Livre blanc-ia-et-technologies-quantiques-finance-innovation

Intelligence
artificielle,
blockchain et
technologies
quantiques
au service
de la finance
de demain
SOUS LA DIRECTION DE
JEAN-HERVÉ LORENZI,
BERNARD GAINNIER
ET JOËLLE DURIEUX
ET LE PARRAINAGE DE
ANTOINE PETIT, PDG, CNRS

ISBN, impression, diffusion : en cours - Ce document est une pré-édition événementielle.
© Pôle de compétitivité mondial FINANCE INNOVATION – Palais Brongniart - 28, place de la Bourse, 75002 Paris
Pour la présente édition : REVUE BANQUE ÉDITION – 18, rue La Fayette, 75009 – www.revue-banque.fr – 2019
Diffusé par les Éditions d’Organisation – 1, rue Thénard – 75240 Paris Cedex 05
Conformément aux dispositions du Code de la propriété intellectuelle, toute reproduction, partielle ou totale, de la présente publication est interdite sans autorisation de l’auteur, de son éditeur
ou du Centre français d’exploitation du droit de copie (CFC, 20, rue des Grands Augustins – 75006 Paris).
Nous remercions chaleureusement la FÉDÉRATION BANCAIRE FRANÇAISE,
la FÉDÉRATION FRANÇAISE DE L’ASSURANCE et l’ASSOCIATION FRANÇAISE DE GESTION
pour leur contribution et leur mobilisation au sein de ce Livre blanc et des actions du Pôle FINANCE INNOVATION.
Ce Livre Blanc a été réalisé avec le soutien de
La Préfecture de Paris et d’Ile-de-France et la Région Ile-de-France.
En collaboration avec Chappuis Halder & Co., acteur global du conseil en management
dédié aux services financiers d’aujourd’hui et de demain.

Préface
En 2019, avec l’intelligence artificielle
(IA) et les technologies quantiques,
nous nous trouvons en présence de deux
innovations de rupture. Leurs implications
sur les objets connectés, les robots, les
drones, les véhicules autonomes, la santé
et les villes intelligentes (smart cities),
montrent qu’au-delà d’offrir de nouvelles
possibilités, elles constituent une véritable
révolution.
Si on y ajoute les transformations des
relations entre acteurs induites par la
blockchain, ces innovations numériques
sont en train d’envahir notre société à une
vitesse qui nous surprend. Elles génèrent
des espoirs et des craintes compréhen-
sibles, car elles touchent chacun de nous
dans sa vie personnelle et profession-
nelle.
Le Pôle FINANCE INNOVATION contribue
depuis 10 ans à faire germer et grandir
les innovations pour les filières banque,
assurance, gestion d’actifs, immobilier,
économie sociale et solidaire, métiers du
chiffre et du conseil. FINANCE INNOVATION
fédère les différents acteurs afin d’obtenir
une ligne directrice claire et partagée du
développement des innovations au sein
de ces filières.
C’est aujourd’hui une réalité avec le numé-
rique. Tant au cœur des grands groupes
que dans des fintechs, le Pôle favorise
l’éclosion et l’adoption de ces innovations.
L’accélération des dernières années, pour
ne pas dire des derniers mois, a mis en
évidence de nouvelles dimensions :
• rapidité croissante de la création et de
l’acceptation de nouvelles pratiques ;
•
mondialisation qui inclut maintenant
des territoires tels que l’Afrique ou le
Moyen-Orient ;
• interaction entre les différents secteurs
d’activité où la disruption dans l’un
d’entre eux se propage à l’ensemble de
l’économie ;
• prise de conscience de l’intérêt pour
notre pays de se positionner en leader
face à ces opportunités.
Tout cela crée d’autant plus de responsa-
6
Antoine PETIT
Président-directeur général, CNRS
Bernard GAINNIER
Président, Pôle FINANCE INNOVATION
Intelligence artificielle, blockchain et technologies quantiques au service de la finance de demain

bilités pour le Pôle FINANCE INNOVATION.
Pour répondre aux besoins de ses
membres comme de l’ensemble des ac-
teurs et organismes concernés, le Pôle a
relevé le défi de présenter dans ce livre
blanc les choix à effectuer à la suite de
l’émergence de ces technologies et de
faire ressortir, comme il le fait habituelle-
ment, les Domaines d’Innovations Priori-
taires (DIP), axes sur lesquels la commu-
nauté estime que les priorités doivent être
portées : le défi n’est pas mince face à la
dimension du sujet.
Pour y parvenir, une collaboration très
proche entre les experts du Pôle et ceux
de l’INRIA, du CNRS et des entreprises
qui ont participé à ce livre blanc a permis
d’identifier, au milieu de nombreux thèmes
qui sous-tendent la transformation numé-
rique de notre société, 28 tendances clés
pour l’avenir,
En effet, les challenges rencontrés sont
pour certains spécifiques à nos filières,
pour d’autres, partagés avec différents
secteurs d’activité
; certains sont particu-
liers à notre pays, la plupart existent au ni-
veau européen ou mondial. Beaucoup ont
une complexité engendrée par le fait qu’ils
sont à la fois mondiaux et transverses
tout en comportant aussi des spécificités
locales ou sectorielles. C’est par exemple
le cas des problématiques de sécurité, de
confidentialité des données ou, pour la
question de la gestion des talents et de
la formation des citoyens à ces nouvelles
technologies.
Pour le Pôle FINANCE INNOVATION, il est
important d’accompagner la création et la
croissance de fintechs françaises, mais
aussi de détecter et d’intégrer les inno-
vations des fintechs étrangères aux acti-
vités des entreprises nationales. Enfin, il
est nécessaire de considérer les solutions
reposant sur la blockchain pour les ques-
tions de gestion des pouvoirs et se pré-
parer, suffisamment à l’avance, au boule-
versement annoncé par les technologies
quantiques.
La force de ce livre blanc provient de la
très large participation, à travers plus de
200 contributeurs, des acteurs représen-
tatifs de l’écosystème de la finance : les
fintechs, insurtechs et regtechs, mais
aussi les grands groupes institutionnels,
assureurs, banquiers, asset managers, in-
dustriels d’autres secteurs économiques
qui ont apporté une ouverture d’esprit
précieuse et nécessaire, académiques,
conseils et entreprises de services du
numérique (ESN) qui accompagnent tous
les jours l’écosystème dans sa transfor-
mation.
7

Sommaire
PRÉFACE............................................ 6
1. INTRODUCTION............................. 12
1.1. Les objectifs............................... 14
1.2. La démarche............................... 16
1.3. La cible...................................... 17
1.4. Le comité de pilotage.................. 18
Pilotage général.......................... 18
Les comités de pilotage des
groupes de travail....................... 18
1.5. Les enjeux de la finance.............. 19
1.6. Bienvenue chez vous en 2030..... 20
2. L’INTELLIGENCE ARTIFICIELLE
AU SERVICE DE L’INDUSTRIE
FINANCIÈRE...................................... 24
2.1. Un peu d’histoire........................ 27
2.2. Quelques chiffres sur le marché
de l’IA....................................... 28
2.3. Des technologies au service
des métiers de l’industrie
financière.................................. 29
DIP 1 : développer et augmenter
la capacité décisionnelle en avenir
incertain.................................... 32
Focus : la gestion d’actif à l’heure
de l’IA chez Bramham Gardens.... 35
DIP 2 : augmenter le conseiller
face au client............................. 38
Focus : l’IA pour augmenter
l’assureur avec une Insurtech..... 40
DIP 3 : augmenter le collaborateur..41
DIP 4 : proposer le « self-care » .... 42
DIP 5 : solliciter le client par l’IA... 44
Focus : le ciblage client avec
mieuxplacer.com........................ 46
DIP 6 : optimiser la distribution
omni-canal................................. 48
Focus : Chatbots : le retour d’expé-
rience d’Orange Bank.................. 50
DIP 7 : simplifier les processus de
mise en conformité et faciliter la
gestion des risques.................... 52
Focus : l’IA au service du KYC et de
la conformité dans une banque... 54
DIP 8 : optimiser le crédit scoring... 56
DIP 9 : lutter efficacement contre
la fraude.................................... 58
DIP 10 : vers un dialogue humain-
machine empathique ................. 60
2.4. Les conditions d’un déploiement réus-
si : faciliter la mise à l’échelle et créer
les conditions de la confiance.........64
DIP 11 : accompagner la
transformation des métiers......... 64
DIP 12 : acculturer et former à l’IA.. 68
Focus : formation professionnelle en
finance : de la théorie à la pratique
à Singapour................................ 70
Focus : une démarche globale pour
sensibiliser les collaborateurs de
BNP Paribas Securities services à
l’intelligence artificielle............... 72
DIP 13 : mettre en œuvre les grands
principes éthiques...................... 74
DIP 14 : lutter contre la discrimina-
tion et les biais.......................... 78
DIP 15 : expliquer et auditer l’IA . 81
DIP 16 : collecter, qualifier, exploi-
ter et partager les données et les
connaissances........................... 84
Focus : l’analyse de qualité des
données des prix de transactions
d’actifs financiers mise en œuvre
par Digitalent Consulting............. 88
DIP 17 : intégrer l’IA dans le SI.... 90
DIP 18 : prévenir les cyberrisques
en couplant IA et cybersécurité.... 92
2.5. Transposition des bonnes pratiques
des autres secteurs au monde de la
finance...................................... 95
Santé : l’hospitalisation à domicile.. 96
Mobilité : l’optimisation du trafic.. 97
8

Smart City : le e-gouvernement.... 99
De la maintenance préventive à la main-
tenance prédictive et proactive........100
L’aide au recrutement............... 102
2.6. Points saillants juridiques......... 103
Propriété des données et des
algorithmes.............................. 103
Propriété des bases de données...104
Propriété des algorithmes.......... 105
La Responsabilité..................... 108
2.7. Points saillants organisationnels
et techniques........................... 114
Faire savoir : communiquer,
sensibiliser, former................... 114
Un Comité Numérique au sein du
Conseil d’Administration........... 114
Les aspects organisationnels.... 115
L’apprentissage automatique.... 116
Le traitement automatique de
la langue.................................. 116
Les hybridations des
technologies IA......................... 117
La confiance dans la relation client...117
Garantir dans le temps la performance,
la cohérence et la robustesse de la
solution à base d’IA......................118
3. LA BLOCKCHAIN AU SERVICE DE
L’INDUSTRIE FINANCIÈRE................ 120
3.1. Préambule............................... 122
3.2. Définitions de la blockchain....... 122
Plusieurs sous-ensembles de tech-
nologies distinctes.................... 124
Une typologie de blockchains selon
la nature, publique ou privée de leur
gouvernance............................ 125
Pourquoi utiliser une blockchain.. 126
Comment ça marche : l’exemple du
bitcoin..................................... 126
3.3. La crypto-économie................... 128
DIP 19 : favoriser la recherche sur la
crypto-économie....................... 134
DIP 20 : développer les ICO (Initial
Coin Offering) en protégeant l’inves-
tisseur..................................... 138
Focus : les principes de valorisation
des ICO................................... 141
DIP 21 : sécuriser les portefeuilles
numériques et adapter les fonction-
nalités de conservation des cryp-
to-actifs................................... 143
3.4. Écosystème et plateformes
de place.................................. 145
DIP 22 : identifier et décliner les
bonnes pratiques de consortia
pour développer des solutions de
place.....................................145
Focus : le projet MADRE,
blockchain de la Banque de France
pour le registre des identifiants
créanciers SEPA : les facteurs de
succès..................................148
L’application de la blockchain à l’in-
dustrie de l’assurance.............. 150
Recommandation sur l’interopérabili-
té des blockchains.................... 153
3.5. Les transformations portées par
les Digital Ledger Technologies
(DLT).......................................154
L’efficacité opérationnelle......... 154
DIP 23 : déployer l’utilisation de la
blockchain pour les mouvements
internationaux.......................... 155
DIP 24 : création d’un crypto-euro
propre à la zone euro pour les paie-
ments de gros et de détail........ 158
DIP 25 : développer un modèle
standardisé basé sur les smart
contracts et appliqué aux transac-
tions boursières....................... 161
3.6. L’optimisation du partage de l’infor-
mation entre acteurs................ 163
DIP 26 : utiliser la blockchain
pour gérer l’identité et l’authentifi-
cation.................................. 163
DIP 27 : améliorer la connaissance
client (KYC) en créant une infrastruc-
ture de place............................ 167
9

DIP 28 : la traçabilité appliquée
au commerce international (trade
finance)................................... 170
Focus : retour d’expérience de
grandes banques françaises dans le
financement du commerce internatio-
nal et le crédit documentaire...... 172
3.7. Enjeux réglementaires............... 173
Dispositions réglementaires impactées
par la technologie blockchain.........173
Une réglementation adaptée à l’in-
novation (compétitivité)............. 183
L’adéquation des règles fiscales et
comptables.............................. 185
3.8. Conclusion............................... 187
Annexes................................... 189
Annexe 1. Glossaire.................. 189
Annexe 2. Liens pour approfondir
le sujet.................................... 190
Annexe 3. Benchmark des solutions
blockchain............................... 190
Annexe 4. Benchmark de quelques
solutions blockchain................. 191
Annexe 5. Textes « Enjeux
réglementaires »....................... 192
4. LES TECHNOLOGIES QUANTIQUES
AU SERVICE DE L’INDUSTRIE
FINANCIÈRE.................................... 194
4.1. Introduction............................. 196
4.2. Thématique « Informatique quan-
tique »...................................... 198
Les applications de l’informatique
quantique................................ 203
Les principaux algorithmes utilisés
en informatique quantique et
applications correspondantes en
finance..................................206
4.3. Thématique « Sécurité des commu-
nications à l’ère de l’ordinateur
quantique ».............................. 210
Cryptographie post-quantique :
standardisation et développements
industriels................................ 211
Focus : le point de vue de
Michele Mosca......................... 213
Focus : le cas bitcoin................ 214
4.4. Thématique « Communications sécu-
risées quantiques »................... 216
La distribution quantique de clés
(Quantum Key Distribution) - QKD...216
Les réseaux quantiques
sécurisés................................. 218
4.5. Thématique « Hardware »........... 220
Hardware de l’ordinateur
quantique................................ 220
Hardware des communications
quantiques............................... 225
4.6. Thématique « Ingénierie logicielle et
outils de développement »......... 227
4.7. Thématique « Conduite du change-
ment, nouveaux métiers, formation,
éducation et enjeux réglementaires,
juridiques et éthiques »............. 228
Annexes................................... 231
Annexe 1. Pour aller plus loin.... 231
Annexe 2. Les acteurs en
cryptographie........................... 231
Annexe 3. Les grandes étapes du déve-
loppement d’un internet quantique...232
Annexe 4. Hardware.................. 233
CONCLUSION.................................. 238
Synergie entre les trois technologies et
perspectives.................................... 240
1. Synergie intelligence artificielle et
blockchain....................................... 240
2. Synergie intelligence artificielle et
technologies quantiques................... 241
3. Synergie blockchain et technologies
quantiques...................................... 241
Conclusion...................................... 243
RÉPERTOIRE DES ENTREPRISES...... 246
REMERCIEMENTS........................... 288
10

1. introduction
1.1 LES OBJECTIFS
Ce livre blanc a identifié trois technolo-
gies permettant aux métiers de la finance
d’accélérer leur transformation numérique
voire de changer d’échelle : l’intelligence
artificielle, la blockchain et les technolo-
gies quantiques (figure 1).
Depuis quelques années, l’IA est entrée
dans une nouvelle ère grâce à la multipli-
cation de jeux de données, à la recherche
algorithmique et au décuplement des puis-
sances de calcul. Les applications, tirant
profit des masses de données désormais
produites par l’économie, se multiplient et
touchent à toute la chaine de valeur de la fi-
nance. Ce potentiel est abordé dans le cha-
pitre dédié à cette première technologie.
Grâce à ses qualités de transparence et
de sécurité, la blockchain va devenir un
incontournable de l’industrie financière.
Comme le souligne le chapitre qui lui est
dédié, même si cette technologie est au-
jourd’hui essentiellement associée aux
crypto-monnaies, elle peut aussi s’appli-
quer à bien d’autres domaines.
Enfin, un des atouts de l’informatique
quantique est de pouvoir résoudre des
questions insolubles pour les ordinateurs
d’aujourd’hui. Il s’agit par exemple de pro-
blèmes de nature exponentielle dont la
complexité augmente avec la dimension
des données à traiter. C’est pourquoi,
même si elles ne sont pas au même ni-
veau de maturité que les deux premières,
14
Technologies
quantiques
Intelligence
artificielle
Blockchain
Figure 1 : les 3 technologies clés à fort impact pour l’industrie financière

ces technologies sont étudiées dans ce
livre blanc.
Mais comment maximiser leur impact sur
l’industrie financière de demain
? Pour
répondre à cette question et après avoir
établi un premier diagnostic des besoins
et des opportunités de développement of-
ferts par ces technologies, ce document
propose des Domaines d’Innovation Priori-
taires (DIP), générateurs de croissance et
d’emplois (figure 2).
Mais qu’est-ce qu’un DIP ? C’est un sujet
sur lequel l’innovation permettra d’amé-
liorer d’ici cinq à dix ans la compétitivi-
té de l’industrie française de la finance,
grâce à l’émergence de réponses in-
novantes aux enjeux actuels et à venir.
Cependant, la plupart des algorithmes
quantiques d’aujourd’hui ne sont pas
encore exécutables sur les ordinateurs
quantiques disponibles ni même sur des
simulateurs à base d’ordinateurs tradi-
tionnels.
C’est pourquoi seules les technologies
d’IA et de blockchain ont donné lieu à des
DIP, les technologies quantiques restant
plus prospectives.
À la publication du livre blanc, le Pôle FI-
NANCE INNOVATION mettra en place des
appels à projets auprès de l’écosystème
de la filière finance pour développer et
mettre en œuvre ces DIP.
L’étude des limites et des opportunités
de ces nouvelles technologies a été réa-
lisée avec une attention particulière à la
transformation des métiers, l’éthique et la
définition des DIP induits.
Comme ces technologies concernent aus-
si aujourd’hui d’autres industries, une
analyse des retours d’expériences a per-
mis d’identifier de nombreuses synergies.
Citons, par exemple, l’intelligence artifi-
cielle de confiance, validée, qualifiée, cer-
tifiée et éthique, condition nécessaire au
déploiement de cette technologie dans le
monde de la finance, mais aussi dans les
domaines de la santé, des transports, de
la sécurité ou de la défense.
15
Human Augmentation
Enterprise
taxonomy
& ontology
Augmented
Reality
Prescriptive
Analytics
Expectations
Technology
trigger
Trough of
disillusionment
Slope
enlightenment
Plateau of
productivity
Peak of
inflated
expectations
Time
Deep Reinforcement Learning
Quantum
computing
Machine Learning
Deep Learning
Blockchain
Cognitive Expert Advisor
Smart Contracts
AI for Procurement
2 to 5 years
5 to 10 years
More than 10 years
Data
discovery
Content
services Predictive Analytics
Blockchain in supply chain
Figure 2 : le Gartner Hype Cycle 2017 des technologies émergentes, appliquées au monde de la finance

