L’équité algorithmique est le premier des quatre chantiers sur lesquels l’ACPR a rendu public un document de réflexion, publié le 1er juillet 2026 et soumis à consultation jusqu’au 30 septembre, avant de superviser l’IA dans la banque et l’assurance. Le superviseur y précise d’emblée que le texte n’est pas exhaustif et n’exprime pas une position officielle, puisqu’il a été construit à partir d’ateliers techniques avec des établissements volontaires, de la littérature scientifique et d’échanges avec des chercheurs spécialisés dans l’évaluation des systèmes d’intelligence artificielle. Une synthèse des réponses est attendue pour la fin de l’année 2026.
Ce document mérite une lecture attentive des directions techniques, pour une raison que son statut consultatif masque. Il ne décrit pas un cadre futur mais une méthode d’analyse que le superviseur appliquera, et il formule une difficulté que le secteur n’a jamais tranchée, celle de concilier une différenciation tarifaire fondée sur le risque, nécessaire à la soutenabilité économique, avec la prévention des traitements injustes ou discriminatoires. Ce n’est pas une précaution oratoire, c’est le problème central du métier d’assureur posé par son régulateur.
Équité algorithmique : ce que contient vraiment le document de l’ACPR
Le document s’organise en quatre volets, le cadre juridique applicable, les principales notions et métriques d’équité, les méthodes d’identification, de mesure et de correction des biais, et des pistes d’intégration dans les pratiques des établissements. L’équité algorithmique y est définie comme l’ensemble des principes et méthodes visant à concevoir et gouverner les systèmes de manière à prévenir des inégalités injustifiées, notamment celles liées à des caractéristiques personnelles sensibles.
Un risque nouveau y est explicitement signalé, et il invalide une partie des pratiques de conformité actuelles. Les systèmes avancés sont capables de reconstituer des caractéristiques personnelles alors même que celles-ci ont été exclues des modèles. Autrement dit, retirer une variable ne retire pas son effet, point sur lequel nous revenons plus loin.
Il faut replacer ce texte dans l’ensemble du programme. L’ACPR travaille sur quatre axes, la performance et la robustesse des systèmes, l’explicabilité des décisions produites ou assistées par un algorithme, l’équité algorithmique, et la cybersécurité associée à la protection de la vie privée. L’équité est le premier à avoir produit un document public. L’explicabilité fera l’objet d’un document de réflexion attendu au quatrième trimestre 2026 ou au premier trimestre 2027, après des ateliers bilatéraux engagés durant l’été. La performance et la robustesse s’appuient sur INESIA, le programme national d’évaluation de l’intelligence artificielle qui réunit l’ANSSI, Inria, le LNE et le PEReN. Le volet cybersécurité reste à ce stade le moins développé.
Disparité, biais, discrimination, la distinction qui change tout
Le document distingue trois notions que la pratique confond en permanence, et cette distinction a des conséquences opérationnelles immédiates. La disparité est une différence constatée de traitement ou de résultat entre groupes. C’est un fait mesurable, pas une faute. Un écart de prime entre deux populations peut refléter un écart réel de sinistralité. Le biais est une erreur systématique du modèle ou des données, par exemple un échantillon d’apprentissage non représentatif. La discrimination est une qualification juridique, directe lorsqu’un critère prohibé est utilisé, indirecte lorsqu’un critère neutre produit un désavantage disproportionné sans justification objective.
La conséquence pratique est double et contre-intuitive dans les deux sens. Un assureur qui constate une disparité n’a pas automatiquement un problème, il a une question à documenter. Et l’absence de disparité visible ne démontre pas l’absence de biais, puisqu’un modèle peut compenser deux erreurs opposées et produire un résultat agrégé rassurant. Confondre les trois notions conduit soit à la panique, soit à la fausse sécurité.
Le cadre juridique rappelé par le document n’est pas nouveau pour le secteur. Le sexe est prohibé comme facteur de tarification depuis l’arrêt Test-Achats de la Cour de justice de l’Union européenne du 1er mars 2011, applicable aux contrats conclus à compter du 21 décembre 2012. Les données de santé obéissent à un régime propre, complété par le droit à l’oubli. L’interdiction générale des discriminations s’applique par ailleurs sans qu’un texte spécifique à l’intelligence artificielle soit nécessaire, et c’est précisément ce que signifie le principe de neutralité technologique.
