_Résumé
Le véritable enjeu pour les responsables de la réglementation et de la conformité
Si vous êtes responsable du reporting ESG, de la conformité réglementaire, du développement durable ou du devoir de vigilance dans la chaîne d’approvisionnement, la question n’est pas de savoir si l’IA peut générer une réponse. La véritable question est de savoir si vous pouvez vous appuyer sur cette réponse lors d’un audit, d’une évaluation client, d’un contrôle réglementaire ou d’une revue interne.
Cette distinction est essentielle, car de nombreux outils d’IA se ressemblent à première vue. La plupart peuvent résumer des documents, répondre à des questions et produire des textes convaincants. Pourtant, il existe une différence fondamentale entre un chatbot d’IA généraliste permettant d’importer des documents et une plateforme d’IA spécialement conçue pour répondre aux enjeux réglementaires.
Comprendre cette différence permet d’expliquer pourquoi certains systèmes trouvent pleinement leur place dans les processus de conformité et deviennent des outils de confiance, tandis que d’autres restent essentiellement utiles pour rédiger des contenus ou explorer des idées.
Pourquoi importer des documents ne suffit pas à entraîner une IA ?
L’une des idées reçues les plus courantes sur l’IA consiste à penser qu’en important des documents, on permet au modèle d’acquérir des connaissances sur son entreprise.
Ce n’est pas le cas.
Une fois entraîné, un modèle de langage ne continue pas à apprendre à partir des documents que vous lui fournissez. Vos rapports, politiques et textes réglementaires ne viennent pas enrichir les connaissances du modèle. Ils constituent des sources d’information externes que le système doit retrouver chaque fois que vous lui posez une question.
Imaginez que vous fassiez entrer quelqu’un dans une immense bibliothèque consacrée à la réglementation.
Tous les documents dont cette personne a besoin sont à sa disposition. Mais si elle ne sait pas précisément où chercher et ne maîtrise pas le langage propre aux différents cadres réglementaires, elle risque de revenir, en toute confiance, avec le mauvais document.
Les grands modèles de langage fonctionnent de manière assez similaire. Lorsqu’ils ne disposent pas des bonnes informations, ils ont souvent tendance à produire la réponse qui paraît la plus plausible plutôt qu’à reconnaître qu’ils ne savent pas. Ce phénomène, appelé « hallucination », est l’une des principales raisons pour lesquelles les outils d’IA généralistes ne peuvent être utilisés pour le reporting réglementaire sans mesures de contrôle supplémentaires.
Améliorer la précision ne consiste donc pas simplement à utiliser un modèle d’IA plus récent. Dans la pratique, elle dépend bien davantage de la manière dont le système qui l’entoure recherche les informations, interprète le contexte réglementaire et détermine les situations qui nécessitent une intervention humaine.
Pourquoi la recherche d’informations est utile, mais ne suffit pas ?
Aujourd’hui, la plupart des plateformes d’IA destinées aux entreprises reposent sur la génération augmentée par récupération (RAG).
Au lieu de demander au modèle de langage de répondre uniquement à partir des connaissances acquises lors de son entraînement, le système commence par rechercher dans vos documents les informations pertinentes. Il demande ensuite au modèle de formuler sa réponse à partir de ces sources précises ou, si les informations nécessaires sont introuvables, de l’indiquer.
Cette approche améliore considérablement la fiabilité par rapport aux chatbots d’IA généralistes et s’est imposée comme l’architecture de référence pour les solutions d’IA destinées aux entreprises.
Mais le simple fait d’utiliser un système de recherche d’informations ne garantit pas pour autant la fiabilité des réponses.
En 2025, des chercheurs de Stanford ont évalué plusieurs grandes plateformes commerciales d’IA juridique. Spécialement conçus pour la recherche, ces systèmes utilisaient la génération augmentée par récupération et interrogeaient des bases de données juridiques soigneusement sélectionnées. Malgré ces atouts, les chercheurs ont constaté que 17 à 33 % des réponses fournies lors des tests étaient incorrectes ou insuffisamment étayées.