Enfin, une dernière remarque concerne le
poids de la réglementation qui demeure
très important dans la banque et l’assu-
rance. Cette réglementation interdit, par
exemple, que certaines décisions soient
prises par des systèmes totalement auto-
matisés, exigeant donc l’intervention hu-
maine d’un conseiller1
. En conséquence,
il existe une certaine dichotomie entre
les sujets internes à l’organisation où
une assez grande liberté d’action est
possible et les sujets externes en rela-
tion avec le client, où l’encadrement est
plus contraint.
La démocratisation d’Internet, du mobile
et des technologiques digitales a per-
mis l’émergence de nouveaux acteurs
innovants susceptibles de compléter et
concurrencer l’offre des acteurs tradition-
nels de services financiers. La transfor-
mation digitale reste un enjeu majeur pour
optimiser l’expérience client, transformer
le business model et automatiser les pro-
cessus métiers.
1. Dans la suite du document, les termes «
conseiller
» et «
client
» sont neutres : il faut comprendre «
conseillère et
conseiller » et « cliente et client ».
1.2. LA DÉMARCHE
Ce livre blanc est avant tout une aventure
collective lancée en décembre 2017. Elle
a donné la parole à des cadres issus de
l’écosystème de la finance et des experts
de ces technologies : fintechs et startups,
chercheurs et académiques reconnus,
grands groupes financiers et industriels,
cabinets de conseil, éditeurs/intégrateurs
de logiciels et représentants du Pôle de
Compétitivité FINANCE INNOVATION.
Plus de 250 participants ont contribué
aux sept sous-groupes de travail à travers
56 réunions de décembre 2017 à octobre
2018.
Mené en mode projet, se focalisant sur
l’IA, la blockchain et les technologies
quantiques, ce livre blanc a pour objectif
d’identifier les DIP de la prochaine décen-
nie, faisant ainsi émerger une vision pros-
pective pour l’industrie financière, ce qui a
été possible grâce à des débats riches et
16
Domaines
d’Innovations
Prioritaires (DIP)
Retour d’expérience
et perspectives
en Finance
BANQUE
ASSURANCE
GESTION D’ACTIFS
• Définition de la technologie et de ses applucations en Finance
• Politique de la donnée
• Retours d’expériences sur les uses cases déjà expérimentés
• Perspectives et nouvelles innovations : conseiller augménté, trading HF...
1
SMART CITY
SANTÉ/MÉDICAL
MOBILITÉ
• État des lieux en France
• Retours d’expériences sur les uses cases déjà expérimentés
• Perspectives et nouvelles innovations
et perspectives
des autres industries
2
• Enjeux réglementaires/juridiques
• Enjeux éthiques
• Nouveaux métiers/formation/éducation
• Gouvernance et sécurité
• Focus sur les retours d’expérience concrets
• Intégration des thématiques pour proposer des DIP cohérents entre les technologies
Impacts sur
la société
3
Figure 3 : démarche suivie

des conversations animées dans un cadre
libre et ouvert abordant les thématiques
décrites en figure 4.
Ainsi, la réflexion et les analyses menées
par les différents groupes de travail ont
été largement nourries par des exemples
opérationnels (cas d’usage) issus du do-
maine de l’industrie financière, mais aussi
d’autres secteurs afin d’identifier la va-
leur ajoutée de leur introduction dans la
finance.
1.3. LA CIBLE
Ce livre blanc a vocation à être diffusé
dans l’industrie financière et les autres
secteurs de l’économie pour lancer de
nouveaux projets collaboratifs répondant
aux DIP identifiés. Ces derniers ont une
portée majeure, car ils concernent :
• les fintechs qui proposeront des solu-
tions innovantes ;
• l’ensemble des métiers de la banque et
de l’assurance ;
• les experts techniques qui souhaitent
contribuer à la compétitivité de l’indus-
trie financière.
17
ASSUREURS
Assurance dommages IARD Prestataires de Services
de Paiement (PSP)
Sociétés de Financement (SF)
Sociétés d’Investissements
Établissements de Crédit
Spécialisés (ECS)
Crédit à la consommation,
crédit-bail mobilier, crédit-bail
immobilier, crédit aux entreprises,
affacturage, cautions et garanties
Assistance
Assurance-vie
SOCIÉTÉS DE GESTION
PLACEMENTS
Gestion des risques
Clients particuliers
Contrôles
Agréments
Prestations
Interconnexion
& Compensation
Métier /
Activité
Cash
management
Crédit
à
la
consommation
Cautions
et
garanties
Crédit
à
l’habitat
Gestion
des
titres
Crédit-bail
mobolier
et
immobilier
Crédit
aux
entreprises
:
trésorerie,
exportation,
créances
commerciales
Affacturage
Monétique
Couverture
Indemnisation
Règlementation
États
Supra-états
Experts
-
Prestataires
Banques
centrales
Régulateurs
Fédérations
Acteurs
Coface
Organismes de garantie
Réseau
interbancaire
Organisme
de clearing
Fonds de Garantie des
Dépôts et de Résolution
(FGDR)
Clients entreprises
Prévoyance
Protection sociale
Retraite
BANQUES
Figure 4 : cartographie des acteurs de la finance

1.4. LE COMITÉ DE
PILOTAGE
Pilotage général du Livre blanc
Direction du Livre blanc
• Bernard GAINNIER
Président, FINANCE INNOVATION
• Joëlle DURIEUX
Directrice générale,
FINANCE INNOVATION
Pilotage des groupes de travail
et coordination des travaux
• Sarah LAMOUDI
Responsable du pilotage du Livre blanc,
experte IA/blockchain, FINANCE INNOVATION
• Avec la participation de Patrick SEIFERT
(Senior advisor, Chappuis Hader & Co)
et Mehdi SENTISSI (chargé de mission
FINANCE INNOVATION).
Les comités de pilotage
des groupes de travail
Intelligence artificielle
• Bertrand BRAUNSCHWEIG
Directeur de coordination du
programme national de recherche en
intelligence artificielle (ex-Directeur du
centre de recherche INRIA Saclay)
• Juliette MATTIOLI
PhD, Expert sénior en IA, Thales
• Hamza DIDARALY
Président IA pour tous.com,
CEO A.I Ambassador
• Jean-Gabriel GANASCIA
Professeur à Sorbonne Université
• Gilles PAGES
Professeur à Sorbonne Université
• BenoÎt SPOLIDOR
Head of Artificial intelligence, Sopra Steria
Blockchain
• Cathie-Rosalie JOLY
Avocat Associé, Bird & Bird
• Alexandre STACHTCHENKO
co-fondateur et directeur général
Blockchain Partner –
Président La Chaintech
• Philippe DENIS
Head of Blockchain Lab & CDO,
BNPP Securities Services
• Marc ALAURANT
Marketing-Innovation, FinTechs,
Blockchain, BNP Personal Finance
• Muriel FAURE
Présidente Commission Recherche &
Innovation, Association Française de la
Gestion Financière (AFG)
• Alain ROSET
La Poste, Perspective/Expert Blockchain
• Sajida ZOUAHRI
Doctorant en Blockchain –
Orange Labs, Blockchain architect –
Consensys New York
Technologies quantiques
• Pascale SENELLART
Professeur CNRS, Univ. Paris Sud,
Univ. Paris Saclay, C2N
• Maud VINET
Logic Technologies manager, CEA Leti
• Eleni DIAMANTI
Chargée de Recherche, CNRS
Université Pierre et Marie Curie
• Adrien FACON
Directeur des programmes
« AI for Embedded Cyber-Security » et
« Cyber-Protection », SECURE-IC
• Alexia AUFFEVES
Directeur de recherche CNRS
• Philippe DULUC
CTO big data & security Atos
• Georges UZBELGER
AI/Advanced Analytics Solution &
Quantum Computing Leader,
IBM France
• Olivier SALOMON
Tech & Innovation, leader IT Lab -
Allianz
18

1.5. LES ENJEUX DE LA
FINANCE
L’introduction de ces trois innovations ma-
jeures (intelligence artificielle, blockchain
et technologies quantiques) représente à
terme un véritable changement de para-
digme pour les métiers de la finance, et
ce dans tous leurs aspects qui constituent
autant d’enjeux.
Tout d’abord, c’est une expérience client
totalement refondue que la banque et l’as-
surance délivreront demain à travers des
services hyper-personnalisés. Traitée et ana-
lysée par l’IA, la masse gigantesque de don-
nées disponibles leur permettra de connaître
parfaitement chacun de leurs clients et de
leur proposer des contrats individualisés
et adaptés à leurs besoins. Aux côtés du
conseiller lors de ses entretiens clients, des
assistants virtuels (chatbots, agents conver-
sationnels, robo-advisors) suggéreront en
temps réel et au fil des échanges des choix
d’investissement personnalisés en fonction
de la situation et des projets de chacun.
En «
augmentant
» le conseiller ainsi débar-
rassé des taches à faible valeur ajoutée,
l’IA lui permettra de se concentrer plei-
nement sur l’écoute client et l’interaction
avec l’humain… Ce changement dans les
tâches du collaborateur va impliquer une
évolution vers de nouvelles méthodes d’or-
ganisation plus agiles, plus proches de
celles en vigueur dans les startups. Cela
conduira également à une nécessaire redé-
finition des métiers et des emplois dans la
finance, historiquement très segmentés…
Bien sûr, de nouvelles compétences tech-
niques seront recherchées, mais ce sera
aussi le cas des compétences sociales et
émotionnelles (empathie, leadership, créati-
vité…) plus difficilement automatisables. De
quoi réinventer complètement les domaines
de la gestion des talents et de la formation…
Ces profondes transformations internes
sont à mettre en regard du bouleverse-
ment des marchés de la finance et de son
business model que représente l’émer-
gence de la blockhain.
19
Enjeux de
l’industrie
financière
Axe
expérience
client
Axe
écosystème
collaboratif
Axe
règlementation
Axe
formation et
transformation
des métiers
Axe
efficacité
opérationnelle
• Renouveler et simplifier l'expérience client ;
• Adapter le canal de distribution au client ;
• Répondre aux exigences d’accompagnement personnalisé
des clients.
• Contrer les nouveaux entrants issus des high-tech ;
• Innover sur les offres et modalités de souscription-résiliation ;
• Développer des partenariats industriels et renforcer l'offre de
financement des Fintechs-Insurtechs et des PME et ETI ;
• Trouver des relais de croissance et de marge.
• Développer une organisation et des moyens
technologiques agiles pour répondre à l’augmentation de
la pression réglementaire ;
• Soulager le processus de mise en conformité.
• Acculturer, former et préparer la transformation des métiers
induites par ces technologies ;
• Sensibiliser aux grands principes éthiques ;
• Développer une culture de l’innovation et de l’intrapreneuriat.
• Moderniser les SI
• Se doter d’outils de stockage et de traitement de masses
de données en augmentation constante
• Intégrer ces nouvelles technologies dans le SI
• D’une logique réactive face à la cyberattaque à une politique
proactive et anticipative

Cette nouvelle technologie, accompa-
gnée par les crypto-actifs et les smarts
contracts, qui permet de transférer des
actifs entre individus en toute sécurité,
sans intermédiaire ni tiers de confiance,
constitue pour la banque une véritable dis-
ruption. Le marché des mouvements finan-
ciers internationaux s’en verra totalement
modifié, de même que surgiront de nou-
veaux modèles d’affaires et de nouveaux
acteurs, sans parler du gisement que re-
présentent les 1,7 milliard de personnes
encore non bancarisées dans le monde…
L’efficacité opérationnelle, quant à elle, va
fortement s’améliorer avec de meilleurs
ciblages et scorings des clients qui sont
un des atouts majeurs de l’IA, comme
le contrôle optimisé du risque avec l’en-
voi d’alertes automatiques afin d’inter-
venir sur toute situation financière jugée
critique. Parallèlement, la lutte contre la
fraude sera plus performante avec une
KYC renouvelée et des systèmes IA qui
montreront, à terme, des capacités de dé-
tection supérieures.
Enfin, en matière de réglementation, les
enjeux sont ceux de l’intégration de l’IA au
cadre encore récent de la RGPD, de la res-
ponsabilité partagée entre humain et ma-
chine et des multiples questions éthiques
qui ne manqueront pas de se poser…
1.6. BIENVENUE CHEZ
VOUS EN 2030
Le réveil d’Alice sonne : il est program-
mé pour la réveiller lorsque son cycle de
sommeil lui permet d’optimiser ses per-
formances tout au long de sa journée.
Comme tous les jours au lever, Alfred, son
fidèle assistant personnel holographique,
s’adresse à elle via le haut-parleur direc-
tionnel de sa chambre. Il lui présente la
synthèse des informations du jour, les
actualités, les flux de son réseau social
sécurisé (qui préserve ses données dans
un datalake quanticrypté personnel), son
planning de la journée et l’état de ses dé-
penses.
En se connectant rapidement à son espace
individuel e-santé, Alice vérifie qu’elle est
en excellente forme (les capteurs connec-
tés autour de son lit analysent son som-
meil, ses paramètres vitaux et son état psy-
chologique), ce qui lui permet de conserver
les 30 % de réduction sur son assurance
santé et d’économiser sur l’accès à la salle
de sport qu’elle apprécie tant.
D’autres qu’Alice préfèrent que leur as-
sistant personnel soit matérialisé par un
robot humanoïde se déplaçant avec eux,
mais Alice préfère la voix et l’affichage de
la vue virtuelle d’Alfred qui la suit dans
ses déplacements à travers chaque pièce
de son appartement.
Auparavant, Alfred a récupéré, analysé
et filtré l’ensemble de ses flux : actuali-
tés, réseaux sociaux, mais aussi mails,
messages personnels, confirmation et
factures de commerçants, notifications
d’administrations, etc. de même que les
transactions, informations et recomman-
dations commerciales de ses banques
et établissements financiers. Ayant ap-
pris des préférences et du comportement
d’Alice, Alfred est en capacité de hiérar-
chiser et de prioriser les informations res-
tituées et même de proposer des actions
courantes. Si l’attention d’Alice est mobi-
lisée par autre chose, comme se servir
un café ou répondre à un appel, il s’inter-
rompt automatiquement et s’adapte à son
humeur comme un véritable majordome,
par exemple si Alice est pressée.
20

Les informations envoyées par la banque
d’Alice proviennent non pas de Marc,
son conseiller bancaire, mais de l’assis-
tant automatisé de Marc, Alphonse. Ce
dernier a lui aussi passé en revue l’en-
semble des informations du jour et a
déterminé, en fonction du profil d’Alice,
de l’historique de ses événements et de
l’analyse de son environnement quelles
informations adresser et quelles recom-
mandations effectuer. Ainsi, Alice a dit à
Marc que son fils partait aux USA pour
ses études : l’information a été immédia-
tement prise en compte et des éléments
sur les placements en zone dollar lui ont
été envoyés, de même qu’une proposi-
tion de souscription d’un compte multide-
vises et crypto-monnaies.
Au sein de l’agence bancaire d’Alice, Al-
phonse, l’assistant automatisé de son
conseiller est aussi capable de consolider
et comparer l’ensemble des informations
et propositions envoyées aux clients pour
vérifier au titre de la conformité que ne se
créent pas de biais ou d’inégalités dans
la distribution des produits et que ceux-ci
sont adaptés à leurs profils, et ce en re-
lation avec le contrôle l’ensemble du sys-
tème bancaire.
L’analyse comportementale possible
grâce au logiciel d’Alfred lui permet de dé-
celer une certaine impatience chez Alice.
Alfred arrête ainsi sa présentation et
écoute ses instructions : « Je souhaiterais
acheter un appartement. J’en ai regardé
quelques-uns ces derniers temps
; base-
toi sur ce que j’ai consulté et fais-moi des
propositions. Je suis aussi intéressée par
les investissements dans un fonds pour
les startups de l’Edtech que tu m’as pré-
senté dans le système éducatif aux USA,
lui dit Alice. Prends rendez-vous avec Marc
que l’on puisse en parler ».
Aussitôt, son conseiller Alfred déclenche
différentes actions :
•
une recherche actualisée des
appartements à vendre se fondant
sur les similitudes des recherches
précédentes effectuées par Alice en
optimisant ses paramètres de vie
(proximité de magasins et services,
temps et moyens de transport, etc.)
et sur une simulation de ses capacités
financières d’acquisition et de la marge
de négociation généralement applicable
sur les prix affichés pour des biens
équivalents,
•
une fois les biens identifiés, une
vérification de ceux-ci est effectuée en
interrogeant les registres partagés des
immeubles historisant les opérations
de maintenance, la vie sociale et les
données des capteurs intégrés,
• l’initialisation de la négociation pour que
le prix du bien envisagé corresponde
aux capacités financières d’Alice (ou
aux paramètres financiers qu’elle lui
a communiqués) est lancée par des
échanges automatiques entre les agents
respectifs du vendeur et de l’acheteur
pour déterminer les zones d’accord
possibles,
• Alfred va ainsi procéder à une analyse
des offres et des taux disponibles sur
le marché et en préparer une synthèse
pour Alice avant sa négociation avec
Marc,
• une demande de prise de rendez-vous
avec Marc est adressée à Alice, en
fonction de ses disponibilités et en en
indiquant le motif.
Marc, le conseiller bancaire d’Alice, a lui
aussi commencé sa journée avec une syn-
thèse proposée par son assistant virtuel.
Alphonse le décharge de toutes les tâches
administratives, filtre ses mails et ses flux
et optimise ses communications et son
21