Trois familles de métriques, et l’impossibilité de les satisfaire ensemble
C’est le point le plus important du document et le moins connu des praticiens. L’ACPR présente trois familles de métriques d’équité, l’indépendance, la séparation et la suffisance, et établit qu’elles ne sont pas compatibles entre elles. L’indépendance exige que la décision soit indépendante de la caractéristique sensible, ce qui se traduit par des taux d’acceptation comparables entre groupes. La séparation exige que la décision soit indépendante de cette caractéristique une fois connu le résultat réel, ce qui se traduit par des taux d’erreur comparables. La suffisance exige qu’à score donné, la caractéristique n’apporte plus d’information, ce qui se traduit par une valeur prédictive comparable.
Hors cas dégénérés, satisfaire l’une de ces familles empêche mathématiquement de satisfaire les autres dès lors que la sinistralité de base diffère entre les groupes, ce qui est la situation normale en assurance. Il n’existe donc pas de définition technique d’un algorithme équitable, et aucun outil ne produira une réponse unique à la question de savoir si un modèle est juste.
La portée de ce constat est considérable pour la gouvernance. Le choix de la métrique est un choix de valeur, pas un paramètre technique, et il ne peut pas être délégué à un data scientist. Il doit être arrêté au niveau de décision approprié, justifié au regard du cas d’usage, et conservé par écrit. Un assureur interrogé en 2028 sur l’équité d’un modèle de tarification ne sera pas jugé sur le fait d’avoir choisi la bonne métrique, mais sur sa capacité à démontrer qu’il en a choisi une consciemment, pour des raisons explicites.
Le piège des variables substituts
Exclure une variable sensible ne neutralise pas son influence, et c’est le point sur lequel la conformité traditionnelle se révèle insuffisante. Le code postal, le type de véhicule, le parcours professionnel, l’historique de navigation ou le mode de paiement peuvent reconstituer, par corrélation, une origine, un état de santé ou une position socio-économique. L’ACPR signale explicitement le risque des variables substituts, et rappelle la capacité des systèmes avancés à reconstituer des caractéristiques pourtant écartées du modèle.
Le changement de méthode qui en découle est radical. Historiquement, le contrôle portait sur la liste des variables utilisées, et une réponse du type nous n’utilisons pas ce critère suffisait. Désormais, le contrôle porte sur la distribution des décisions produites. Il faut mesurer le résultat et non plus seulement l’entrée, ce qui suppose de disposer, au moins pour les besoins du test, d’informations sur les caractéristiques que l’on s’interdit d’utiliser en production. Cette contradiction apparente, mesurer pour ne pas utiliser, est l’un des sujets que la consultation devait éclairer.
Expliquer un refus au client, et pas seulement à l’auditeur
L’ACPR distingue deux volets dans l’explicabilité, la production des explications et leur réception, en posant qu’une bonne explication est adaptée à son audience et en avertissant que les explications peuvent induire en erreur. Cette formulation, apparemment modeste, déplace entièrement le sujet. Une explication destinée à un auditeur peut prendre la forme d’un tableau d’importance des variables. Une explication destinée à un client dont la demande est refusée ou qui se voit appliquer une surprime doit être compréhensible, actionnable et honnête.
L’obligation existe d’ailleurs déjà, indépendamment du règlement IA. L’article 22 du règlement général sur la protection des données reconnaît à toute personne le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé produisant des effets juridiques ou l’affectant de manière significative et, lorsqu’un tel traitement est admis, le droit d’obtenir une intervention humaine, d’exprimer son point de vue et de contester la décision. Un refus de garantie ou une surprime entrent sans difficulté dans ce périmètre. L’explicabilité vis-à-vis du client n’est donc pas une nouveauté de 2027, c’est une obligation en vigueur insuffisamment outillée.
