sur la résidence des données au Canada pour l’IA explique l’architecture.
4. Tout journaliser. Intrants, documents consultés, version du modèle, résultat, réviseur et décision finale, conservés selon votre calendrier de conservation.
5. Prévoir le changement de modèle. Les modèles s’améliorent tous les quelques mois. Une couche d’abstraction et un ensemble de tests permanent permettent de changer de fournisseur ou de version sur la foi de preuves.
6. Limiter les permissions. Le système n’a accès en lecture qu’aux données dont le processus a besoin, et en écriture seulement là où une personne approuve l’action.

Nos pratiques de sécurité et de traitement des données suivent ces principes, et nous fournissons la documentation dont ont besoin les équipes du risque de modélisation et de la vie privée : notes de conception, résultats des tests, flux de données et EFVP.

Ce qui change quand l’IA s’adresse directement aux clients#

Les outils internes sont un point de départ plus simple, mais la plupart des institutions veulent tôt ou tard de l’IA en contact avec les clients : un agent conversationnel sur le site Web, de l’aide dans l’application mobile ou des réponses plus rapides au centre de contact. La barre monte de quatre façons.

• Divulgation. La ligne directrice de l’AMF prévoit que le client soit informé lorsqu’il interagit avec l’IA et qu’il ait rapidement accès à une personne s’il le demande. C’est un bon réflexe partout au Canada.
• Explications. Si l’IA contribue à une décision visant un client, comme l’annulation de frais ou l’admissibilité à un produit, le client doit recevoir une explication simple et claire. En vertu de la Loi 25, une décision fondée exclusivement sur un traitement automatisé entraîne aussi des droits d’information et de révision.
• Contrôle de la portée. Un assistant destiné aux clients doit rester dans les sujets approuvés, s’abstenir de donner des conseils financiers personnalisés à moins d’être conçu et supervisé pour cela, et passer la main à une personne en cas de plainte, de signe de vulnérabilité ou de doute.
• Tests d’équité. Vérifiez les résultats selon les groupes de clients avant le lancement, puis surveillez-les, pour détecter tôt un service moins bon pour certains clients.

Commencez par des réponses en lecture seule, tirées de contenu approuvé, mesurez la précision et le taux de transfert vers une personne, et n’ajoutez des transactions que lorsque les preuves le justifient.

Un parcours réaliste vers le premier système en production#

Les usages plus risqués prennent plus de temps, surtout parce que la validation indépendante en demande. Prévoyez-le dans l’échéancier plutôt que de le découvrir en cours de route.

Par où commencer#

Pour un premier projet, privilégiez un processus interne, riche en documents et déjà mesuré, où une personne prend la décision finale. Les récits d’enquête en conformité, l’analyse des états financiers en crédit commercial et le classement des plaintes sont des points de départ courants : les gains de temps se voient en quelques semaines et le risque de modélisation reste gérable.

Nous bâtissons des systèmes d’IA pour les banques, caisses, prêteurs et gestionnaires de patrimoine, avec hébergement au Canada, journaux d’audit et documentation des modèles intégrés dès le premier sprint. Pour voir à quoi pourrait ressembler un premier projet dans votre institution, essayez notre plan IA gratuit ou prenez rendez-vous avec un ingénieur chevronné.