emploi du temps. Comme chaque matin,
Alphonse lui a présenté une synthèse de
sa journée en classant ses activités par
priorité dans son tableau de bord person-
nel. Il lui prépare également des mémos
de présentation pour chacun de ses ren-
dez-vous de la journée. Marc rencontre
ses clients dans sa voiture autonome où
un bureau lui a été spécialement installé.
Alphonse lui permet d’optimiser ses dé-
placements qu’il calcule de façon antici-
pée (grâce à un algorithme dédié aux habi-
tudes de circulation) et réajuste en temps
réel en prenant en compte l’état du trafic.
Le rendez-vous sollicité en dernière mi-
nute par Alfred a modifié quelque peu
l’emploi du temps de Marc. Toutefois, ce
rendez-vous est optimisé par Alphonse
afin que Marc ne fasse qu’un léger détour
dans ses trajets pour assurer cet entretien
avec Alice qui a souhaité rencontrer Marc
au e-Café à côté de chez elle. Une fois le
rendez-vous confirmé à Alice, Alphonse
produit une synthèse de l’historique de la
relation client avec Alice qu’il communique
à Marc pendant le trajet ainsi que l’objet
du rendez-vous et une simulation des dif-
férentes propositions de prêt que Marc
pourrait lui faire.
Dès qu’Alice franchit le seuil de la porte
du e-Café, sa boisson préférée se met en
route, car elle a été reconnue automati-
quement grâce à son identité numérique.
En effet, Alice a défini son profil lors d’une
visite précédente au e-Café, par le biais
de listes des données collectées, de leur
durée de conservation, de traitements au-
torisés et d’enseignes pouvant y accéder,
ainsi que des modalités techniques de dé-
tection (smartphone, biométrie faciale ou
digitale, saisie d’un code mémorisé ou de
vérification unique envoyé, etc.). Elle peut
notamment à tout moment modifier ces
paramètres, retirer les droits d’utilisation
accordés, supprimer des informations ou
décider de transmettre ces données à des
tiers.
Pas besoin d’utiliser sa carte de paie-
ment, le règlement est instantanément
effectué en mode « paiement transparent »
à partir de son compte de paiement ou de
son wallet de crypto-cash émis et conser-
vé en ligne dans une blockchain par la
Banque Centrale et référencé dans ses
paramètres d’identité numérique. Alice
est un peu plus tendue que d’habitude,
car, même si elle se réjouit de son pro-
jet d’acquisition, cela n’en demeure pas
moins une étape importante dans sa vie.
L’IA du commerçant analyse le comporte-
ment d’achat de ses clients et peut de-
mander une validation supplémentaire s’il
détecte une anomalie. Dans le cas d’Alice,
la première analyse du comportement a
conduit à une interrogation qui amène l’IA
à effectuer une deuxième analyse et de-
mander une validation complémentaire.
Finalement, Alice voit la voiture de Marc
se garer, ce qui dissipe tout doute dans
son esprit concernant son projet. Le com-
portement d’Alice est bien normal, es-
time l’IA qui valide donc la transaction en
crypto-cash. Depuis que la Banque Cen-
trale distribue un kit d’accès logiciel à sa
blockchain qui permet aux fournisseurs de
moyens de paiement de faire preuve de la
plus grande créativité dans les types et les
cinématiques de paiement (collier, carte,
application mobile…), le crypto-cash a to-
talement remplacé les espèces. La régle-
mentation impose cependant que les ca-
ractéristiques d’anonymat et d’affichage
du montant détenu soient respectées.
Le e-Café, qui souhaite accéder à l’his-
torique de consommation d’Alice à des
22

fins statistiques et commerciales, lui de-
mande préalablement son consentement
pour l’utilisation de ses informations via
l’application de paiement en échange de
la gratuité pendant un mois de toutes
les consommations qu’elle commandera
dans le réseau e-Café. Alice, bien que ten-
tée par l’offre, mais allergique à tout type
de sollicitation commerciale, refuse.
Tout en dégustant son excellent cappucci-
no, elle monte dans le véhicule autonome
salon de son conseiller. Pendant le tra-
jet, elle a le temps de finaliser la mise en
place de son achat immobilier et d’en sa-
voir plus sur les crypto-actifs de l’EdTech.
Concernant l’achat de son bien, Alice se
laisse séduire par les taux très préféren-
tiels de Marc. Elle donne son pré-accord,
qui nécessitera une deuxième signature
électronique après le délai légal de ré-
flexion.
Cette acceptation déclenchera automati-
quement le contrat de prêt qui sera trans-
mis au notaire afin de régulariser l’achat
de son nouvel appartement. Concernant
les crypto-actifs de l’EdTech, Marc lui
confirme qu’ils sont représentatifs de
droits sur les revenus du panier de cours
qui lui est proposé. Les crypto-actifs sont
enregistrés dans une blockchain et dès
qu’un étudiant s’inscrit et paye pour ses
cours, un programme automatique « smart
contract » lui reverse une quote-part déter-
minée de la transaction, ce qui permettra
de financer les dépenses quotidiennes de
son fils. Convaincue, Alice décide d’inves-
tir, donne son accord à Marc avec qui elle
échange une très humaine et énergique
poignée de main avant de repartir, plei-
nement satisfaite de son rendez-vous en
cette belle journée de l’année 2030…
23

L’intelligence
artificielle
au service
de l’industrie
financière

2. L’intelligence
artificielle au service
de l’industrie
financière
Le secteur de la banque, de la finance
et de l’assurance va, comme les autres
secteurs de l’économie, bénéficier des
progrès de l’intelligence artificielle (IA).
Bien qu’il ne fasse pas partie des cinq
domaines identifiés dans le rapport de
la mission Villani2
, il a été examiné en
2017 dans le cadre de la réflexion #Fran-
ceIA3
et a fait l’objet de plusieurs études,
comme celle de France Stratégie publiée
en avril 20184
dont un chapitre est consa-
cré aux impacts dans le secteur bancaire.
D’autres contributions abordent l’IA dans
les services financiers, comme le rapport
du cabinet Roland Berger de juin 20175
et
l’étude Athling de décembre 20176
. Enfin,
le rapport du groupe Malakoff-Médéric de
mars 20187
se focalise sur l’évolution des
emplois et des compétences.
En complément, ce livre blanc met l’ac-
cent sur le reste à réaliser au travers de
Domaines d’Innovation Prioritaires (DIP) vi-
sant à maximiser les bénéfices de l’IA pour
la profession, en prenant notamment en
compte ses aspects sociaux afin que les
2. Villani, C. et coll. (2018) « Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne »,
téléchargeable sur www.aiforhumanity.fr.
3. Ackerman, N. et coll. (2017) «
FranceIA : Conclusions complètes des groupes de travail
», www.economie.gouv.fr/
files/files/PDF/2017/Conclusions_Groupes_Travail_France_IA.pdf.
4. France Stratégie (2018), «
Intelligence artificielle et travail
», www.strategie.gouv.fr/publications/intelligence-artificielle-travail.
5. Doucet L. (2017), « Automation in Financial Services », www.adetem.org/club-adetem-bfa-20062017.
6. Athling (2017), « L’intelligence artificielle dans la banque : emplois et compétences », www.observatoire-metiers-banque.fr.
7. Malakoff Médéric (2018) «
Intelligence artificielle et capital humain : quels défis pour les entreprises
?
», www.
lecomptoirmm.com.
8. Le traîtement des événements complexes, ou CEP, est une méthode à base de règles (IA symbolique) permettant de
suivre et d’analyser (traiter) des flux d’informations sur des événements, et d’en tirer une conclusion (une alerte). C’est
l’une des technologies utilisées dans le domaine des échanges et en particulier dans le secteur des services financiers.
gains de l’innovation profitent à tous et à
chacun.
Un point saillant de ce travail est l’univer-
salité des applications de l’IA : tous les
métiers de la banque, de la finance et de
l’assurance sont concernés. Que ce soit
en front office face au client ou en back of-
fice dans la préparation des contrats, dans
l’établissement de notes de synthèse ou
encore en automatique par le biais d’agents
conversationnels dialoguant avec le client,
les technologies d’IA peuvent être mises à
profit pour fournir des aides à la décision,
voire automatiser certaines décisions dans
des contextes non critiques.
Pour modérer le propos, il faut aussi
constater, au moins au niveau des entre-
prises françaises, que relativement peu de
systèmes à base d’IA sont déjà en produc-
tion. On compte beaucoup de maquettes,
preuves de concepts et démonstrateurs de
systèmes à base d’apprentissage dont le
passage à l’échelle et le déploiement ne
sont pas encore avérés. Citons cependant
la technologie CEP8
(Complex Event Proces-
sing) à base de règles spatio-temporelles
largement déployée pour le trading.
L’offre commerciale existe, mais peu de
grands groupes ont implémenté des solu-
tions corporate. L’expérience du Crédit Mu-
tuel, utilisant le produit Watson d’IBM pour
filtrer et traiter les courriers électroniques,
26

reste encore rare dans notre pays. Il est
donc particulièrement important pour les
entreprises du secteur de se saisir de ces
nouvelles opportunités.
Dans ce chapitre, les 18 DIP sont d’abord
organisés par technologies et appliqués
aux enjeux métiers. S’ajoutent ensuite des
DIP «
transverses
» dont la fonction princi-
pale est d’établir la confiance entre l’utili-
sateur et le système artificiel et de facili-
ter son déploiement. Ces DIP transverses
traitent aussi de l’éthique, du juridique,
des compétences et de la formation, capi-
talisant sur l’expérience d’autres secteurs
industriels comme la santé, le transport et
mobilité, la ville intelligente.
2.1 UN PEU D’HISTOIRE
L’intelligence artificielle est un champ
extraordinairement vaste, mais difficile
à définir. L’expression «
intelligence ar-
tificielle
» fut adoptée au Congrès de
Dartmouth en 1956 pour désigner le
domaine de reut adoptée au Congrès
de Dartmouth en 1956 pour désigner
le domaine de recherche qui s’ouvrait
alors. La définition la plus simple de l’IA
est celle que donne la mission Villani9
:
« Une intelligence artificielle est un
programme informatique visant à
effectuer, au moins aussi bien que des
humains, des tâches nécessitant un
certain niveau d’intelligence. »
Grâce aux progrès considérables de
la microélectronique, à la puissance
de calcul et à l’accès à des quanti-
tés massives de données, l’IA vit au-
jourd’hui un renouveau (voir figure 5).
Cette discipline est redevenue visible
ces dernières années, sous la double
impulsion de résultats très médiati-
sés – de la victoire de Deep Blue sur
Gary Kasparov aux échecs en 1997 à
celle d’Alpha Go sur le grand maître
Lee Seedol au jeu de Go en 2016,
en passant par la victoire de Watson
à Jeopardy en 2011 ou la victoire de
Psibernetix en simulation de combats
aériens contre les meilleurs pilotes
américains en 2016 – et d’avancées
27
1950
1956
1957
1965
Années
70
1999
2011
AIBO
Sony lance AIBO,
le 1er
robot IA animal
de compagnie avec une
personnalité qui évolue
dans le temps.
AlphaGo gagne
contre K. Jie
au jeu de Go.
ELIZA
Le 1er
chatbot
Dendral
Le 1er
système
expert
Réseaux
sémantiques
Démonstrations
en apprentissage,
planification
multi-agents, analyse
de données, traîtement
automatique de la
langue et traduction
automatique, vision,
réalité virtuelle, jeu…
IBM Watson gagne
au Jeopardy.
Apple intègre Siri,
un assistant virtuel
intelligent doté
d'une interface
vocale, dans
l'iPhone 4S.
Grandes
avancées
Alan Turing imagine
la machine intelligente.
Asimov publie les 3 lois
de la robotique.
Rosenblatt crée
le Perceptron,
le 1er
réseau
de neurones
capable d’apprendre.
Test
de Turing
1 3 5 7 11 13
2 4 6 8 10 12 14
15
Convention
de Dartmouth
Perceptron
M. Minsky & S. Papert
démontrent les limites
des réseaux de neurones
simples.
1969 :
1ère
conférence IJCAI.
Logique
floue
Les réseaux
sémantiques comme
représentation
de la connaissance.
A. Colmerauer
développe Prolog.
Watson
Siri
AlphaGo
Zadeh
EXPERT SYSTEM
ARTIFICIAL
NEUTRAL
NETWORK
1er
hiver Systèmes
experts
Les machines Lisp.
1980 : 1ère
conférence AAAI.
Deep Blue bat
Garry Kasparov
aux échecs.
Le programme
Othello gagne contre
Takeshi Murakami.
Deep
Learning
Facebook peut effectuer
une reconnaissance
automatique des visages
aussi précise que l’humain.
ALEXA
Amazon lance Alexa,
un assistant virtuel
intelligent doté d'une
interface vocale
pour les actions d'achat.
2014
201O
1997
Années
80
Années
70
1965
Inputs Weights Net input
function
Activation
function
Output
2017
Années
90
9
Figure 5 : un bref historique de l’intelligence artificielle (SourceThales 2017)

significatives sur des problèmes jugés
difficiles comme la reconnaissance
d’image et de la parole, la traduction
automatique ou l’analyse prédictive à
partir de données massives.
2.2. QUELQUES CHIFFRES
SUR LE MARCHÉ DE L
’IA
« La technologie de l’IA (intelligence
artificielle) est maintenant sur le
point de transformer tous les sec-
teurs, comme l’électricité il y a 100
ans. Entre maintenant et 2030, cela
créera environ 13 billions de dollars
de croissance du PIB. Bien que cela
ait déjà créé une valeur considérable
dans les entreprises technologiques
de pointe telles que Google, Baidu,
Microsoft et Facebook, une grande
partie des vagues supplémentaires
de création de valeur ira au-delà du
secteur des logiciels. »
Andrew Ng
Professeur associé au Département de
science informatique de l’Université
Stanford
C’est ainsi qu’Andrew Ng, dans sa récente
publication10
estime le marché de l’IA.
Pour étayer ce propos, quelques données
chiffrées cernant les enjeux business de
cette discipline en plein essor :
10. Andrew Ng, Professeur associé au département des sciences informatiques de l’Université de Stanford : AI Transformation
playbook How to lead your company into the AI era, december 13, 2018.
11. fintech-mag.com/marche-de-intelligence-artificielle.
12. Tracxn.
13. Rapport France IA remis au gouvernement le 21 mars 2017.
14. Rapport France IA remis au gouvernement le 21 mars 2017.
15. www.tractica.com/research/artificial-dintelligence-market-forecasts.
16. www.slideshare.net/nathanpacer/venture-scanner-ai-report-q1-2017.
17. DARPA : Defense Advanced Research Projects Agency (Agence pour les projets de recherche avancée de défense) est
une agence du département de la Défense des États-Unis chargée de la recherche et développement des nouvelles
technologies destinées à un usage militaire.
18. « Pour une intelligence artificielle maitrisée, utile et démystifiée », 19/07/2017 Rapport d’information de l’OPECST.
• 300 startups IA en France ;
• 278 millions d’euros11
de levée de fonds
en 2017 pour celles-ci ;
• 1,5 milliard d’euros, montant d’investis-
sement annoncé par le gouvernement
français sur la période 2018–2022 ;
• Le marché français de l’IA affiche une
dynamique assez forte avec une crois-
sance12
trimestrielle moyenne de l’ordre
de 80 % entre T2 2016 et T2 2017 ;
• 18 masters dispensant des formations
IA13
et 5300 chercheurs en IA14
en France ;
• 90 milliards de dollars15
pour le marché
mondial de l’IA d’ici 2025 ;
• 1730 jeunes pousses consacrées à l’IA
dans 70 pays16
avec une levée de fonds
moyenne de 7,5 millions de dollars par
entreprise ;
• La DARPA17
a annoncé, via son pro-
gramme AI Next en 2018, l’investisse-
ment de 2 milliards de dollars sur les
cinq prochaînes années.
Les attentes et les investissements les
plus importants viennent aujourd’hui des
secteurs de la finance, de la santé, de la
défense/sécurité et du transport18
. Dans
l’industrie financière, outre l’utilisation de
l’IA à des fins d’automatisation et d’amé-
lioration de processus opérationnels
(comme le contrôle de conformité des
documents), les investissements d’au-
jourd’hui touchent majoritairement les
domaines de marketing et de la connais-
sance client.
28

2.3. DES TECHNOLOGIES
AU SERVICE DES
MÉTIERS DE L
’INDUSTRIE
FINANCIÈRE
Dans la suite du document, on utilisera
les concepts de « donnée », « information »
et « connaissance ». La donnée est un élé-
ment brut qui n’a pas encore été interpré-
té et mis en contexte. C’est le résultat di-
rect d’une mesure qui peut être collectée
par un outil, par une personne ou être déjà
présente dans une base de données. Il y
a donc des données numériques, symbo-
liques, textuelles, logiques... Une informa-
tion est une donnée intelligible, qui prend
un sens. Une information est donc par défi-
nition une donnée interprétée. En d’autres
termes, la mise en contexte d’une donnée
crée de la valeur ajoutée pour constituer
une information. La connaissance est le
19. L’IA symbolique est aussi appelée en anglais GOFAI pour « Good Old Fashion AI ».
résultat d’une réflexion sur les informa-
tions analysées. À la différence de l’infor-
mation, la connaissance est partagée et
s’appuie sur un référentiel collectif. Mais
attention, des informations peuvent être
communiquées sans pour autant devenir
des connaissances. Il faut alors les accom-
pagner de leur référentiel puisque celui-ci
ne sera pas partagé (non implicite). Ainsi,
la connaissance peut être spécifique à un
métier, donc partagée seulement par les
experts du métier.
L’IA peut se segmenter en sous-domaines
qui ont chacun connu différents succès
(figure 6) :
•
L’intelligence artificielle dite symbo-
lique19
ou à base de modèles et de
connaissances comme :
• Le web sémantique et les ontologies ;
• Les systèmes à base de connais-
sances incluant les systèmes experts
29
Modélisation
d’expert
Apprentissage
automatique
Interaction humain machine
voix, gestuelle, AR/VR…
Nouveaux produits,
nouveaux marchés
Conseiller
augmenté
Agent conversationnel
(chatbot)
Évaluation
de crédit
Automatisation
des processus
Ciblage
Fixation des prix
Optimisation
de capital
Souscription
intelligente
Robot conseiller /
Gestion de portefeuille
Détection
de la fraude
Activités et tenue de marché
(Trading, market making)
Cybersécurité
Conformité
et gestion du risque
Aide à la décision
Systèmes
muti-agents
Ontologies
Web sémantique
Analyse
prédictive
Optimisation
Apprentissage machine /
réseaux neuronaux
Automatisation
Robotique
Vision
Traîtement de l’image
et de la vidéo
Systèmes de calcul
formel - symbolique
Traîtement
de signal
Systèmes à base
de connaissances
Traîtement du
langage naturel
Figure 6 : différentes technologies d’IA applicables au domaine financier

et les systèmes à base de règles ;
• Les systèmes multi-agents ;
• La programmation par contraintes ;
• Les systèmes de calcul formel – sym-
bolique.
• L’apprentissage automatique/réseaux
neuronaux supervisé, non supervisé,
par renforcement et l’apprentissage
profond appliqué :
• au traîtement du langage naturel,
• à la vision et au traîtement d’image
et de vidéo,
• au traîtement du signal comme pour
le traîtement de la parole ;
• à la prédiction de séries temporelle…
Enfin, le dialogue et l’interaction homme-ma-
chine utilisent de manière combinée ces
technologies, en particulier au travers des
agents conversationnels ou de la réalité
augmentée, la réalité virtuelle…
Les progrès spectaculaires des réseaux
neuronaux profonds (deep learning), en
particulier dans le domaine de la percep-
tion sont aujourd’hui mis en avant. Il ne
faut cependant pas confondre l’intelli-
gence artificielle avec l’analytics. Certes,
l’apprentissage automatique est une dis-
cipline majeure de l’IA, mais on peut faire
de l’analytics sans avoir recours à l’intelli-
gence artificielle.
Dans l’industrie financière, les technolo-
gies aujourd’hui déployées de RPA (Ro-
botic Process Automation) permettent de
remplacer certains processus manuels
répétitifs et à faible valeur ajoutée par des
processus robotisés, et n’utilisent pas ou
peu d’IA.
Comme l’IA ne se réduit pas aux réseaux
neuronaux ou à l’apprentissage automa-
tique, on parle alors d’IA symbolique, à
base de modèles ou de connaissance.
« L’intelligence artificielle offre des
techniques d’analyse et de raison-
nement nécessaires pour extraire du
sens, résoudre des problèmes com-
plexes, et permettre des prises de
décisions à partir de données et de
connaissances, tandis que la science
des données fournit les connais-
sances nécessaires à l’IA pour conti-
nuer à apprendre et à évoluer. »
Juliette Mattioli, AI senior expert
©Thales 2018
Dans la suite du document, quand l’«
in-
telligence artificielle
» est mentionnée, il
s’agit de l’IA symbolique ou de l’apprentis-
30
Décider en avenir
incertain
DIP1
Augmenter le
conseiller face au
client
DIP2
Augmenter le
conseiller hors
entretien client
DIP3
Proposer le self- care
DIP4
Solliciter le client par
l’IA
DIP5
Optimiser la distribution
multi canal
DIP6
Simplifier les processus
de mise en conformité
et faciliter la gestion
des risques
DIP7
Le credit scoring
DIP8
Lutter efficacement
contre la fraude
DIP9
Vers un dialogue
humain - machine
empathique
DIP10
Prévenir les cyber -
risques en couplant IA
et cyber sécurité
DIP18
Collecter, qualifier,
exploiter et partager
les données et
connaissances
DIP16
Intégrer l’IA dans le SI
DIP17
Accompagner la
transformation des
métiers
DIP11
Acculturer et former à
l’IA
DIP12
Mettre en œuvre les
grands principes
éthiques
DIP13
Lutter contre la
discrimination et biais
DIP14
Expliquer et auditer l’IA
DIP15
DIP technologiques DIP organisationnels
Figure 7 : Les 18 DIP de l’IA au service de l’industrie financière

sage automatique sans distinction. Sinon,
les technologies sous-jacentes seront pré-
cisées.
Pour identifier les DIP, plus de 30 cas
d’usages ont été étudiés et analysés
orientés selon les cinq axes suivants :
• La relation client SAV, avec l’apport des
agents conversationnels (chatbots), la
personnalisation/ultra-personnalisation
des offres, le conseillé augmenté…
•
L’efficacité opérationnelle incluant la
gestion des contrats ou la gestion intel-
ligente des bases documentaires sans
oublier la gestion des données…
• L’investissement et le trading algorith-
mique, l’aide à la décision d’investisse-
ment, l’optimisation de portefeuille et
la construction de dérivées.
•
Les dimensions réglementaires avec
un focus particulier sur la gestion du
risque et la conformité ;
• La création de nouvelles offres, nou-
veaux produits et services. Citons par
exemple, dans le domaine de l’assu-
rance, la couverture de nouveaux types
de risques induits par l’évolution de la
matière assurable (comme la voiture
autonome).
Les 18 DIP identifiés pour l’intelligence
artificielle sont regroupés en DIP techno-
logiques appliqués aux métiers et en DIP
transverses liés à la transformation de
l’organisation.
31