L’enseignement est important pour toutes les équipes chargées de la conformité et du développement durable : utiliser un système de recherche d’informations ne signifie pas nécessairement disposer d’un système fiable. La qualité de la réponse finale dépend de la qualité de la recherche, mais aussi de la capacité du système à comprendre précisément ce qu’il doit rechercher.
Pourquoi le contexte réglementaire compte davantage que les mots-clés ?
Dans les textes réglementaires, des termes courants prennent souvent un sens très spécifique.
Prenons le terme « impact ». Dans la langue courante, il désigne généralement l’effet ou la conséquence d’une action. Dans les normes européennes d’information en matière de durabilité (ESRS), en revanche, on parle d’« incidence » pour désigner les effets positifs ou négatifs, réels ou potentiels, d’une entreprise sur les personnes ou l’environnement.
Cette notion est notamment au cœur de la double matérialité : un enjeu de durabilité peut être considéré comme matériel en raison des incidences de l’entreprise sur les personnes ou l’environnement, indépendamment de ses conséquences financières pour l’entreprise.
Un terme apparemment courant peut donc renvoyer à une notion précisément définie dans un cadre réglementaire donné. Et cet exemple est loin d’être un cas isolé.
On retrouve ce type de distinctions dans les ESRS, la taxonomie de l’Union européenne, le règlement SFDR, DORA, CRR3, le Pilier 3 et de nombreux autres cadres réglementaires sectoriels.
Un moteur de recherche généraliste se contente d’établir des correspondances entre des termes. Une plateforme spécialisée dans la réglementation identifie au contraire les concepts auxquels ils renvoient avant même de lancer la recherche. Cette distinction peut faire toute la différence entre une réponse pertinente et une réponse erronée formulée avec assurance.
Ce que doit offrir une IA spécialisée
Lorsque vous évaluez une plateforme d’IA pour des usages liés à la réglementation ou à l’ESG, le modèle de langage utilisé n’est qu’une composante de la solution. Les fonctionnalités qui l’entourent sont bien plus déterminantes.
Une plateforme spécialisée doit offrir :
- Un système de recherche capable de comprendre la structure des documents et d’interpréter le sens des sections, dispositions, tableaux et annexes, plutôt que de traiter les termes de manière isolée.
- Une recherche tenant compte du contexte réglementaire, capable d’identifier les concepts concernés plutôt que de reposer uniquement sur des correspondances entre mots-clés.
- Des réponses entièrement traçables, dont chaque élément peut être directement relié aux sources qui le justifient.
- Des résultats structurés en fonction des obligations réglementaires à satisfaire, par exemple des informations à fournir au titre des ESRS, des questionnaires du CDP ou des exigences de publication du Pilier 3, plutôt que de simples réponses rédigées en texte libre.
- Un contrôle humain intégré, afin que les réponses présentant un degré d’incertitude soient signalées et soumises à l’examen d’un expert, au lieu d’être présentées avec le même niveau de confiance que les réponses vérifiées.
- Des modalités de déploiement et de gouvernance des données conformes aux exigences de l’organisation en matière de sécurité, de confidentialité et de localisation des données.
Ce sont ces fonctionnalités, bien plus que le choix du modèle de langage lui-même, qui déterminent si une plateforme d’IA peut être considérée comme fiable dans un environnement réglementé.
ESG et conformité réglementaire : l’IA spécialisée en pratique
C’est précisément dans cette logique qu’a été conçue la plateforme de Dydon AI dédiée à la conformité réglementaire : non pas comme un chatbot généraliste auquel on aurait simplement donné accès à vos documents, mais comme une solution pensée dès le départ pour répondre aux enjeux ESG et réglementaires.
Prenons l’exemple d’une entreprise qui doit répondre au questionnaire ESG d’un client portant sur les impacts de ses activités. On retrouve ici la notion évoquée plus haut, mais appliquée à un cas concret. Notre solution de traitement intelligent des documents analyse les rapports et les politiques internes de l’entreprise, détermine si le terme « impact » renvoie à une incidence au sens des ESRS ou s’il est employé dans son sens courant, puis centralise les informations pertinentes dans un référentiel afin qu’elles puissent être vérifiées et auditées.
