UBA Magazine No13 2026 Revue

18 Etudes et paroles d’experts No.13 September 2026 La lutte contre la criminalité financière constitue le deuxième domaine. Les spécialistes interrogés par Oztas et al. (2024) situent le taux de fausses alertes des dispositifs de surveillance fondés sur des règles entre 90 % et 95 %. Chacune de ces alertes mobilise du temps d’analyste. L’apprentissage automatique appliqué aux mêmes flux peut réduire ce bruit tout en repérant des schémas que des règles statiques ignorent. Les banques arabes, souvent très engagées dans les relations de correspondance bancaire et les transferts de fonds transfrontaliers, ont sans doute plus à y gagner que la plupart de leurs homologues internationaux. Les fonctions de support forment le troisième domaine. Documentation du financement du commerce international, mise à jour des dossiers de connaissance client, vérification des sûretés, rapprochements et déclarations réglementaires sont des tâches documentaires, normées et répétitives. Elles mobilisent aussi une part importante des effectifs. Les modèles de langage sont particulièrement adaptés à ce travail, qui peut être automatisé sans aucun effet visible pour la clientèle. Le quatrième domaine concerne la gestion des risques et de la trésorerie. L’analyse de scénarios, la prévision de liquidité et les tests de résistance ont toujours été limités par le volume de calculs qu’une équipe pouvait mener dans le temps imparti. Cette contrainte est largement levée. Les banques qui utiliseront cette capacité pour mieux comprendre leur propre bilan, plutôt que pour multiplier les rapports, seront mieux préparées au prochain choc. Un point commun relie ces quatre domaines. La valeur y provient des données propres à la banque, appliquées à ses propres décisions. Elle ne peut donc être achetée clés en main, ce qui la rend difficile à imiter. Des obstacles largement partagés Les obstacles sont en grande partie communs à l’ensemble du secteur, mais deux d’entre eux présentent une dimension régionale. Les données constituent le véritable goulet d’étranglement. Nombre de banques qui ont lancé un programme d’IA ambitieux ont découvert que la difficulté tient moins au modèle qu’à l’état des données. Les fichiers clients sont dispersés entre des systèmes qui se contredisent, les clauses contractuelles dorment dans des documents numérisés non structurés et l’historique n’a jamais été conservé en vue de l’analyse. Remédier à cette situation prend des années sans produire de résultat visible. C’est pourtant la condition de tout le reste, et c’est aussi le chantier le plus souvent reporté au profit d’un projet pilote plus facile à présenter. Les compétences ne s’achètent pas si facilement. Les banques recrutent des spécialistes de l’apprentissage automatique en concurrence avec des entreprises technologiques capables de leur offrir une participation au capital. En outre, un spécialiste qui ne comprend ni le crédit ni la conformité produit des modèles auxquels les métiers ne font pas confiance. Les établissements qui progressent forment plutôt leurs équipes de risque, d’opérations et d’audit à des rôles hybrides, aux côtés des spécialistes recrutés. Cette voie est plus lente au départ, mais plus durable. La concentration des fournisseurs devient une vulnérabilité, et c’est la première dimension régionale. Le Conseil de stabilité financière (FSB, 2024) souligne que les marchés des puces de calcul et des services en nuage sont dominés par un petit nombre d’acteurs. Il rappelle que le recours à l’IA ne dispense pas les établissements des exigences de gestion des risques applicables. Le problème est plus aigu dans le monde arabe, où la plupart des banques achètent leurs solutions plutôt que de les développer. Plusieurs concurrents d’un même marché peuvent ainsi reposer sur le même fournisseur, avec les mêmes angles morts. La gouvernance, enfin, n’a pas suivi le rythme, et les régulateurs l’ont remarqué. Beaucoup de conseils d’administration ont approuvé une stratégie d’IA avant de disposer d’un cadre de supervision du risque de modèle. La note de la Banque centrale des Émirats arabes unis précise les attentes (CBUAE, 2026) : • un cadre de gouvernance documenté et proportionné à la taille, à la nature et à la complexité de l’établissement ; • un inventaire tenu à jour de l’ensemble des systèmes d’IA utilisés ; • des tests périodiques de détection des biais, au moins annuels ou à chaque modification substantielle d’un modèle ; • une supervision humaine proportionnée aux risques que chaque décision fait peser sur le client ; • une information claire, en arabe et en anglais, à l’intention de la clientèle ; • une responsabilité qui demeure celle de l’établissement lorsque la fonction est externalisée ; • la capacité de mettre fin à tout moment, par une intervention humaine, à l’utilisation d’un modèle. Les banques établies hors des Émirats gagneraient à lire ce texte comme une préfiguration des exigences de leur propre superviseur.