DIP 1 : développer
et augmenter
la capacité
décisionnelle en
avenir incertain
L’aide à la décision est sans doute l’un des
domaines où l’émergence de l’IA apporte
un bouleversement majeur, tant sur la na-
ture de l’aide fournie que sur l’échelle tem-
porelle où cette information est susceptible
d’être disponible. Elle peut même conduire
à un changement de paradigme. Cela
concerne tous les métiers de la finance
et de l’assurance. Mais qu’est-ce qu’une
décision
? C’est le fait qu’un acteur (ou un
ensemble d’acteurs) effectue un choix, si
possible après réflexion, entre plusieurs so-
lutions pour affronter une situation difficile,
résoudre un problème délicat ou répondre
à une question complexe. Ces différentes
situations permettent de distinguer deux
types de décisions : les décisions straté-
giques et les décisions opérationnelles.
La décision en avenir incertain, qu’elle
soit stratégique ou opérationnelle, prend
tout son sens lors d’opérations de gestion
d’événements rares ou exceptionnels voire
en situation de crise, et cela en raison des
bouleversements de l’environnement dans
lequel les organisations évoluent. En ef-
fet, on ne peut prévoir ni leur forme (krach
boursier…) ni le moment précis de leur dé-
clenchement.De plus, la capacité de l’orga-
nisation à prendre des décisions justes et
rapides est un facteur clé de succès vers
l’issue la plus favorable. L’incertitude est
alors le cadre de cette prise de décision.
Il est impossible d’y échapper. Elle renvoie
au fait que les conséquences d’une déci-
sion ne sont pas connues à l’avance, ce
qui expose le décideur à un risque.
Cependant, le risque encouru peut être
quantifiable quand la probabilité d’occur-
rence des différentes conséquences pos-
sibles est objectivement connue à l’avance.
On calcule alors la perte encourue en mul-
tipliant le montant de la perte éventuelle
par la probabilité que se réalise l’éventua-
lité défavorable. Toutefois, l’incertitude
devient intrinsèque si les risques ne sont
pas objectivement mesurables à l’avance.
La rentabilité du financement des investis-
sements par le crédit bancaire et le rende-
ment futur des titres obligataires ou des
actions émises en cas de financement non
bancaire sont affectés par cette incerti-
tude. De plus, un problème de décision est
souvent multicritère. Il se caractérise par
la prise en compte explicite de plusieurs
objectifs à optimiser simultanément dans
l’analyse des préférences, la comparaison
des solutions et la détermination d’une ou
des solution(s) optimale(s). Les problèmes
induits varient selon la question posée. On
peut distinguer les problèmes de choix où
l’on cherche à déterminer les meilleures
solutions, les problèmes de classement
où l’on veut ordonner, au moins partielle-
ment, les solutions selon un ou plusieurs
critères et les problèmes de classification
où l’on cherche à affecter les solutions à
des catégories prédéfinies selon leur valeur
intrinsèque.
En banque de détail, banque d’investis-
sement, gestion d’actifs et assurance, la
recommandation est une activité essen-
tielle, nécessitant une exploitation fine des
informations historiques disponibles sur le
client. Les techniques de scoring sont éga-
lement impactées (voir le DIP 8 sur le credit
scoring). En assurance, l’IA peut fortement
32

contribuer au pricing, à la souscription intel-
ligente et à la gestion de fraude.
Dans les activités de marché des banques
d’investissement, et surtout des hedge
funds (fonds d’investissement spéculatifs
non cotés), on est déjà souvent au-de-
là de l’aide à la décision stricto sensu
puisqu’une part importante du trading se
fait sous forme de décision automatique
à une vitesse inaccessible à l’être humain,
avec la recherche de micro-arbitrages à
haute fréquence entre plateformes de
cotations classiques et électroniques
(chi-X, Turquoise, CEP…). Actuellement,
ces algorithmes ultra-rapides ne sont pas
ou peu augmentés, au sens où ils n’ap-
prennent pas de leur environnement au fil
des échanges. Ceci conduit à des règles
de stop-loss20
très basiques induisant une
grande instabilité du système. Une forme
d’apprentissage automatique embarquée
est de nature à améliorer le trading sous
réserve d’être maîtrisée (au sens compris
par les utilisateurs tel que défini par le ré-
gulateur) et certifiée (voir DIP 15).
Les activités de marché, comme le pricing
(fixation du prix d’un produit), le hedging
(couverture du risque) et le calcul de Va-
lue-at-Risk21
par agrégation de l’ensemble
des desks, nécessitent à la fois une mo-
délisation mathématique (modèles de
Black-Scholes, de volatilité stochastique,
etc.) et des calculs à très grande échelle,
notamment pour la VaR. Elles pourraient
bénéficier du couple apprentissage auto-
matique et IA symbolique pour offrir une
capacité d’aide en temps réel à la déci-
sion aux traders et aux risks managers.
20. Le stop-loss est le niveau de prix auquel l’investisseur préfère solder sa position en cas de perte.
21. Value-at-Risk (VaR) : mesure du risque de marché d’un actif financier.
22. En finance de marché par exemple, le coût d’accès aux données haute fréquence fournies par les agences de la
place (Reuters, Bloomberg) se comptent en dizaines de k€ mensuels par actif.
Enjeux
L’accès aux données exploitables, en par-
ticulier pour l’apprentissage, est problé-
matique (données brutes non nettoyées,
manque de profondeur, stockage…) et/
ou trop onéreux22
, même pour ceux qui les
produisent (DIP 16).
La complexité de la modélisation est une
véritable difficulté à prendre en compte. En
effet, la formulation d’un problème d’aide
à la décision est complexe. Il nécessite
de comprendre le besoin des différents
acteurs, d’identifier l’ensemble des états
dans lequel le système considéré peut se
trouver et d’évaluer la valeur de toutes les
actions décisionnelles et leurs impacts
afin de proposer une solution optimale ou
un bon compromis.
Le besoin accru de nouvelles expertises
suscite une inertie difficile à combler par
le recrutement (DIP 11). Faut-il alors les
développer en interne, s’appuyer sur des
compétences externes (startup) ou réali-
ser des acquisitions
? La question est ré-
currente lors de chaque introduction d’une
innovation dans une fonction métier.
Le principal verrou technique reste l’explica-
bilité (ou intelligibilité) de la décision propo-
sée par le système, ne serait-ce que pour
des raisons de responsabilité juridique ou
de mise en conformité réglementaire (DIP 7).
La robustesse de ces outils en situation
stressée (panique financière, risques ex-
trêmes en assurance…) est également à
prendre en compte.
33

Pistes de résolution et
recommandations
Les propositions suivantes contribuent à
répondre aux enjeux décrits ci-dessus :
• Qualifier et partager les données traitées
entre les acteurs pour assurer une stabili-
té et une robustesse du système, notam-
ment en finance de marché (DIP 16) ;
• Calculer le ROI23
de la mise en place
d’un tel système pour en évaluer l’im-
pact sur le long terme ;
• Garantir la cohérence décisionnelle de
bout en bout (de la stratégie aux opé-
rations) par l’hybridation de l’IA symbo-
lique (prise en compte de la complexité
de la modélisation) et l’apprentissage
automatique et l’interopérabilité des
systèmes ;
• Expliquer des décisions est incontour-
nable pour que l’usager s’approprie le
système et, dans certains cas critiques,
certifier les procédures (DIP 15).
23. ROI est un acronyme qui signifie « Return On Investment » pour retour sur l’investissement.
34

Focus
La gestion d’actif
à l’heure de l’IA chez
Bramham Gardens
(Précision : Il s’agit là d’une industrie B2B
avec des professionnels de la gestion d’ac-
tifs qui prennent des décisions d’investis-
sement pour créer de la performance, non
de robo-advisors délivrant des conseils de
gestion de patrimoine au client final).
La finance est devenue une discipline en
soi il y a une soixantaine d’années grâce
aux travaux du Prix Nobel Gérard Debreu
sur la notion de marchés complexes.
Toute la conception moderne du fonction-
nement de la finance a vu le jour après-
guerre : marchés et produits dérivés, pour
lesquels ont été inventées des techniques
de pricing. À l’origine, il ne semblait pas
nécessaire d’établir une quelconque pré-
vision pour fixer le prix d’un instrument
financier. Or, s’il n’y a pas eu de révolu-
tion scientifique ces 30 dernières années,
l’avènement de l’IA change aujourd’hui
radicalement la donne, avec l’ambition de
comprendre, grâce aux nouveaux outils
dont on dispose aujourd’hui, des phéno-
mènes jusqu’ici inexpliqués : analyser et
anticiper la dynamique des prix et explorer
de nouveaux domaines hier insoupçonnés
(analogie de l’image des rayons X pour la
finance traditionnelle et de l’IRM pour la
nouvelle finance).
L’exemple ci-dessous illustre comment,
en utilisant des techniques de reconnais-
sance de la parole couplées avec des
modèles IA, on parvient à extraire de nou-
velles informations sur les séries finan-
cières.
La gestion d’actif est actuellement encore
une activité essentiellement de main-
d’œuvre qualifiée et relativement bien ré-
munérée. L’avènement des technologies,
notamment de l’IA, va rendre cette activité
plus capitalistique, c’est-à-dire rendre les
dépenses liées à l’appareil de production
technique plus importantes par rapport
aux coûts de personnel.
Le modèle dominant, que ce soit chez les
grands groupes ou les petites structures
en gestion d’actif (hors gestion passive
et indices), est un modèle de nature as-
sez artisanale : le gestionnaire de porte-
feuille, expert qui dispose d’un savoir-faire
reconnu, est en face de son écran avec
son expérience et ses données (Bloom-
berg, etc.) et travaille à créer de la valeur
ce qui, en gestion d’actif, signifie prendre
des décisions justes sur la dynamique des
futurs prix. S’il investit dans un actif plu-
tôt qu’un autre, c’est qu’il pense que cet
actif va surperformer l’autre. Le système
a été rationalisé pour que la prise de dé-
cision soit la plus performante possible.
Beaucoup d’efforts et d’investissements
(agences d’informations financières, in-
35

tégration de logiciels d’analyse de l’infor-
mation, analystes…) ont été réalisés pour
rendre l’environnement du gestionnaire le
plus favorable à une prise de décision in-
formée et qu’il puisse se concentrer sur la
construction de portefeuilles aux volumes
relativement importants, mais sans pour
autant changer de mode opératoire.
Le prix est un agrégat des vues, avis et
réflexions de nombreux individus sur de
l’information permettant de comprendre
sa dynamique et son évolution future.
Dans ce processus de prise de décision
d’achat ou de vente, la dimension de l’af-
fect humain est extrêmement importante.
L’apport de l’IA est très attendu pour per-
mettre de s’adapter à un environnement
changeant où il n’existe pas de règles
précises. Dans le graphe ci-dessous, on
montre par exemple que la communauté
des investisseurs prend des décisions de
prix en mobilisant un historique de mé-
moire variable.
Deux approches se profilent :
• L’approche « exo-squelette », qui consiste
à utiliser des outils d’aide à la décision,
permet d’augmenter la productivité du
gérant d’actif par le recours à des outils
techniques utilisant l’IA.
•
La seconde approche, à plus long
terme, inclura l’industrialisation du pro-
cessus d’investissement et donc de la
prise de décision. C’est un changement
de paradigme significatif, analogue à la
révolution industrielle qui a vu la dispa-
rition de la fabrication artisanale au pro-
fit d’unités de production où les tâches
rationalisées et optimisées sont effec-
tuées par des machines contrôlées par
les hommes.
Enjeux
• Travailler sur la qualité des données
(voir DIP 16) : les données considé-
rées comme utiles à la prise de déci-
sion sont celles sur l’entreprise, son
secteur, la macro-économie et le senti-
ment des acteurs du marché à l’égard
de l’entreprise. L’utilisation de données
externes factuelles alternatives est in-
téressante et peut donner un avantage
concurrentiel, mais elles sont sujettes
à interprétation positive ou négative se-
lon le contexte (exemple des données
satellites : des stocks importants dans
une entreprise peuvent vouloir dire qu’il
y a une surproduction et donc des inven-
dus [signal négatif] ou que l’entreprise
a engrangé beaucoup de commandes
[signal positif]. Le lien entre l’informa-
tion et la décision à prendre n’est pas
36
Nbre de jours de mémoire utilisés par l'investisseur représentatif du secteur IT US
300
250
200
150
100
50
0
8/06/2017
28/03/2017
13/01/2017
1/11/2016
22/08/2016
10/06/2016
31/03/2016
19/01/2016
5/11/2015
27/08/2015
18/06/2015
9/04/2015
29/01/2015
20/11/2014
11/09/2014

linéaire et l’enjeu est donc de sélection-
ner attentivement l’information perti-
nente) ;
• Être sélectif sur les techniques IA : l’IA
étant loin de son stade de maturité, il
n’existe pas de méthode unique et il
faut donc trouver la meilleure combinai-
son. Cela implique de décomposer le
processus en tâches simples et d’ap-
pliquer la technique la plus adaptée. La
logique séquentielle est extrêmement
importante en finance (de la même ma-
nière dans le cadre du Natural Language
Processing [Traîtement Automatique du
Langage Naturel], l’ordre des mots a
une importance, contrairement à l’ana-
lyse d’images pour laquelle la date de
réalisation n’a pas d’importance) ;
• Incorporer l’humain : la formation des prix
résulte de l’agrégation de vues de milliers
de personnes et donc de leur affect, le prix
final étant le résultat de carnets d’ordre
d’individus prêts à payer un prix donné
et d’autres à vendre à ce prix, ce qui in-
tègre des facteurs à la fois rationnels et
émotionnels. L’ambition est que l’IA aide
à comprendre et anticiper les mobiles de
décisions basés sur des perceptions ou
des sentiments. De plus, l’interaction hu-
main–machine n’est pas encore fluide ;
• Relancer l’innovation : l’activité de la
gestion d’actif a connu après la crise
financière de 2008 une forte augmenta-
tion des coûts, liée à la réglementation
et à l’émergence de la gestion du pas-
sif. Ces deux facteurs ont conduit à une
contraction des marges, ce qui a entraî-
né la baisse de l’effort d’innovation ;
• Une spécificité sectorielle : la gestion
d’actif est une activité marquée par la
prudence et où la notion de confiance
est essentielle. En effet, il faut du
temps à une structure pour bâtir sa
réputation auprès de ses clients/pros-
pects afin qu’ils acceptent de lui délé-
guer la gestion de leur patrimoine. Cette
activité requiert naturellement un cycle
plus long pour l’innovation ;
• Obtenir une taille critique : la France
dispose d’une expertise scientifique de
très haut niveau en finance, très utile
pour la phase de défrichage. Elle per-
met l’émergence d’une technologie ef-
ficace à petite échelle, mais qui reste
artisanale. Il existe plus de difficultés
pour passer à l’échelle supérieure, no-
tamment dans la levée de fonds.
recommandations
• Permettre aux petites structures in-
novantes de devenir des entreprises à
taille intermédiaire (ETI) en les aidant
à :
• Lever des fonds propres en allégeant
les démarches administratives et
en évitant que l’entrepreneur ait à
monter plusieurs dossiers de finan-
cements auprès des différentes ins-
titutions publiques ;
• o Créer une forme de monitoring de
la part des grandes sociétés de ges-
tion en constituant un écosystème et
un environnement aidant à grandir ;
• Préserver le contrôle par l’entrepre-
neur en lui laissant l’autonomie pour
innover.
• Constituer des équipes d’experts mul-
tidisciplinaires avec des experts en mé-
tiers de la finance et des techniciens de
l’IA : mettre des seniors en expertise
finance de juniors disposant de l’exper-
tise technique ;
• R&D : participer au développement
des techniques IA séquentielles avec
une dimension temporelle (Natural Lan-
guage Processing…).
37

