L'évolution de l'audit des biais algorithmiques dans la finance : une chronologie critique
Histoire
12 novembre 2026
by Équipe éditoriale Smurzeitaixeorrissou
L'audit des biais algorithmiques dans la finance a une histoire plus longue qu'on ne le croit généralement. Voici les jalons qui ont façonné les méthodes et les exigences actuelles, depuis les premières mesures statistiques de disparate impact jusqu'aux cadres réglementaires européens en cours de déploiement.
Années 1970
Les premières mesures légales de disparate impact aux États-Unis
Avant même les algorithmes modernes, les législateurs américains ont établi des cadres légaux pour mesurer le disparate impact dans les décisions de crédit. Le Community Reinvestment Act et le Equal Credit Opportunity Act ont introduit l'obligation de documenter les disparités entre groupes démographiques. Ces cadres, fondés sur des statistiques simples de ratio de taux d'approbation, constituent les ancêtres directs des métriques d'équité algorithmique modernes. Leur limite était claire : ils mesuraient les résultats sans pouvoir examiner les mécanismes internes des systèmes de décision.
Années 1990
L'essor des modèles de score de crédit automatisés
La généralisation des systèmes de scoring automatisé a transformé la décision de crédit. Des modèles statistiques remplacent progressivement le jugement humain individuel, promettant objectivité et cohérence. La réalité s'avère plus nuancée : ces modèles, entraînés sur des historiques de décisions humaines, reproduisent et parfois amplifient les disparités existantes. Les premières analyses académiques commencent à documenter comment des variables apparemment neutres agissent comme proxy d'attributs protégés dans ces modèles de scoring.
2016
Le rapport ProPublica sur COMPAS et l'irruption médiatique du biais algorithmique
Bien que portant sur la justice pénale et non la finance, l'enquête de ProPublica sur l'algorithme COMPAS marque un tournant dans la conscience publique du biais algorithmique. L'analyse révèle des taux de faux positifs systématiquement différents entre groupes raciaux. La réponse des développeurs, invoquant la calibration du modèle, illustre pour la première fois à grande échelle l'incompatibilité mathématique entre différents critères d'équité. Ce débat public accélère l'intérêt pour l'audit algorithmique dans d'autres secteurs, dont la finance.
2018
Le RGPD européen introduit le droit à l'explication algorithmique
L'entrée en vigueur du Règlement Général sur la Protection des Données introduit en Europe le droit à une explication pour les décisions entièrement automatisées. Dans le contexte du crédit, cela contraint les institutions financières à pouvoir justifier les rejets algorithmiques. Cette exigence pousse le développement de méthodes d'explicabilité locale comme LIME et SHAP, qui deviennent des outils centraux dans l'arsenal de l'audit algorithmique financier moderne. Elle crée également un marché pour les prestataires d'audit spécialisés.
2024
L'IA Act européen établit des catégories de risque pour les systèmes d'IA financière
L'adoption de l'IA Act européen classe les systèmes d'IA utilisés dans le crédit comme systèmes à haut risque, soumis à des obligations d'évaluation de conformité, de documentation technique et de surveillance continue. Pour les institutions opérant en Suisse, cet acte influence indirectement les pratiques via les relations commerciales avec l'espace européen. Il établit un cadre formel qui transforme l'audit des biais d'une bonne pratique volontaire en une exigence réglementaire structurée et vérifiable.