Notre moteur de réponse automatique aux questionnaires détermine ensuite quelles informations correspondent à chaque question en tenant compte du contexte réglementaire. Ainsi, une question portant sur les incidences de l’entreprise dans le cadre de la double matérialité sera associée aux informations pertinentes, et non à un passage dans lequel le terme « impact » est simplement employé dans son sens courant. Chaque réponse est reliée à sa source et toute incertitude est signalée afin d’être soumise à un contrôle humain.
Cette approche a permis à Dydon AI d’atteindre un taux de précision de 99,54 % dans le cadre d’un processus spécialisé de reporting réglementaire pour un établissement financier. Ce résultat ne tient pas à l’utilisation d’un modèle plus puissant, mais à une extraction des informations qui tient compte du domaine concerné, à un traitement spécifiquement conçu pour les questionnaires et à une traçabilité complète des sources.
Cinq questions à poser à tout fournisseur de solutions d’IA
Lorsque vous évaluez une solution d’IA destinée à l’ESG ou à la conformité réglementaire, cinq questions méritent d’être posées :
- Comment le système recherche-t-il les informations dans nos documents ? La recherche est-elle conçue pour traiter des contenus réglementaires ou repose-t-elle sur une simple recherche par mots-clés ?
- Peut-on retrouver la source de chaque réponse ? Si les éléments sur lesquels elle repose ne peuvent pas être vérifiés, la réponse ne peut pas l’être non plus.
- Comment la plateforme distingue-t-elle les différents sens que peut prendre un même concept réglementaire ? Comprendre le contexte est tout aussi important que trouver les bons termes.
- Que se passe-t-il lorsque l’IA ne peut pas fournir de réponse avec suffisamment de certitude ? Un système fiable doit être capable de détecter cette incertitude et de solliciter un contrôle humain plutôt que de produire une réponse approximative.
- Où nos données sont-elles traitées et stockées ? Les performances techniques doivent aller de pair avec des mesures adaptées en matière de sécurité, de gouvernance et de localisation des données.
Le modèle ne fait pas la solution
Les discussions autour de l’IA se concentrent souvent sur le modèle de langage utilisé par une plateforme : GPT, Claude, Gemini ou un autre. Pourtant, pour les équipes chargées de la conformité réglementaire, comme pour toute équipe travaillant dans un domaine spécialisé, ce n’est généralement pas le critère le plus déterminant.
La véritable question est de savoir si la plateforme d’IA est capable d’identifier systématiquement les bonnes informations, de comprendre le contexte réglementaire, de fournir des réponses traçables et d’intégrer un contrôle humain. Ce sont ces capacités qui distinguent un chatbot d’IA généraliste d’une solution conçue pour répondre aux enjeux ESG et de conformité réglementaire.
Si vous envisagez d’utiliser l’IA pour vos activités réglementaires, ne vous demandez pas seulement quel modèle elle utilise. Demandez-vous plutôt si l’ensemble du système a été conçu pour répondre aux exigences auxquelles votre équipe doit satisfaire.
Vous souhaitez savoir à quoi ressemblerait une IA véritablement spécialisée, adaptée à vos documents et à votre contexte réglementaire ? Nos experts vous proposent une analyse gratuite du potentiel de l’IA appliquée à votre situation. Contactez-nous pour prendre rendez-vous.
Sources
- Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Meta AI Research / NeurIPS 2020.
- Magesh, V. et al. (2025). Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Journal of Empirical Legal Studies, Stanford RegLab & Stanford HAI.
- Google Research (2026). Enterprise RAG hallucination-reduction benchmark findings, cited in 2026 enterprise AI reliability literature.
- EFRAG. European Sustainability Reporting Standards (ESRS) — double materiality guidance.
- IFRS Foundation / IASB. Definition of materiality in financial reporting (IAS 1 / Conceptual Framework).