DIP 2 : augmenter
le conseiller face au
client
Durant les deux dernières décennies, le
conseiller a évolué avec son client dans
un monde de plus en plus complexe. Il a
dû assimiler successivement :
• Des offres de plus en plus variées avec
des produits jusque-là inconnus (ex. :
téléphonie mobile) où le service devient
au moins aussi important que le produit
lui-même ;
• La montée en puissance de l’approche
omnicanal (messagerie sécurisée,
mails, SMS, téléphone, chat, etc.), qui
renforce le conseiller dans son rôle
d’accompagnement, mais qui frag-
mente ses interactions avec les clients
et multiplie les contacts (DIP 6) ;
• Un contexte réglementaire large et en
constante évolution, vrai défi à maîtriser
et à intégrer dans un entretien client ;
•
Des clients eux-mêmes plus avertis
ayant accès à une meilleure informa-
tion ;
• De très fortes exigences de productivité
commerciale malgré des compressions
d’effectifs et des missions qui se ra-
joutent au métier de la vente (conseil-
lers multitâches).
Que l’interaction avec le client se fasse en
face à face ou par téléphone, c’est un pro-
cessus complexe pour le conseiller dans
lequel s’exprime toute sa valeur ajoutée.
Par sa capacité à intégrer de nombreuses
données dans une logique apprenante et
sa capacité à raisonner, l’IA est un levier
important à actionner sur les prochaînes
années pour aider le conseiller. Elle doit
lui permettre de comprendre plus rapide-
ment des situations complexes (en assi-
milant plus de variables), d’adapter le dis-
cours et les recommandations de manière
instantanée et naturelle et de concentrer
son action et son attention sur l’écoute
empathique et le conseil.
Enjeux
Ainsi, pour permettre au conseiller d’être
augmenté de manière efficace, il est im-
portant de prendre en compte les enjeux
suivants :
• L’acceptabilité de l’utilisation de l’IA
par le conseiller. Ceci amène donc à re-
voir/redéfinir la place de la technologie
ainsi que celle du conseiller (DIP 11).
• L’interaction Humain/IA : plus facile à
distance (comme par téléphone), car le
client ne voit pas les outils du conseiller,
l’interaction en face à face, en agence,
est plus complexe et est presque assi-
milable à «
une vente à trois
» (le client,
le conseiller et l’IA). Le risque de rejet
est important si l’ergonomie de ces
nouvelles interactions n’est pas suffi-
samment travaillée et testée en amont
ou que les réponses de l’IA ne sont
pas en adéquation avec les requêtes
du conseiller. De plus, il est aussi cru-
cial de penser l’interaction Humain-IA
comme un vrai dialogue (DIP 11).
recommandations
L’interaction entre le client et le conseiller
doit être adaptée ou repensée lorsque l’on
rajoute une IA :
• Afin de prendre en compte l’accepta-
tion du conseiller, mais aussi du client,
l’accompagnement à la conduite du
changement doit être proposé. La
38

co-construction de ces solutions entre
conseillers et concepteurs devient plus
que jamais nécessaire.
• Pour développer l’acceptation, la fiabilité
des recommandations doit être testée
et qualifiée au cas par cas, voire même
être évaluée par les conseillers et les
clients eux-mêmes (DIP 15). Pour cela,
la supervision de l’apprentissage auto-
matique par des conseillers en situation
réelle est une approche possible.
• Enfin, pour fluidifier les échanges entre
l’IA et le conseiller, il est nécessaire de
développer des solutions efficaces en
TAL24
(voir point saillant sur le «
Traîte-
ment automatique de la langue »).
24. TAL est l’acronyme du « Traîtement Automatique du Langage naturel », en anglais NLP pour « Natural Language Processing ».
39

Focus
L’IA pour augmenter
l’assureur avec Zelros
Zelros développe une technologie d’em-
ployé augmenté à destination des assu-
reurs. Le constat de Zelros est que l’intel-
ligence artificielle va révolutionner la façon
dont les assureurs opèrent leur activité.
Tous les processus de l’assureur vont
être réinventés par le machine learning :
souscription, tarification, évaluation des
risques, gestion des sinistres, relation
client...
La solution s’intègre naturellement dans
l’environnement de travail du collaborateur
sous la forme d’un « assistant virtuel » qui
le conseille avec transparence et en temps
réel pour l’aider à prendre les meilleures
décisions. L’assistant est continuellement
nourri de scores et de prédictions métier,
calculés sur une plateforme de machine
learning sécurisée.
La solution intelligente Zelros couvre au-
jourd’hui deux processus critiques des as-
sureurs :
• L’aide à la vente : aider les conseillers
à mieux servir leurs clients, en leur pro-
posant des produits personnalisés dans
un contexte réglementaire exigeant
(Loi Hamon, amendement Bourquin,
DDA) ;
• L’aide à la gestion des sinistres : faci-
liter la vie des gestionnaires en dimi-
nuant le temps de traîtement des dos-
siers des assurés.
Ces deux processus ont été adressés
en priorité par la startup qui estime que
vente et gestion se rapprocheront dans
l’avenir. Le gestionnaire sera en mesure
de réaliser des rebonds commerciaux et le
conseiller de gérer des sinistres simples
directement à son niveau.
La solution est déjà déployée auprès de
plusieurs assureurs (Natixis Assurances,
CBP, CNP Assurances, Maif...). Elle est
utilisée quotidiennement par plusieurs
milliers d’employés servant plusieurs mil-
lions d’assurés. Son efficacité est mesu-
rée selon plusieurs critères : l’améliora-
tion de la satisfaction des assurés (NPS/
Net Promoter Score), le taux d’adéquation
entre un devis et une demande client, le
délai de réponse pour un devis client ou le
temps de traîtement moyen d’un sinistre.
Zelros développe son produit depuis près
de trois ans. La solution a en particulier
évolué pour être en conformité avec le
RGPD. Par ailleurs, pour faciliter l’adoption
de son produit par les employés d’assu-
rance, Zelros intègre une approche éthique
de l’utilisation de l’intelligence artificielle.
En particulier, les scores et prédictions
peuvent être expliqués au conseiller ou
au gestionnaire afin qu’il puisse actionner
les recommandations algorithmiques de la
meilleure façon. Par ailleurs, tous les mo-
dèles prédictifs utilisés sont documentés
dans un format standard que la startup a
publié en open source, contribuant à leur
transparence et auditabilité.
40

DIP 3 : augmenter le
collaborateur
L’activité d’un collaborateur ou d’un
conseiller aujourd’hui n’est pas exclusive-
ment orientée vers le client et la relation
bancaire. Il lui est de plus en plus demandé
d’assurer des tâches anciennement dévo-
lues à des middle office : contrôle de dos-
sier de souscription, KYC (Know Your Cus-
tomer), traîtements des mails entrants,
instruction de dossier de financement,
pilotage de l’octroi. Les automatismes
proposés (RPA, analyse sémantique…)
permettent d’alléger les tâches répétitives
sans valeur ajoutée. Cependant, la mise
en route d’un programme intelligent ne
suffit pas pour rendre le système opéra-
tionnel : des compétences humaines sont
nécessaires pour éduquer et nourrir ces
logiciels dont le fonctionnement repose
sur la qualité des informations récoltées.
Enjeux
La complexité grandissante des produits
et services financiers et les nombreux
aménagements réglementaires induisent
un besoin permanent de montée en com-
pétences. Cependant, en matière de ges-
tion de la connaissance, le collaborateur
n’a pas nécessairement le temps de la dé-
velopper. Cette course à la performance
nécessite un coaching actif et quasi per-
manent par des systèmes automatisés.
Ces derniers peuvent être perçus comme
intrusifs. Les assistants virtuels à base
d’IA peuvent ainsi devenir de véritables
« coachs virtuels
» facilitant l’acquisition
de nouvelles connaissances et compé-
tences.
Pour l’aide à la décision, l’adaptation en
continu aux changements réglementaires,
commerciaux ou juridiques, en adéquation
avec les bonnes pratiques, reste un vrai défi.
recommandations
• Un accompagnement personnalisé du
collaborateur facilitera l’adhésion d’une
assistance passive et non intrusive en
garantissant une interopérabilité ac-
tive à l’initiative du conseiller, avec des
systèmes simplifiant les process de la
banque (DIP 11 et DIP 12).
• Pour être efficace, le développement
d’un coach virtuel nécessite la double
compétence technique et métier. Il est
aussi nécessaire d’intégrer la possibi-
lité d’une modération humaine (utilisa-
tion à la demande et selon le réel be-
soin).
41

DIP 4 : proposer
le « self-care »
Un des aspects de la transformation nu-
mérique est d’externaliser vers le client un
nombre croissant d’opérations à réaliser
en autonomie. De plus en plus d’opéra-
tions (mise à jour des coordonnées, décla-
ration de sinistre, virement, souscription
de crédit ou de police d’assurance, affac-
turage…) sont mises à la disposition des
particuliers et des entreprises. Cette ten-
dance au self-service est aujourd’hui for-
tement présente dans tous les secteurs.
Pour autant, l’utilisation de l’IA dans ce
contexte renouvèle certains enjeux du
« selfcare » et en crée d’autres.
L’IA peut être utilisée du côté du client pour :
• Automatiser entièrement (ou en grande
partie) l’accès au self-care grâce à des
interfaces utilisant le langage naturel sur
support écrit ou oral (« OK ma banque »,
« puis-je faire un virement ? »...) ;
• L’accompagner dans son parcours de
self-care (« OK mon assurance », « où en
est ma déclaration de sinistre de la se-
maine dernière ? »...) ;
• Se substituer pour interagir avec l’ins-
titution financière («
ma voiture
» envoie
directement à «
mon assurance
», la vi-
déo de mon accrochage avec un rapport
sur les conditions météo, les conditions
de trafic, le lieu et l’heure de l’accident ;
• Anticiper ses besoins et formuler des
suggestions de produits ou d’opérations.
L’IA peut être aussi utilisée du côté four-
nisseur pour :
• Automatiser entièrement (ou en grande
partie) l’arbitrage sur des actes initiés
en self-care (une demande de rachat de
crédit, de souscription d’assurance…) ;
• Anticiper un besoin émergent pour le
client et le contacter en amont.
Enfin, le self-care peut être étendu à de
nouveaux modèles d’affaires dans les-
quels l’IA peut être utilisée, mais sans être
l’élément décisif :
• Peer to peer et/ou places de marché (cré-
dit par exemple) ;
• Vendor Relationship Management.
Enjeux
Toutes les opérations ne sont pas éli-
gibles à une distribution en libre-service.
En effet, la réglementation prévoit dans
certains cas l’intervention de personnes
qualifiées : la vente d’instruments finan-
ciers (assurance-vie et titres), l’octroi de
crédit, etc.
Le rôle de l’IA en self-care pour les clients
particuliers (B2C) doit donc être de :
• Préparer l’accomplissement des actes ré-
servés aux agents humains ;
• Inciter les clients à utiliser les systèmes
automatisés pour les actes pouvant être
traités par la machine ;
• Savoir reconnaître et identifier un client de
manière certaine (KYC) ;
• Prédire ou prévoir le plus finement possible
la prochaîne action du client.
Pour les clients professionnels ou entre-
prises (B2B), la réglementation peut être
moins contraignante.
L’acceptabilité d’une relation entièrement
automatisée est à priori forte (tendance his-
torique au self-service) mais plus la criticité
des actes à réaliser est importante, plus la
possibilité de débrayer à tout moment vers
un interlocuteur humain est incontournable.
42

Enfin, il est important d’adapter les recom-
mandations aux attentes des clients/de la
société, en particulier de ne pas proposer
sans cesse les mêmes produits.
recommandations
Les innovations possibles doivent permettre
de :
• Garantir la «
débrayabilité
» efficace des
processus self-care vers des interlocu-
teurs humains en conservant le niveau
d’information pour la personne qui re-
prend le dossier en cours ;
• Développer des produits de self-care B2B ;
• Développer le traîtement du langage na-
turel sur le canal « voix ».
Pour cela, il est nécessaire de :
• Développer le self-care «
push
» et des
moteurs de recommandation de pro-
duits et services beaucoup plus fins
et pertinents pour réaliser des ventes/
actes croisés en self-care ;
• Intégrer une dimension prédictive (pro-
chaîne action du client) et d’arbitrage
(cette demande du client mérite-t-elle
d’être traitée
?) dans les parcours self-
care.
43

DIP 5 : solliciter
le client par l’IA
Aujourd’hui, la sollicitation d’un client par un
système se concentre sur deux aspects :
• le consentement client à la collecte et
l’exploitation des données. On parle
notamment de données personnelles,
d’habitudes de navigation, d’historiques
de consommation et de conversation.
Ces données consenties, stockées au
format brut, permettent, via une exploi-
tation intelligente, l’extraction d’informa-
tions stratégiques utiles à la segmenta-
tion et au profilage des clients ;
• l’évaluation par les clients des services
fournis et l’identification des points
d’amélioration des réponses et des
prestations produites par des robots.
Ces scores et labels recueillis permettent
alors d’améliorer la prédiction automa-
tique de la satisfaction client et de déclen-
cher des actions correctrices ou amplifica-
trices.
Enjeux
En complément avec les actions d’acqui-
sition, de nettoyage et de qualification des
données (DIP 16), il est nécessaire de consi-
dérer les enjeux réglementaires (consente-
ment explicite) : en effet, les données col-
lectées doivent être limitées au strict besoin
du traîtement avec nécessité de transpa-
rence pour les clients. On parle notamment
avec la RGPD25
d’accountability, de privacy
25. Le RGDP est le règlement dit Règlement Général sur la Protection des Données qui renforce et unifie la protection
des données pour les individus au sein de l’Union européenne.
26. La pseudonymisation est un traîtement de données à caractère personnel de manière qu’on ne puisse pas attribuer
les données à une personne physique sans avoir recours à des informations supplémentaires.
by default et de privacy by design. Cette
réglementation peut être perçue comme
un désavantage concurrentiel, voire un ra-
lentisseur d’innovation.
L’adoption de l’IA par le client soulève
d’autres problèmes pour les entreprises,
à savoir être en mesure d’évaluer et d’an-
ticiper l’erreur induite par le système arti-
ficiel. De plus, il faut garantir que le client
ne pourra en détourner l’usage.
S’ajoute à cela le cadre législatif intégrant
la prise en compte des aspects éthiques
dès les étapes de conception (ethics by de-
sign). Cet enjeu est détaillé dans le DIP 13.
Le troisième point consiste en une com-
préhension plus fine de la sémantique
des phrases pour déterminer le sens des
échanges écrits et oraux (DIP 11).
recommandations
La prise en compte de la RGDP imposera
des solutions fondées sur la sémantique
permettant l’identification automatique
des données personnelles (nom, n° sécu-
rité sociale, adresse, maladie, etc.) ainsi
que des relations (distinction des profils
clients et des interactions passées).
Ces solutions permettront également d’al-
ler plus loin dans le processus de mise en
conformité en opérant les phases d’ano-
nymisation et de pseudonymisation26
des
données personnelles, en détectant et en
marquant les données sensibles à partir
des contenus non structurés.
44

Il est recommandé de :
• Identifier et mettre en place des process
owners pour contrôler les tâches effec-
tuées par l’IA au niveau des entreprises ;
• Clarifier l’encadrement législatif de l’IA
et des réflexions portant sur la prise en
compte de l’éthique dès la conception
(DIP 13) ;
• Soutenir et encourager les initiatives
transverses et interdisciplinaires basées
sur des approches travaillant sur des don-
nées anonymisées.
Les technologies utilisées s’articulent au-
tour du traîtement et de la génération du
langage naturel (voir le point saillant cor-
respondant). Pour le traîtement de la voix,
il est important d’encourager la mise à
disposition de grandes bases de données
d’audios surtout en langue française,
constat similaire à celui de la vision par
ordinateur.
45

Focus
Le ciblage client
pour un meilleur
conseil en gestion
de patrimoine avec
Mieuxplacer.com
Démocratiser le conseil en Gestion de Pa-
trimoine (CGP), réservé aujourd’hui à une
clientèle aisée, induit une industrialisation
de la personnalisation en accompagnant
le client dans ses choix et en lui offrant
un suivi des performances et de l’évo-
lution de ses placements. Pour ce faire,
Mieuxplacer.com utilise une combinaison
d’algorithmes d’IA dans le fonctionnement
de ses services pour contrecarrer les deux
points de blocages majeurs du métier de
CGP :
• Le coût : dans la finance traditionnelle,
moins le client a de ressources, plus
le conseil lui revient cher. Grâce à l’IA,
les temps de calcul sont réduits et la
recommandation du CGP est automati-
sée, baissant ainsi les coûts27
;
• Le choix de produits et la personna-
lisation : la plupart des acteurs de
l’épargne cherchent aujourd’hui à faire
rentrer leurs clients dans des cases pré-
définies et n’offrent pas de personnali-
sation du service : c’est en effet la so-
lution la plus couramment utilisée pour
industrialiser la distribution. Grâce à l’IA
et à sa gamme étendue de plus de 100
produits d’épargne, Mieuxplacer.com a
créé pour ses clients des systèmes de
recommandations sur-mesure adaptées
27. Le prix du conseil est impacté, car partagé avec les clients qui voient directement le bénéfice du progrès.
à leurs objectifs, à leurs ressources fi-
nancières, à leur situation patrimoniale
et à leur volonté de prise de risques.
Le système, reposant sur une hybridation
d’algorithmes d’apprentissage comme
l’apprentissage profond et de recherche
opérationnelle (ou d’IA symbolique), per-
met ainsi de bâtir une recommandation
personnalisée. Par ailleurs, la collecte ci-
blée de données améliorera la pertinence
de la recommandation.
Enjeux
Les institutions financières en place ont
historiquement des systèmes d’informa-
tion en silos. La construction de systèmes
d’IA, très consommateurs de données, est
alors complexifiée. Travailler au désilotage
des systèmes est un prérequis à la mise
en place de systèmes d’IA de grande en-
vergure, mais doit être réalisé au départ
à une petite échelle. En effet, la remise à
plat de toute l’infrastructure informatique
ne semble pas être la meilleure manière
de procéder. Pour répondre à des usages
concrets, il est donc essentiel de faire
participer les experts métiers aux phases
de conception et de tests afin de bénéfi-
cier de leur savoir-faire.
Il faut ensuite procéder par strates suc-
cessives pour développer la solution de
manière agile. L’une des erreurs les plus
fréquentes est de vouloir obtenir une so-
lution parfaite dès la première itération.
Cette erreur est encore plus prononcée
lorsqu’il s’agit de projets d’IA où les at-
tentes des parties prenantes sont extrê-
mement fortes. Le risque est de ne jamais
réussir à terminer et donc que le système
46

ne soit jamais opérationnel. Pour éviter cet
écueil, il faut commencer à une échelle rai-
sonnable, l’objectif étant d’aboutir à une
première version fonctionnelle du service,
puis de l’améliorer de façon incrémentale.
La gestion des attentes des parties pre-
nantes est essentielle dans la conduite
d’un projet d’IA pour éviter toute décep-
tion.
Recommandations
• Gestion des bases de données : dési-
loter les bases ou créer un système de
gestion des données interconnecté ;
• Construction en mode agile : sécuriser
les fonctionnalités primaires avant de
développer les services annexes ;
• Optimisation des algorithmes : lever les
biais éthiques potentiellement présents,
améliorer l’existant au contact des ex-
perts métiers et des clients grâce au
machine learning.
47