L’avertissement sur les explications trompeuses mérite d’être pris au sérieux. Les méthodes d’explication a posteriori produisent des justifications plausibles qui ne reflètent pas nécessairement le mécanisme réel du modèle. Fournir à un client une raison fausse est pire que de n’en fournir aucune, parce que cela l’engage dans une démarche inutile et expose l’organisme lorsque l’incohérence apparaît. Le test pratique tient en une question, celle de savoir si un conseiller de première ligne peut reformuler en deux phrases le motif de la décision, dans des termes sur lesquels le client peut agir. Si la réponse est non, le système n’est pas explicable au sens qui compte.
Segmentation légitime ou discrimination indirecte, où passe la frontière
L’assurance repose sur la segmentation, et l’interdire reviendrait à supprimer le métier. Le droit ne l’interdit pas, il prohibe certains critères et soumet les critères neutres produisant des effets disproportionnés à une exigence de justification objective. La frontière passe donc par trois tests successifs qu’il faut savoir conduire.
Le premier consiste à vérifier que le critère n’est pas prohibé, ce que la plupart des établissements font correctement. Le deuxième consiste à établir que l’écart produit correspond à un écart réel de risque, démontrable sur données et non postulé. Le troisième, presque jamais conduit, consiste à vérifier la proportionnalité du moyen, c’est-à-dire l’absence d’un critère moins pénalisant à pouvoir prédictif équivalent. C’est précisément celui qu’un superviseur demandera, parce qu’il est le seul qui distingue une segmentation réfléchie d’une segmentation subie.
Une règle simple mérite d’être retenue par les équipes techniques. Un critère peut être statistiquement prédictif et juridiquement inutilisable. Le pouvoir prédictif n’est pas en lui-même une justification, il est seulement la condition d’entrée de la discussion. Les modèles optimisés sur la seule performance trouveront systématiquement des variables que le droit n’accepte pas, et cette tension ne se résout pas par la technique.
Ce que l’ACPR attend vraiment en matière de gouvernance
Une précision s’impose ici, car le secteur anticipe souvent des exigences que le superviseur n’a pas formulées. L’ACPR ne prescrit pas, à ce stade, la création d’un comité interne dédié à l’intelligence artificielle, la désignation d’un propriétaire de système ou la nomination d’un responsable des risques liés à l’IA. Le comité IA figurant dans ses schémas désigne l’instance européenne de coordination et non un organe interne aux établissements.
Ce qu’elle énonce est à la fois plus souple et plus exigeant. L’équité relève de la stratégie, de la gestion des risques et de la responsabilité de l’institution, ce qui se décline en trois attentes concrètes. Fixer des orientations en matière d’équité puis les décliner par cas d’usage, le niveau d’exigence n’étant pas le même pour un moteur de tarification santé et pour un outil de relance commerciale. Suivre l’équité tout au long du cycle de vie du système, et non seulement au moment de sa mise en production, un modèle réentraîné sur des données nouvelles pouvant dériver sans alerte. Disposer enfin des capacités humaines et techniques permettant de prouver le respect des exigences.
Cette troisième attente est la plus coûteuse, car la charge de la preuve pèse sur l’établissement. Un assureur incapable de reproduire ses mesures d’équité, de documenter ses choix de métriques et de rejouer ses tests sur des versions antérieures de ses modèles ne démontrera rien, quelle que soit la qualité réelle de ses pratiques. Il faut noter que cette ligne est constante, l’ACPR travaillant le sujet depuis son document de juin 2020 sur la gouvernance des algorithmes d’intelligence artificielle dans le secteur financier. Les travaux de 2026 en sont le prolongement et non une rupture, ce qui donne au secteur une visibilité rare en matière réglementaire.
Superviser l’IA sans mandat, le paradoxe français
Reste une anomalie qu’il faut exposer, parce qu’elle conditionne la portée pratique de tout ce qui précède. L’ACPR prépare une doctrine pour une mission dont elle n’est pas encore légalement investie. Sa désignation comme autorité de surveillance du marché figure à l’article 24 du projet de loi portant diverses dispositions d’adaptation au droit de l’Union européenne, adopté par le Sénat le 18 février 2026 et transmis à l’Assemblée nationale, où le texte est bloqué en commission depuis cette date sans qu’aucune date d’examen ait été publiée.