DIP 6 : optimiser
la distribution
omni-canal
Désencombrer le centre d’appels et réin-
venter le parcours client pour fournir une
nouvelle expérience qui réponde aux at-
tentes du monde actuel, tel est le défi de
la distribution omnicanal qui nécessite :
• La création d’une IA conversationnelle
à entraînement unique pour l’ensemble
des canaux de communication ;
• La capacité de traiter des scénarios
complexes allant de l’authentification
à la consultation de soldes, la gestion
de virement, la réinitialisation de mots
de passe, l’augmentation des seuils
de dépôts, les cartes bancaires défec-
tueuses et la FAQ28
;
• La disponibilité des canaux du parcours
client en commençant par la voix suivie
par le SMS, le mail, le chat ainsi que les
messageries instantanées ;
• Lacapacitédecollaborationaveclesagents
de leur centre de contact ;
• ...
Le client peut ainsi contacter sa banque
et avoir des réponses immédiates dans la
plupart des cas, sans contrainte horaire
ni attente et sur sur le canal de communi-
cation qui lui convient le mieux. De plus,
la mise à disposition de plusieurs innova-
tions comme celles décrites ci-dessous
permettrait de créer une véritable diffé-
rence en termes d’expérience utilisateur :
• L’analyse en temps réel de la qualité de
chaque conversation, tant sur le fond
28. Une FAQ ou «
foire aux questions
» vient de l’acronyme anglais pour «
frequently asked questions
». C’est une liste
faisant la synthèse des questions posées de manière récurrente sur un sujet donné, accompagnées des réponses
correspondantes.
que sur la forme ;
• Le transfert de la communication d’un
canal à un autre avec continuité de
conversation sans perte de contexte
afin de répondre à toute demande, et
cela en une seule conversation (bas-
cule d’une conversation téléphonique
vers du SMS par exemple) ;
•
La collaboration humain-machine en
temps réel : les téléconseillers ont ac-
cès à une interface qui leur permet de
superviser en temps réel les conversa-
tions entre les clients et l’IA. À tout mo-
ment, un téléconseiller peut décider de
reprendre la main sur une conversation
(débrayage). À l’inverse, l’IA peut, dans
des cas prédéfinis, décider de transfé-
rer à un téléconseiller une conversation
afin de traiter des situations nécessi-
tant une reprise en main humaine.
Enjeux
Avoir une idée des scénarios industriali-
sables par l’intelligence artificielle est un
prérequis pour la banque et l’assurance.
Les enjeux sont alors :
• La collecte de données historiques ex-
ploitables ;
• Un système unique et sans coutures,
accessible par téléphone, SMS, mail,
chat et messageries instantanées ;
• Le respect des critères de protection
des données personnelles (i.e. RGPD &
Privacy Shield) ;
• L’authentification dynamique avec plu-
sieurs niveaux de sécurité basée sur le
profil de l’utilisateur et un système de
vérification tiers ;
• La reconnaissance par la voix et au tra-
vers d’une IA de numéros de compte
48

bancaire ou de sécurité sociale, de
noms, de prénoms et d’adresses ;
• Le passage d’un compte personnel à un
compte entreprise avec conservation
du contexte utilisateur et scénario d’au-
thentification différentiel…
recommandations
Pour cela, il est important de :
• Se concentrer sur les scénarios optimi-
sés avec 80 % des conversations pou-
vant être industrialisées ;
•
Penser collaboration humain-machine
pour capitaliser sur le meilleur de cha-
cun d’entre eux ;
• Commencer sur un petit périmètre (iden-
tifier les tâches les plus simples à auto-
matiser) puis faire évoluer rapidement
les compétences de l’agent en s’ap-
puyant sur les demandes des clients ;
• Concevoir un unique système sans cou-
ture interopérable avec l’ensemble des
canaux visés ;
• Utiliser l’opportunité de mettre à dispo-
sition des clients un service 24 h/7 j
sans file d’attente où les téléconseillers
ne réalisent pas d’appels répétitifs au
long d’une même journée ;
• Enclencher une conduite du change-
ment (DIP 12) et une formation des
téléconseillers qui éprouveraient le sen-
timent d’une compétition/rivalité avec
l’IA (DIP 10) ;
• Revisiter les indicateurs de performance
pour changer la donne afin de permettre
aux téléconseillers de se concentrer sur
la qualité de la relation client plutôt que
sur la quantité d’appels traités.
49

Focus
Chatbots, le retour
d’expérience
d’Orange Bank
Lancée en novembre 2017, Orange Bank
est une banque 100 % mobile reposant
sur un modèle innovant en rupture par
rapport aux acteurs traditionnels. Dès
l’origine, la volonté a été d’intégrer dans
l’offre des services disruptifs s’appuyant
notamment sur l’IA. Aujourd’hui, son prin-
cipal usage est le conseiller virtuel Djin-
go. Orange Bank a fait le choix d’en faire
le canal principal de communication des
clients avec la banque en complément
des mails, des formulaires ou encore de
la relation téléphonique : c’est le conseil-
ler bancaire numéro un. Ses principaux
atouts sont sa disponibilité 24 h/24 et
7 j/7 par chat. Il permet de répondre à
une forte demande des clients de dispo-
ser de façon immédiate, quel que soit le
lieu ou l’heure, des informations dont ils
ont besoin.
En huit mois, Djingo a traité près de
470
000 conversations soit en moyenne
17
000 conversations par semaine (mai
2018), avec un taux de compréhension
des questions posées de l’ordre de 85 %.
Dans plus de la moitié des cas, le client
obtient avec Djingo toutes les informa-
tions dont il a besoin en toute autonomie.
Dans les autres cas, le client est orien-
té vers un conseiller (humain) du Centre
de Relation Client. Celui-ci visualise auto-
matiquement l’historique de l’échange et
prend le relais en apportant au client une
relation plus personnalisée et un service à
plus grande valeur ajoutée.
Premier cas d’usage de l’IA à Orange Bank,
Djingo a pour vocation d’évoluer, dans les
années à venir, vers un rôle de coach fi-
nancier virtuel, anticipant les besoins des
clients en proposant des services de ma-
nière proactive. Dans l’immédiat, les lin-
guistes et data scientists d’Orange Bank
s’attachent à l’amélioration continue de
sa capacité de compréhension, via l’ana-
lyse des communications. Aux côtés de
développeurs et de business analysts,
ils constituent une équipe dédiée à l’IA
au sein de la banque. En parallèle, cette
équipe travaille également sur de nou-
veaux cas d’usage : analyse de la tonalité
des commentaires laissés sur les stores
et les réseaux sociaux afin de détecter et
de traiter plus rapidement les clients in-
satisfaits ; intégration des rich cards dans
la fenêtre de chat pour des réponses enri-
chies en images et vidéos
; traîtement au-
tomatique des emails et formulaires, etc.
Cette révolution du traîtement intelligent
de la donnée pose évidemment des ques-
tions essentielles quant au contrôle de
l’accès aux données et à l’adaptation du
cadre réglementaire du secteur bancaire.
Dans un autre registre, fédérer les diffé-
rentes initiatives Djingo au sein du Groupe
Orange est également un enjeu majeur. Il
s’agit en toile de fond d’offrir aux clients
du Groupe une expérience fondée sur le
concept ATAWAD – AnyTime, AnyWhere,
AnyDevice. Pour l’heure et à plus court
terme, l’un des challenges à relever sera
de rendre le conseiller virtuel davantage
proactif ou multimodal en intégrant notam-
ment la voix, par exemple via l’enceinte
connectée «
Djingo speaker
» développée
par Orange.
50

Les ressources de l’intelligence artificielle
sont ici particulièrement prometteuses :
capacités de recommandation, personna-
lisation des offres, disponibilité de ser-
vices, etc. Elles vont considérablement
faire évoluer les modèles relationnels de
nos sociétés et de l’expérience client.
Orange a décidé d’en faire un enjeu straté-
gique majeur notamment à travers Orange
Bank.
51

DIP 7 : simplifier les
processus de mise
en conformité et
faciliter la gestion
des risques
L’activité financière est par essence
une activité de mesure et de gestion de
risques de toute nature : crédit, mar-
chés, liquidité, contrepartie et, de plus
en plus, conformité. En effet, le monde
de la finance et des assurances est
confronté à une augmentation sensible
du nombre d’amendes et de sanctions
de la part des différents régulateurs
pour cause de non-conformité à tel ou tel
texte. Cette évolution illustre la volonté
des gouvernants d’une meilleure surveil-
lance et maîtrise des processus dans
un contexte de complexification crois-
sante des circuits/échanges d’informa-
tions. Par ailleurs, les clients sont de
plus en plus sensibles à l’utilisation qui
peut être faite de leurs données, mais
souhaitent aussi pouvoir bénéficier des
possibilités ouvertes par les nouvelles
technologies (capacités de stockage et
d’analyse des données) pour obtenir par
eux-mêmes des informations et recevoir
de la part des établissements financiers
des conseils pertinents et adaptés à
leurs besoins.
La question de la fiabilité des dispositifs
existants et de leur évolution se pose
au travers de nouvelles fonctionnalités
comme :
• La connaissance des clients à l’entrée
en relation et son actualisation tout au
long de la relation d’affaires ;
• Le respect des dispositifs de sanctions
internationales (embargos, etc.) ;
• La contribution à la lutte contre le blan-
chiment d’argent, le financement du ter-
rorisme ou l’évasion fiscale ;
• La prévention de la fraude, tant interne
qu’externe (DIP 9) ;
• La surveillance du respect de l’intégrité
des marchés ;
• La délivrance du bon et juste conseil au
bon moment (DIP3 et DIP5)…
La maîtrise des données (DIP 16) et la ca-
pacité à les exploiter efficacement sont au
cœur de l’ensemble de ces sujets. Cela
renvoie à plusieurs défis à relever, parfois
contradictoires entre eux :
• Laconfiance/confidentialité :laconfiance
va devenir un enjeu majeur des pro-
chaînes années. « Si je n’ai pas confiance
dans l’opérateur/entreprise/banque, je
ne vais pas vouloir jouer la transparence
et lui fournir les informations deman-
dées, ce qui rendra plus difficile le travail
d’analyse de données (perte de fiabilité,
du caractère prédictif) » ;
• Le partage d’information : la notion de
tiers de confiance dans le domaine de
la conformité n’est pas aujourd’hui très
développée. Ainsi, plutôt que chaque
banque demande à la même personne
ses pièces d’identité, pourquoi ne pas
disposer d’un registre central qui per-
mettrait d’avoir une connaissance client
fiabilisée disponible pour tout acteur
mandaté à cet effet ? (voir DIP 27) ;
• Le respect du cadre légal et du RGDP :
il convient certes de protéger les
clients/utilisateurs finaux, mais aussi
de vérifier qu’il n’y a pas de distorsion
de concurrence avec des opérateurs uti-
lisant les facilités offertes par ces nou-
velles technologies pour s’affranchir de
ce même cadre (exemple : la délocalisa-
tion du siège social de Facebook). Cela
52

soulève alors la question de la souverai-
neté : quel degré de confiance peut être
accordé en tant qu’État à une structure
ne relevant pas du droit national et dont
les clients/utilisateurs sont dépossé-
dés de leurs données ?
Par ailleurs, la vision consolidée en temps
réel de l’ensemble des risques sous-
jacents est un enjeu fort de l’industrie fi-
nancière, encore plus en période de crise
ou retournement de cycle économique
pour permettre de continuer à exercer
son activité et ainsi contribuer au retour
à l’équilibre.
Pistes de réflexion et
recommandations
Dans les domaines régaliens comme la
lutte contre le blanchiment et le finance-
ment du terrorisme, on pourrait s’attendre
à un partage plus important entre struc-
tures afin de disposer d’un socle commun
d’outils offrant au final un meilleur gage
de sécurité pour tous. Ainsi, pour faire
face aux questions de souveraineté, le dé-
veloppement d’une capacité nationale de
traîtement en masse des données pour-
rait être un atout dans le contexte actuel.
Par ailleurs, il conviendrait de développer
des systèmes de consolidation et de pi-
lotage de l’ensemble des risques issus
d’opérations multiples (crédits, liquidités,
marchés…) souvent gérées dans des sys-
tèmes d’information différents.
La fiabilité des analyses et des reportings
sera d’autant plus forte que la qualité des
données sera élevée (DIP 16). Une mutua-
lisation de l’effort de collecte et de fiabili-
sation, dans un dispositif national offrant
les gages de protection nécessaires, se-
rait un accélérateur indéniable et attendu.
C’est pourquoi il est nécessaire de :
• Accompagner l’investissement dans les
technologies apprenantes et la sécuri-
sation/fiabilisation/agrégation des don-
nées ;
• Développer et renforcer, dans le cadre
respectueux des règles de concurrence,
les expériences existantes destinées à
faciliter le partage d’informations et de
connaissances entre banques et assu-
rances ;
• Favoriser l’émergence de hubs d’ex-
perts en traîtement de données, tant
structurées que non structurées, et en
IA symbolique et encourager les initia-
tives de partenariats.
53

Focus
L’IA au service du KYC
et de la conformité à
la Société Générale
La conformité est le socle de la confiance
entre la banque et ses parties prenantes.
Agir en conformité consiste donc à
connaître les règles émises par les régula-
teurs et à les respecter.
Parmi les principaux enjeux, la connais-
sance client, appelée «
KYC
» (Know Your
Customer), correspond à l’ensemble des
obligations portées par les organismes fi-
nanciers autour de celle-ci. Le KYC s’arti-
cule autour de l’identification proprement
dite du client, de la capture de son profil,
de l’actualisation de ses informations et
de la mise en œuvre d’une vigilance adap-
tée.
Pour répondre aux obligations réglemen-
taires de KYC, la Société Générale a dé-
veloppé une plateforme permettant de
télécharger, contrôler et partager les do-
cuments relatifs à une clientèle de parti-
culiers.
Cette solution appelée « Insta-KYC » utilise
des modèles algorithmiques et un appren-
tissage automatisé, permettant d’automa-
tiser la lecture, l’analyse, le contrôle, la
recherche et l’extraction des informations
contenues dans les documents communi-
qués par ses clients. À ce jour, déjà plus
d’une centaine de types de documents
sont reconnus et plusieurs milliers de do-
cuments peuvent être traités en quelques
heures.
Enjeux
Les activités relatives au KYC peuvent avoir
une certaine récurrence lors des revues
périodiques des bases clients. Ces opéra-
tions étaient jusqu’à présent manuelles,
fastidieuses, très répétitives et présentaient
donc un fort risque opérationnel nécessitant
la mise en place d’un dispositif de contrôle
qualité important et coûteux. Le potentiel de
l’IA appliqué aux besoins précis du KYC a
permis un changement de paradigme en ré-
pondant à trois enjeux majeurs :
• Gagner en efficacité opérationnelle : un
document est traité en moins d’une se-
conde là où plusieurs minutes étaient
nécessaires auparavant ;
• Gagner en qualité, car il n’y a plus d’er-
reurs opérationnelles de ressaisies et
les contrôles élémentaires de cohé-
rence sont embarqués nativement ;
• Améliorer la maîtrise des risques de
conformité et le service client, car les
analystes peuvent se concentrer sur
l’analyse des dossiers clients pour dé-
tecter les situations à risque et solliciter
de façon plus ciblée et plus pertinente
les clients.
Les bénéfices de la solution sont suivis et
permettent de confirmer l’excellent retour
sur investissement.
« Aujourd’hui, nous investissons
massivement dans ces sujets. Un des
axes majeurs de la transformation
de la Conformité passe par cette
transformation digitale et le recours
à ces nouvelles technologies. Les
terrains d’application sont multiples
et concernent toutes les fonctions de
l’organisation. »
Edouard-MaloHenry,Directeurdela
ConformitéduGroupeSociétéGénérale.
54

Recommandations
En termes de recommandations, les points
saillants du retour d’expérience sont :
• Repenser de façon disruptive les be-
soins à couvrir et changer de paradigme
dans l’approche menant à la solution ;
• Composer l’équipe projet de profils com-
plémentaires : référents conformité, ex-
perts technologiques, analystes KYC ;
• Bénéficier d’un bon niveau de spon-
sorship interne.
55

DIP 8 : optimiser le
credit scoring
L’attribution d’un crédit par un profession-
nel, que ce soit une banque ou un orga-
nisme de crédit non bancaire, est soumise
à une analyse du risque de non-rembour-
sement. Celle-ci concerne aussi bien l’at-
tribution d’un crédit à un particulier qu’à
une entreprise, visant à établir le nombre
et le montant des mensualités, éventuelle-
ment la date de début du remboursement
ainsi que l’éligibilité de la personne au
prêt. Dans le cas où l’entité est éligible,
notamment pour les entreprises, cette
analyse permet d’établir le montant du
taux d’intérêt du crédit.
Pour mesurer le risque de défaut ou de
défaillance de l’emprunteur, les banques
et professionnels du crédit ont recours à
différents outils que l’on regroupe sous
l’appellation d’outils de scoring. Ces ou-
tils mathématiques ou analytiques visent
à estimer une probabilité ou plus généra-
lement un score évaluant la capacité de
remboursement via une note associée à
l’entité qui emprunte.
Enjeux
La nécessité de transparence concernant
les critères d’attribution d’un crédit a per-
mis de définir des modèles simples de
règles, ce qui a favorisé des approches de
type système expert. Ces règles ont été
généralement construites sur des critères
initiaux de bon sens. Elles ont ensuite été
29. L’analyse de la performance de détection se fait souvent en mesurant une valeur mathématique (généralement le
score de Gini) et une matrice dite matrice de confusion qui permet de se rendre compte du nombre de faux positifs
et faux négatifs pour juger de l’efficacité du modèle de scoring.
affinées par des experts à partir d’appren-
tissage de comportements récurrents, per-
mettant d’identifier de nouveaux critères
susceptibles de valider la probabilité de
l’entité emprunteuse de ne pas pouvoir
rembourser. Notamment, l’article 313-12-1
du code monétaire et financier stipule que
« les établissements de crédit ou les socié-
tés de financement fournissent aux entre-
prises qui sollicitent un prêt ou bénéficient
d’un prêt leur notation et une explication sur
les éléments ayant conduit aux décisions
de notation les concernant, lorsqu’elles en
font la demande. Ces explications ou élé-
ments ne peuvent pas être demandés par
un tiers ni lui être communiqués ».
Les quantités de données de toute na-
ture dont disposent aujourd’hui les orga-
nismes de crédit permettent d’envisager
le recours à des systèmes de scoring plus
performants, en s’appuyant notamment
sur l’apprentissage machine. Ces sys-
tèmes supervisés vont apprendre, sur la
base d’une définition appropriée de la no-
tion de défaut, les critères permettant de
maximiser à la fois la détection des enti-
tés à fort risque, mais aussi celles qui ne
le sont pas29
.
Cependant, ces approches peuvent être
perçues comme des «
boîtes noires
» et
l’enjeu de la mise au point d’algorithmes
d’apprentissage machine capables d’ex-
pliciter leurs décisions est majeur. Cet en-
jeu est abordé dans le DIP 15.
La qualité des données et de la définition
du défaut est un critère important pour ob-
tenir des systèmes de scoring plus précis
et robustes (voir le DIP 16).
56

L’utilisation de ces données externes par
les établissements financiers a pour voca-
tion de renforcer l’efficacité de la détec-
tion et du ciblage grâce à l’enrichissement
des données clients.
L’amélioration de la précision de ces sys-
tèmes et la facilité d’intégration aux outils
existants sont aussi des enjeux forts pour
les acteurs du crédit et les fournisseurs
de telles plateformes (DIP 17).
Les enjeux du respect de la vie privée sont
ici conséquents (voir DIP 7).
recommandations
Une part importante du temps de déve-
loppement de ces systèmes de scoring
utilisant de l’apprentissage est consacrée
aujourd’hui au nettoyage du jeu de don-
nées ainsi qu’à la définition d’un sous-en-
semble de critères permettant d’assurer
la stabilité des systèmes. Ainsi, pour amé-
liorer la pertinence et l’efficacité de ces
systèmes de scoring, un travail de prépa-
ration des données doit être réalisé (DIP
16). De plus, on peut penser à utiliser
d’autres bases (à identifier) pour améliorer
l’apprentissage (en utilisant par exemples
des approches de type transfert learning).
Des fournisseurs d’outils et de technolo-
gies à base d’IA ont fait des avancées im-
portantes, aussi un travail en étroite coo-
pération permettrait de mettre en place
rapidement des systèmes de crédit plus
précis et plus robustes.
57

DIP 9 : lutter
efficacement contre
la fraude
L’objectif de la fraude dans les domaines
de la banque et d’assurance est d’obtenir
un avantage financier non consenti via l’uti-
lisation de moyens visant à tromper l’une
des parties. Elle est multiple : documen-
taire (faux papiers ou justificatifs), fiscale,
fausse déclaration, usurpation d’identité,
utilisation non consentie de moyens de
paiement de tiers, fraude électronique…
La lutte contre la fraude est une obligation
réglementaire des banques et des compa-
gnies d’assurance et fait supporter à ces
établissements un coût important.
La difficulté de la lutte contre la fraude est
liée à différents facteurs :
• Les fraudeurs développent sans cesse
de nouvelles techniques pour contour-
ner les protections. Ils bénéficient donc
généralement d’un avantage plus ou
moins temporaire que l’établissement
financier doit identifier puis combattre ;
• Les déclarations des fraudeurs ne sont
pas toujours vérifiées et les justificatifs de-
mandés peuvent être facilement falsifiés
;
• Le manque de communication entre ac-
teurs financiers fait qu’un fraudeur peut
répliquer le même schéma de fraude
plusieurs fois ;
• Les clients ne sont pas toujours infor-
més des risques potentiels et ne sont
pas assez vigilants ;
• La course à « de meilleures expériences
utilisateur » amène les établissements à
demander de moins en moins de pièces
justificatives (ou d’informations), même
si cela est compensé par le renforce-
ment des obligations réglementaires en
termes de blanchiment d’argent.
Les systèmes de lutte contre la fraude
sont majoritairement basés aujourd’hui sur
des ensembles de règles complexes pou-
vant être associés à l’utilisation de fichiers
d’exclusions à la manière des systèmes de
lutte contre le blanchiment. Ils sont géné-
ralement complétés par une intervention
humaine (reconnaissance d’un document
lourdement falsifié, d’une incohérence
dans les informations communiquées…)
qui ne peut être aujourd’hui automatisée.
Les règles mises en place dans ces sys-
tèmes sont construites sur la base d’hy-
pothèses initiales et agrémentées plus ou
moins régulièrement d’analyses pour iden-
tifier de nouvelles règles afin de contrer
les mécanismes nouveaux que les frau-
deurs pourraient inventer.
Les systèmes basés sur l’apprentissage
devraient se développer pour venir en
support de ceux existants. En effet, ces
approches montrent aujourd’hui des ca-
pacités de détection supérieures aux sys-
tèmes à scénarios lorsque les algorithmes
d’apprentissage sont correctement confi-
gurés avec un taux de faux positifs suffi-
samment faible pour que l’expérience utili-
sateur ne soit pas négativement impactée.
À ces systèmes experts viennent s’ajouter
des systèmes de reconnaissance visuelle
notamment pour lutter contre la fraude
documentaire (systèmes d’OCR – Optical
Caracter Recognition).
Les enjeux
Aujourd’hui, plusieurs freins au dévelop-
pement plus large de ces systèmes sont
58

identifiés, notamment deux principaux :
• La capacité à identifier un cas de fraude.
En effet, dans beaucoup de cas, notam-
ment en assurance, la fraude existe
mais n’est pas détectée, car aucune
plainte n’est déposée. Dans ce cas, le
système, apprenant sur un historique
faux, aura des difficultés à identifier de
nouveaux fraudeurs ;
• La transparence des algorithmes (DIP 15).
recommandations
Un travail conséquent au niveau de l’amé-
lioration de la quantité et la qualité des
données doit être réalisé afin de mieux
nourrir les systèmes de machine learning.
En accord avec les cadres réglementaires
intersectoriel (RGPD, loi Informatique et
Libertés) et propre au domaine bancaire
et financier (secret bancaire), la mise en
commun des jeux de données issus de
plusieurs acteurs financiers avec des tech-
niques d’anonymisation réconciliant un in-
dividu entre plusieurs banques permettrait
de développer des systèmes beaucoup
plus performants (DIP 16).
Le recours à des algorithmes apprenants
plus évolués offrirait de meilleures capaci-
tés de détection.
La recherche sur la transparence des algo-
rithmes et le développement de partenariats
avec des acteurs fournissant dès aujourd’hui
des approches évoluées et transparentes
doivent être favorisés (DIP 15).
Les acteurs de la lutte contre la fraude
documentaire mettent en avant l’impor-
tance des processus de vérification KYC.
Ces derniers permettent de vérifier l’iden-
tité des clients et des prestataires d’une
entreprise via la production et le contrôle
de documents tels qu’un extrait de Kbis
récent, une copie de RIB, les statuts de
la société certifiés conformes, un justi-
ficatif d’identité du gérant de la société,
etc. Différents outils existent contre ce
type de fraude. Certains donnent un score
de conformité au document, d’autres ré-
alisent des contrôles de cohérence par
rapport à des bases de données externes.
Le recours à des systèmes intégrant une
reconnaissance de la parole et notam-
ment des émotions pourrait permettre de
détecter des fraudes lors d’appels télé-
phoniques.
59

DIP 10 : vers un
dialogue humain-
machine empathique
Au-delà de sa capacité de raisonnement,
l’efficacité d’un système exploitant l’IA dé-
pend aussi d’une interaction humain-ma-
chine réussie. Il est nécessaire, comme
dans le cadre du conseiller ou collabora-
teur augmenté (DIP 2 et DIP 3), que les
machines fournissent aux utilisateurs les
informations leur permettant de reprendre
la main au moment opportun, avec les élé-
ments nécessaires pour continuer l’action.
Les interfaces humain-machine (IHM),
aujourd’hui multimodales, permettent de
couvrir différents types d’interactions. Les
IHM usuelles (textuelles, graphiques, vo-
cales) peuvent être complétées par des
interfaces gestuelles, tactiles ou encore
AR/VR30
déjà très présentes dans l’univers
des jeux vidéo.
Ainsi, les interactions avec des agents
conversationnels, personnages virtuels
qui dialoguent avec des utilisateurs à tra-
vers un langage verbal et non verbal (voir
Focus Retour d’expérience Orange Bank
sur le déploiement d’un chatbot) ou des
systèmes robotiques (robots de l’usine du
futur) sont appelées à se développer.
Cependant, la communication humaine
repose aussi sur une compréhension des
émotions, parfois des sentiments, per-
mettant alors une adaptation de la teneur
des échanges au plan sémantique et au
30. La réalité virtuelle (VR ou RV) et la réalité augmentée (AR ou RA) sont deux technologies sœurs qui ont pour ambition
de se substituer aux interfaces traditionnelles, sur écrans plats. Leur principale caractéristique est l’immersion : le
fait soit de plonger l’utilisateur dans un environnement virtuel (VR), soit de faire apparaître des éléments virtuels
dans l’environnement réel de l’utilisateur (AR).
plan non verbal. Cette adaptation est plus
ou moins efficiente en fonction de la ca-
pacité de l’agent de comprendre l’état
émotionnel de son interlocuteur, voire de
comprendre au mieux ses intentions au
travers de ces éléments émotionnels. Une
inadéquation dans cette interprétation
peut conduire à une incompréhension pou-
vant aller jusqu’à une opposition directe,
voire une rupture du dialogue.
Cette détection et compréhension des
émotions, des sentiments et des inten-
tions repose chez l’humain sur l’analyse
des signaux émis par les interlocuteurs,
sur un ensemble de capacités cognitives
s’appuyant sur des circuits neuronaux
(comme les neurones miroirs) et enfin sur
un long apprentissage épigénétique, déve-
loppemental, éducatif et social.
Dans le cas d’une interaction entre un
agent virtuel et une personne, une lec-
ture incomplète ou fausse des émotions
peut conduire à une expérience utilisateur
défavorable ou à une réaction contraire à
l’effet voulu. L’émotion est alors véhiculée
par le contenu du dialogue, l’intonation ou
la variation de la fréquence de la voix et
par un ensemble d’expressions faciales
et corporelles. Par exemple, pour les
serveurs vocaux interactifs des services
clients, l’aspect de la détection des émo-
tions, au cours d’un appel téléphonique
prend tout son sens afin que les bots pro-
posent différentes solutions au client se-
lon qu’il est manifestement en colère, ten-
du ou calme. Il est alors envisageable que
des composants d’analyse du contenu ou
de variation vocale soient intégrés dans
60

les agents conversationnels de l’industrie
financière.
Le contrepoint dans le dialogue hu-
main-machine de cette capacité de com-
préhension et de détection par l’agent
virtuel des états émotionnels du locuteur
humain est la capacité à générer en retour
une réponse dotée d’une expression em-
pathique adaptée et orientée. Cette géné-
ration assure donc la fonction émettrice
de la communication humain-machine et
se présente ainsi comme le processus
réciproque de la compréhension automa-
tique (il s’agit là d’exprimer au lieu de
comprendre).
L’attendu en sortie d’un générateur doit
être du même type que les données d’en-
trée d’un système de compréhension. Il
peut donc s’agir de productions linguis-
tiques (synthèse vocale ou textuelle), mais
aussi de signes dans le cadre d’interaction
avec les malentendants. De plus, pour que
l’usage des agents conversationnels soit
adopté par tous (quelle que soit la classe
sociale, la culture ou la génération), il est
important qu’il soit aussi réaliste que pos-
sible et donc doté de capacités telles que
l’empathie, l’émotion…
Enjeux
Au-delà de son aspect innovant, l’agent
conversationnel est là non pas pour rem-
placer l’humain, mais pour apporter une
valeur ajoutée à l’internaute et une qualité
de service supplémentaire. Il peut, en par-
ticulier dans le support client, répondre à
des questions standards de manière ac-
cessible par tous.
Cependant, il reste encore du chemin à
parcourir avant de concevoir un agent vir-
tuel capable de détecter et comprendre
les émotions dans un flux audio ou vi-
déo… D’où l’importance des travaux qui
existent aujourd’hui autour de la détec-
tion d’émotion ou de l’analyse de senti-
ment. Néanmoins, ce champ de recherche
est moins avancé que celui de la compré-
hension du langage naturel. Pour le vocal,
la palette des émotions véhiculées par les
voix humaines est infinie et rendre une
machine capable de les identifier à coup
sûr reste un véritable défi. La détection
de sentiments voire d’intentions est plus
complexe, car elle nécessite une com-
préhension du contexte de l’interaction
pour le premier point et de l’historique
des réactions pour le second. Une autre
limite importante correspond à la granu-
larité des émotions de référence pour les
solutions à base d’apprentissage, liée à
la nature des jeux existants de données
labélisées. Enfin, dans le domaine de la
réaction émotionnelle, une approche per-
sonnalisée semble plus souhaitable afin
de mieux caractériser des ensembles de
signaux faibles permettant de détecter un
point d’inflexion dans un continuum émo-
tionnel. Une détection trop lente risque
d’induire une réaction tardive de l’agent
autonome, qui pourra à son tour être mé-
jugée par l’interlocuteur humain.
Outre le fait d’essayer de comprendre
l’objet d’une question, le second enjeu
est de générer des réponses élaborées,
cohérentes et compréhensibles par l’hu-
main afin de poursuivre l’interaction. Ce
qui signifie qu’un processus de génération
de langage (parlé, écrit ou par signes) doit
être développé, de même qu’une interface
bien réfléchie et bien conçue. Il existe beau-
coup de technologies matures, principale-
ment issues des jeux vidéo, pour animer
de tels avatars. Certaines reposent sur
des approches statistiques ou d’appren-
tissage automatique. Elles permettent à
61

la fois d’intégrer proprement l’incertitude
inhérente au traîtement des données en
provenance de l’utilisateur (par exemple
la parole), mais aussi de pouvoir envisa-
ger l’optimisation automatique de la po-
litique d’interaction à partir de données
grâce à l’apprentissage par renforcement.
Néanmoins, le dialogue entre un humain
et une machine n’est pas encore similaire
au dialogue naturel entre deux humains.
Hybrider plusieurs techniques permettrait
de gagner en fluidité, par exemple avec le
couplage de l’analyse linguistique, l’iden-
tification des actes de dialogue, la com-
préhension des intentions et des méca-
nismes de raisonnement pour produire un
message doté d’empathie en retour.
recommandations
Pour avancer, certaines approches ré-
duisent le problème de la détection des
émotions à celui plus simple et limité de
la reconnaissance de quatre états émo-
tionnels : la tristesse, la joie, la colère et
la neutralité. Elles sont souvent basées
sur un apprentissage supervisé, mais sup-
posent de disposer de corpus annotés. On
peut dans ce cas utiliser des corpus (pu-
blics) existants issus d’autres domaines
comme ceux des centres d’appel.
Cependant, les solutions multimodales,
couplant la détection d’émotion via des
signes corporels (au travers d’analyse
d’images ou de vidéo) à l’analyse de la
voix (acoustique, prosodique et séman-
tique) posent un réel défi, à la fois du
côté des outils algorithmiques de fusion
et sur la création d’une véritable base de
données annotées multisources. De plus,
au-delà de la simple corrélation, la concor-
dance cognitive entre les sources d’infor-
mation doit être mieux comprise, car cer-
taines personnes comme les malvoyants
basent leur interprétation sur des signaux
acoustiques et sont capables de détecter
un mensonge à la voix mieux que les per-
sonnes à la vue non altérée.
Dans les premiers systèmes simples de
dialogue (utilisant des questions fermées)
comme ceux de certains centres d’appel,
la discussion est guidée par l’agent conver-
sationnel d’après un workflow prédéfini et
l’interaction peut sembler rapidement limi-
tée. L’intelligence du workflow et des mes-
sages d’erreurs sont donc autant de points
importants à imaginer lors de la génération
des réponses. Les systèmes plus évolués
(discussion ouverte) se basent sur trois fa-
milles d’algorithmes. La première est entiè-
rement basée sur l’apprentissage machine
: le système apprend à partir d’exemples,
comment exprimer telle ou telle notion
dans un langage donné (que ce soit une
langue ou un langage symbolique comme
la langue des signes). La deuxième famille
d’algorithmes, dite à base de règles, re-
pose uniquement sur la connaissance des
différentes modalités d’interactions hu-
maines. Enfin, la troisième famille hybride
ces méthodes afin de profiter du meilleur
des deux mondes.
Cependant, l’écrit doit se séparer des
autres modalités. En effet, l’écrit rend
plus difficilement compte d’une émotion
alors que l’oral peut transmettre des in-
flexions plus fines. À l’écrit, le discours
doit absolument transmettre, dans son
choix de vocabulaire (sémantique) et dans
le ton général, l’émotion adaptée. Enfin, il
faut ajouter à cela une capacité de généra-
tion de dialogue dans des langages spéci-
fiques comme les expressions faciales ou
le langage des signes, rarement présents
dans les chatbots.
62

Concevoir ces agents conversationnels im-
plique de les doter d’une certaine forme
d’intelligence socio-émotionnelle. Celle-
ci doit leur permettre de gérer la dimen-
sion intrinsèquement sociale et émotion-
nelle de l’interaction humain-machine, en
adoptant un comportement émotionnel et
une attitude sociale adaptés au contexte
de l’interaction. De plus, ces agents de-
vraient pouvoir être capables d’exprimer
leur attitude vis-à-vis de l’utilisateur non
pas seulement à travers des mots, mais
aussi à travers leur comportement non
verbal.
Pour répondre à cette problématique,
une approche est de construire à partir
de la perception de l’utilisateur un agent
capable de raisonner sur le contexte de
l’interaction pour déterminer quel com-
portement adopter dans une situation.
Ces systèmes doivent aussi dépasser une
détection d’émotion figée dans le temps
pour intégrer une dynamique conversation-
nelle, par exemple en détectant qu’il s’est
passé quelque chose dans l’environne-
ment cognitif de l’interlocuteur, pour évo-
luer quand cela est nécessaire vers une
certaine forme d’empathie. Par ailleurs,
il est nécessaire de construire des bases
de données d’apprentissage réalistes et
de travailler sur les algorithmes de fusion
que ce soit au niveau bas (des capteurs
: fusion de données) et qu’au niveau sé-
mantique (des décisions : fusion séman-
tique information-connaissance).
Il est aussi essentiel de prendre en compte
l’ensemble de la population visée pour la
conception de tels systèmes. En effet,
pour la génération textuelle, le degré de lit-
tératie limite souvent la compréhension de
messages écrits longs et techniques. De
plus, une part importante de la population
nécessite soit une adaptation des moyens
usuels de communication, par exemple
une parole ralentie pour des personnes
âgées ou le langage des signes pour les
malentendants. Proposer des règles de
transitions sur la base de modèles per-
sonnalisés en fonction de l’interlocuteur
et de l’historique récent ainsi que des mé-
canismes d’apprentissage devient alors
nécessaire. Ainsi, la création d’agents
capables de simuler des émotions, des
sentiments voire des intentions de façon
située, faisant sens de façon écologique
pour l’interlocuteur humain, pourrait avoir
un impact fort pour la socialisation des gé-
nérations natives du numérique.
Enfin, un axe prometteur pour le dialogue
homme-machine, mais peu abordé au-
jourd’hui, est celui de la reconnaissance
d’intention, permettant ainsi de générer
des réponses adéquates. Pour cela, il est
nécessaire de proposer des mécanismes
de raisonnement que l’on pourrait baser
sur le sens commun (common sense).
63