La France a par conséquent manqué l’échéance de désignation du 2 août 2025. Aucun régime national de sanctions au titre de l’article 99 du règlement n’est en vigueur, aucun bac à sable réglementaire n’a été institué, et les obligations de transparence de l’article 50, applicables depuis le 2 août 2026, le sont sans autorité habilitée à recevoir les plaintes ni à prononcer des amendes. Le règlement omnibus du 24 juillet 2026 ayant repoussé au 2 décembre 2027 les obligations relatives aux systèmes à haut risque de l’annexe III, la pression s’est provisoirement relâchée.
Le périmètre que l’ACPR couvrirait mérite d’être connu précisément, car il est plus étroit qu’on ne le dit. Il comprend l’évaluation de la solvabilité et la notation de crédit des personnes physiques, à l’exclusion de la seule détection de fraude, ainsi que l’évaluation des risques et la tarification des personnes physiques en assurance vie et santé. En santé, seules les classes 1 et 2 de l’assurance non vie au sens de Solvabilité II sont visées, accidents et maladie. En vie, les classes de l’annexe II de Solvabilité II sont concernées, ce qui inclut l’assurance emprunteur, les pensions personnelles et l’assurance dépendance, mais exclut les produits d’investissement fondés sur l’assurance. Un dispositif de détection de fraude bascule dans le champ dès lors qu’il réalise aussi une évaluation des risques ou une tarification.
Une phrase de la présentation de l’ACPR doit toutefois être lue deux fois. Le superviseur rappelle que ses compétences découlent également de la réglementation sectorielle existante, au titre de la neutralité technologique, et qu’il ne les a pas encore utilisées en pratique. En clair, l’absence de désignation formelle ne le prive pas de moyens d’action sur la gouvernance, le contrôle interne ou la protection de la clientèle. Attendre décembre 2027 serait donc une lecture imprudente du calendrier.
Ce que les assureurs peuvent engager dès maintenant
Cinq chantiers sont accessibles sans attendre la synthèse de la consultation. Recenser les systèmes entrant dans le périmètre à haut risque, exercice moins évident qu’il n’y paraît puisqu’un outil de détection de fraude peut y basculer selon son usage réel. Arrêter et documenter, par cas d’usage, la métrique d’équité retenue et les raisons de ce choix. Déplacer le contrôle de la liste des variables vers la distribution des décisions produites. Construire l’explication destinée au client, distincte de celle destinée à l’auditeur, et la tester auprès de conseillers de première ligne. Conserver enfin les éléments permettant de rejouer les mesures, versions de modèles, jeux de données et résultats de tests.
Le dernier point est humain et il est souvent oublié. La personne qui devra expliquer un refus à un client n’est ni le data scientist ni le juriste, c’est un conseiller. Si la chaîne d’explicabilité s’arrête au département des risques, l’obligation n’est pas remplie là où elle se joue. L’équité algorithmique telle que l’ACPR la décrit se mesure dans les modèles, mais elle se démontre au guichet, et c’est probablement l’enseignement le plus directement actionnable de cette consultation.
Sources
ACPR, L’ACPR lance une consultation publique sur l’équité algorithmique, 1er juillet 2026
ACPR, Encadrement et surveillance de l’IA dans le secteur financier, réunion de place du 1er juillet 2026
ACPR, Surveillance de l’IA dans le secteur financier, réunion de place du 17 septembre 2025
ACPR, Gouvernance des algorithmes d’intelligence artificielle dans le secteur financier, juin 2020
Le Monde du Droit, ACPR, consultation publique sur l’équité algorithmique des systèmes d’IA
L’Argus de l’assurance, Intelligence artificielle, l’ACPR lance une nouvelle consultation pour son encadrement
Lexis Veille, L’ACPR consulte les acteurs financiers sur l’équité algorithmique des systèmes d’intelligence artificielle
Imiel, EU AI Act in France 2026, Designation Bill Still Stalled, octobre 2026
Haas Avocats, IA Act banque et assurance, ce qui s’applique au 2 août 2026 et ce qui bascule en 2027
Données personnelles, Omnibus IA, le nouveau calendrier de l’AI Act