2.4 LES CONDITIONS D’UN
DÉPLOIEMENT RÉUSSI :
FACILITER LA MISE À
L
’ÉCHELLE ET CRÉER
LES CONDITIONS DE LA
CONFIANCE
Trop souvent, l’insertion de l’IA dans des
produits/solutions/services est abordée
comme un problème technologique alors
qu’elle est aussi d’ordre organisationnel,
culturel et donc humain. Avant de lancer
dans l’aventure de l’IA, il est essentiel de
bien identifier le périmètre du premier pro-
jet. En effet, si l’on souhaite l’adhésion des
équipes et du management, il est important
de classer les potentiels POC par une ana-
lyse ROI/complexité, tout en réfléchissant à
la pérennité du service ou du produit visé.
Pour cela, il est également indispensable
de prendre en compte les impacts de l’intro-
duction de l’IA sur l’évolution et la transfor-
mation des métiers, ses aspects éthiques
ainsi que la discrimination et les biais que
peuvent intégrer les algorithmes. Enfin, l’un
des enjeux majeurs d’un déploiement réussi
de l’IA sera aussi celui de son explicabilité.
Ces différents points seront abordés dans
les DIP suivants.
31. Étude McKinsey Mai 2018, Skill shift : automation and The future of the Workforce.
32. The future of employment : How susceptible are jobs to computerization?, C.B. Frey, MA Osborne, 2013.
33. The risk of Automation for jobs in OECD countries: a comparative analysis», OCDE mai 2016.
DIP 11 : accompagner
la transformation
des métiers
Comme souligné par les DIP précédents,
l’IA va assister et augmenter les collabora-
teurs et les managers dans la réalisation de
nombreuses tâches, en particulier celles
à faible valeur ajoutée. Contrairement à ce
a pu être dit, l’IA ne va pas supprimer des
emplois, mais les transformer voire même
dans certains cas, en créer de nouveaux.
« 67 % des professionnels de la
banque pensent que l’intelligence
artificielle leur offrira de nouvelles
perspectives de carrière. »
Groupe BPCE
Cependant, le marché du travail, y compris
dans la finance, est encore très segmenté
par métiers et va donc devoir se réorgani-
ser. L’IA va non seulement permettre une
évolution des tâches et des compétences,
mais également faire émerger une nouvelle
catégorie de travailleurs capables de gérer
des situations auparavant dévolues aux pro-
fessions intellectuelles, comme l’indique
l’étude de McKinsey31
publiée en mai 2018.
Aujourd’hui, le débat sur le volume d’emplois
concernés n’est pas tranché. En 201332
, une
étude estimait à 47 % la part des emplois
aux USA à risque élevé d’automatisation.
L’étude de l’OCDE en 201633
modère ce pro-
pos, prévoyant que les emplois les moins
64

qualifiés restent les plus susceptibles d’au-
tomatisation pour 40 % des travailleurs ayant
un niveau inférieur au bac contre 5 % pour
les diplômés de l’enseignement universitaire.
Pour la France, le conseil d’orientation
de l’emploi (COE) retient que «
moins de
10 % des emplois existants présentent un
cumul de vulnérabilités susceptibles de
menacer leur existence dans un contexte
d’automatisation et de numérisation
» et
qu’environ 50 % des emplois existants
sont susceptibles d’évoluer de façon signi-
ficative. Selon le World Economic Forum34
,
il s’agit d’une « révolution de la requalifica-
tion » à grande échelle.
Enjeux
Comme les tâches changent, les emplois
auront besoin d’être redéfinis. Ainsi, pour
34. « Towards a reskilling Revolution, A Future of Jobs for All », janvier 2018.
rester compétitif, il devient nécessaire de
réaliser des changements organisation-
nels. De plus, d’autres facteurs que tech-
niques sont à prendre en compte, comme
le niveau de formation, les nouveaux
usages, les obligations réglementaires,
l’éthique...
Pour les dirigeants, le premier défi à re-
lever en termes de ressources humaines
est de « repenser l’organisation du travail,
la répartition des tâches entre humains et
IA ».
« Le troisième hiver de l’IA pourrait
être humain et social. »
Bertrand Braunschweig, Directeur du
centre de recherche INRIA de Saclay, fai-
sant référence aux deux précédents hivers
de l’IA (1974-1980 et 1987-1993) dus aux
freins technologiques.
65
Figure 8 : évolution des compétences du secteur de la finance selon MacKinsey.

Certaines entreprises l’ont déjà compris
et ont mis en place des séminaires de
sensibilisation pour les managers, les
commerciaux, et les usagers. Elles ont
aussi déployé une organisation agile où
les employés sont en équipes autonomes
et flexibles. Cependant, tous ne sont pas
« digital addict » et il est donc important de
développer les compétences correspon-
dant aux besoins des employeurs et d’of-
frir des outils simples à utiliser.
Même si beaucoup parlent de «
guerre des
talents
» (les entreprises s’arrachant au-
jourd’hui les étudiants formés en IA et en
science des données pour répondre à leurs
besoins de transformation numérique), les
compétences sociales et émotionnelles
comme inventer de nouveaux usages, né-
gocier, manager, communiquer ainsi que la
gestion de projets, la lecture ou l’écriture
de niveau supérieur35
vont être recherchées.
En effet, les questions de complémen-
tarité et de partage entre l’humain et la
machine vont devenir cruciales36
. Comme
le souligne le rapport Althling37
, cette évo-
lution du profit des compétences transver-
sales pose de nouvelles questions :
• leur définition ;
• leur identification ;
• leur reconnaissance (en interne, mais
aussi sur le marché du travail dans une
logique d’employabilité) ;
• leur évaluation…
recommandations
Pour accompagner cette évolution, voire
35. Étude McKinsey Mai 2018, Skill shift: automation and the future of the Workforce.
37. L’intelligence artificielle dans la banque : emploi et compétences, décembre 2017, Athling.
cette transformation des métiers au sein
de l’industrie financière, il est important
de se poser les questions suivantes :
• Comment l’IA est-elle susceptible d’af-
fecter les postes actuels ?
• Quelles fonctions du monde de la fi-
nance l’IA remplacera-t-elle à terme ?
• À contrario, quelles fonctions ne pour-
ront pas être remplacées ?
L’IA peut même être considérée comme
un thème privilégié de dialogue social, ce
que les syndicats ont bien compris.
Celui-ci gagnerait à être accompagné par
une action généralisée dans l’entreprise
par une acculturation (voir le DIP 10) et
en favorisant le partage d’informations et
de connaissances afin de permettre à l’en-
semble des collaborateurs de comprendre
les transformations en cours.
Cependant, l’IA devrait aussi permettre de
faciliter l’apprentissage de ces nouveaux
métiers dans la mesure où les compé-
tences techniques sont bien plus faciles
à automatiser que les compétences géné-
rales (empathie, leadership, créativité…).
Dans ce contexte, la formation continue
couplée avec une mise en pratique pour-
rait suffire.
Gérer les impacts de l’IA sur l’emploi néces-
site donc la coordination de toutes les par-
ties prenantes de la société. Il faut ainsi :
• Intégrer des scénarii de développement
de nouvelles activités liées à l’IA dans
l’entreprise ;
• Mettre en place des évaluations des
impacts sur emplois et compétences et
66

mesurer les transferts de tâches ;
• Anticiper la requalification et repérer les
formations adaptées (DIP 10) ;
• Analyser les projets pilotes en cours de
développement au travers du prisme hu-
main et leur impact sur les métiers ;
• Travailler avec les branches métiers
pour participer à une gestion collective
de la transformation (fédérations mé-
tiers bancaires et d’assurances) ;
• Concevoir des outils d’aide à l’analyse
de la chaîne de valeur et de l’évolution
des structures de l’entreprise en fonc-
tion du degré de pénétration de l’IA
dans chacun de ses processus ;
• Concevoir des parcours de progres-
sion-promotion et de formation qui anti-
cipent et optimisent les besoins de l’en-
treprise en fonction de son évolution
stratégique, du niveau de pénétration
de l’IA dans les fonctions-métier et des
aspirations des collaborateurs ;
• Favoriser les partenariats avec des star-
tups et des spécialistes en IA et data
sciences en particulier, pour pallier aux
pénuries des talents (linguistique, ges-
tion de la connaissance, raisonnement,
dialogue…).
67

DIP 12 : acculturer
et former à l’IA
Comme tout outil, il est indispensable de
comprendre le rôle, les usages, le fonc-
tionnement, les potentialités et les limites
de l’IA. Conçue par et pour l’humain, nous
allons tous progressivement l’utiliser, la
concevoir ou la promouvoir. Pour cela, il est
nécessaire d’éduquer et de former à l’IA.
• Éducation : il est indispensable d’édu-
quer dès le jeune âge sur le sujet de l’IA
afin d’en préciser les rôles, d’en mesurer
ses effets, d’en déterminer les usages
et de changer ses modes de pensées ;
• Formation initiale : elle doit permettre
de former les prochains utilisateurs,
promoteurs, juristes, et experts ingé-
nieurs/scientifiques en IA. En effet,
une nouvelle industrie et de nouveaux
usages vont apparaître, entraînant des
formations initiales auprès des futurs
ingénieurs, chercheurs, commerciaux,
acheteurs de solutions et utilisateurs ;
• De nombreuses formations existent déjà
en France autour des data sciences et
de l’intelligence artificielle dirigée par les
données (ex. apprentissage), mais celles-
ci doivent être complétées par des forma-
tions en IA symbolique (peu enseignée
aujourd’hui) nécessaire au développe-
ment et à l’appropriation des outils d’aide
à la décision ou permettant de réaliser
des tâches complexes. Il importe égale-
ment de les élargir pour développer les
aspects éthiques, de conduite du chan-
gement et des modèles économiques as-
sociés. Cela permettra aussi de favoriser
38. Un MOOC (Massive Open Online Course) est un type de formation en ligne, ouvert à tous et à distance capable
d’accueillir un grand nombre de participants.
l’émergence de nouvelles compétences
de chercheurs et d’ingénieurs afin de
traiter des problèmes scientifiques non
encore résolus et concevoir des solutions
plus pertinentes et plus performantes.
Enfin, il est important que les futurs ingé-
nieurs/chercheurs comprennent les biais
et les imperfections de ces outils pour
appréhender de manière rigoureuse les
questions de validation, de vérification,
de qualification, de certification et d’audi-
tabilité des IA (DIP 15) ;
• Formation continue : les entreprises
doivent dès maintenant développer de
nouveaux programmes de formation
continue pour accompagner les salariés
éligibles à l’usage (utilisation), à la pro-
motion (marketing, commercialisation…)
ou au développement/recherche de nou-
veaux algorithmes. La formation conti-
nue doit concerner tous les niveaux de
compétences de l’entreprise à des de-
grés divers de technicité : formation au
numérique et à l’innovation, à la science
des données, aux techniques d’appren-
tissage automatique, à l’ingénierie des
connaissances, à l’IA symbolique, au
cycle de vie des systèmes à base d’IA
allant de la conception à l’industrialisa-
tion en passant par la maintenance sans
oublier la cybersécurité et la robustesse.
Enfin, en entreprise ou en organisation,
chacun doit contribuer à reporter et diffu-
ser ses connaissances sur des intranets
afin de partager celles acquises au travers
de MOOC38
ou de liens documentaires…
Enjeux
Le véritable défi reste de franchir le pas
entre la simple prise de conscience et la
68

phase de formation.
• Très peu de professionnels parviennent
à comprendre l’impact de l’IA sur les
fonctions de la finance ;
• Les cours en ligne apparaissent comme
une solution, mais là encore, le format
ne répond pas forcément aux attentes
des étudiants. Les instituts de forma-
tion s’accordent à dire qu’environ 90 %
des inscrits abandonnent leur formation
à mi-chemin faute de temps, de motiva-
tion ou d’enseignement de qualité39
.
Recommandations
Employés et cadres dirigeants doivent être
sensibilisés et/ou formés. Les dirigeants
auront pour tâche de définir la stratégie
et le positionnement de l’entreprise et les
employés vont devoir utiliser ou mettre en
place des solutions à base d’IA.
• Acculturer le public en tenant compte de
ses différentes composantes :
• Le vertical métier, avec focus sur les
spécificités de chacun ;
• Le vertical secteur : fédérations, syn-
dicats, groupements… ;
• Sensibilisations tous publics à l’IA et
travailler sur l’avenir collectif en favori-
sant l’échange : think tanks intégrant
la diversité40
, groupes thématiques… ;
• Adaptation aux changements perma-
nents ;
• Former les spécialistes et praticiens de
l’IA et assurer le recrutement de nouveaux
profils (développeur IA, ingénieur data, data
scientist, data miner, chief data officer) ;
• Développer les compétences moins
aisément gérées par l’IA (soft skills) :
l’intelligence émotionnelle, la créativité,
la pensée critique, l’empathie, le juge-
39. www.formaguide.com/s-informer/mooc-un-grand-chantier-pour-l-enseignement-superieur.
40. «
Les femmes doivent comprendre que le code, l’IA et l’ensemble des métiers du numérique sont pour elles une
formidable opportunité d’émancipation et d’action. » - Aurélie Jean, scientifique numéricienne et entrepreneuse.
ment éthique ;
• Définir l’approche pédagogique spécifique
à l’IA ;
• Présenter les valeurs ajoutées de l’IA
sur les métiers et chaînes de valeur ;
• Adopter une démarche d’expérimentation
«
Test & Learn » :
• Le Test & Learn pour démystifier l’IA :
associer les collaborateurs à la dé-
marche d’expérimentation participa-
tive (co-création) permet de diminuer
rapidement les appréhensions et les
craintes en développant des pilotes et
de se rendre compte des gains poten-
tiels de la technologie ;
• Mettre en place avec les institutions de
formation, universités et centres de re-
cherche un réseau de partenariat avec
cycles de conférences pour évangéliser
sur les réalisations à effectuer sur les
métiers des entreprises ;
• Former les formateurs et les référents :
auditeurs, inspecteurs…
Ce n’est que par le biais d’une formation
continue tout au long de sa carrière qu’un
professionnel de la finance sera en me-
sure de maîtriser l’application de l’IA au
quotidien. L’apprentissage de l’IA ne re-
présente donc pas une fin en soi, mais un
parcours.
69

Focus
Formation
professionnelle
en finance : de la
théorie à la pratique
à Singapour
Avec l’arrivée de nouvelles technologies
comme l’IA, les gouvernements, les institu-
tions bancaires et les employés eux-mêmes
évoquent tous l’importance d’une formation
continue tout au long de leur carrière afin
de mieux appréhender les nouveaux défis
et enjeux du secteur. Cependant, la prise
de conscience s’arrête là. En pratique, la
plupart des institutions financières ne par-
viennent pas encore à mettre en place les
mécanismes nécessaires à la formation et
à l’éducation de leurs employés.
Le vrai défi à l’heure actuelle reste donc de
franchir le pas entre la prise de conscience
et la phase éducative.
Pourtant, l’exemple de Singapour est là
pour nous rappeler que de tels investis-
sements sont possibles. OCBC Bank et
United Overseas Bank (UOB), par exemple,
ont annoncé en début d’année leur inten-
tion de former leurs employés par le biais
du cours « AI in Finance ».
Bien plus qu’un simple effet d’annonce,
l’initiative prise par ces deux banques il-
lustre la volonté de l’État de former ses
citoyens à l’intelligence artificielle. Ainsi,
lors d’un discours prononcé au FinTech
Festival en novembre 2016, Ravi Menon,
directeur du Monetary Authority of Singa-
pore (MAS), exprimait déjà son souhait de
former de nouveaux talents aux compé-
tences du numérique.
Dès lors, un véritable écosystème est ap-
paru. Tous les acteurs, que ce soit l’État,
le régulateur, les banques, mais aussi les
instituts de formation, se sont réunis pour
déployer massivement l’enseignement de
l’intelligence artificielle.
Pour cela, deux nouvelles initiatives ont
vu le jour. Tout d’abord, l’Institut de la
Banque et de la Finance (IBF) a lancé le
« Future Enabled Skills » afin de former les
professionnels du secteur aux nouvelles
technologies et à leurs implications.
Dans un deuxième temps, le gouver-
nement singapourien a mis en place le
«
Skillsfuture Singapore
» (SSG) qui relève
du Ministère de l’Éducation et qui permet
aux Singapouriens de suivre des heures
de formation en vue d’évoluer dans leur
carrière.
Tous les sujets sont abordés. Au total, les
citoyens de plus de 25 ans ont accès à
plus de 18
000 cours. Le programme «
AI
in Finance » en fait partie.
Dès le départ, SSG s’est d’ailleurs engagé
à subventionner la formation à hauteur de
70 % pour une majorité de Singapouriens.
Les plus de 40 ans voient quant à eux leur
formation financée à hauteur de 90 %.
À l’instar de nombreux autres États, Sin-
gapour a très vite compris que la forma-
tion des professionnels de la finance aux
technologies nouvelles comme l’IA était
essentielle. La seule différence réside
probablement dans le fait que, contraire-
ment à d’autres, Singapour a implémenté
une stratégie de financement.
70

Certes, adopter une telle approche dans
des pays à la culture et aux processus
différents paraît difficile. En revanche, de
nombreuses banques à travers le monde
ont maintenant la maturité suffisante pour
réaliser l’urgence à se transformer. Que
ce soit du fait de l’arrivée des fintechs ou
parce que les profils s’orientent vers les
entreprises de technologie, il est à pré-
sent temps pour elles d’évoluer. Et cela
passe bien évidemment par la formation
de leurs employés.
Le Centre for Finance, Technology and En-
trepreneurship (CFTE) a développé le cours
« AI in Finance » en partenariat avec l’Insti-
tut Polytechnique de Singapour, Ngee Ann.
Le cours est entièrement dispensé en
ligne et réunit les experts du monde en-
tier. Il s’adresse aussi bien aux employés
d’institutions financières qu’aux profes-
seurs d’université qui sont aujourd’hui
nombreux à suivre cette formation afin de
mettre à jour leurs connaissances.
71

Focus
Une démarche
globale pour
sensibiliser les
collaborateurs
de BNP Paribas
Securities Services
à l’intelligence
artificielle
La transformation digitale de BNP Paribas
Securities Services est l’une des prin-
cipales priorités de la banque. Pour em-
barquer dans cette transformation ses
10
000 collaborateurs répartis dans 28
pays, Securities Services a choisi d’inves-
tir sur le sujet de la formation et de l’ac-
culturation au digital, avec une démarche
globale pour répondre aux besoins des dif-
férentes cibles et métiers de l’entreprise.
Des sessions d’acculturation
en présentiel pour toucher un
maximum de collaborateurs
Entre juin 2017 et juin 2018, des sessions
de deux heures ont été organisées dans
l’ensemble des géographies, animées par
des champions digitaux et l’équipe IA, mo-
bilisée pour aller à la rencontre des colla-
borateurs et répondre à leurs questions.
Le COOC, un format idéal pour
diffuserlesavoirdanstouslespays
Lancé mi-janvier 2018 sur une durée de
deux mois, le COOC sur l’intelligence arti-
ficielle a été élu meilleur Dispositif Digital
de Formation Corporate par Cegos, lors
des Digital Learning Excellence Awards
2018. Conçu pour préparer les équipes
à l’arrivée de l’intelligence artificielle, il a
été suivi par près de 1 300 collaborateurs
volontaires, avec un temps moyen consa-
cré de huit heures et un taux de complé-
tion du parcours de 30%. Il permet de dé-
mystifier ce qu’est
l’IA dans la réalité et
de fournir des clés
pour comprendre les
impacts et enjeux et
de préparer au chan-
gement induit par la
transformation digi-
tale.
Disponible en français et en anglais, ce pro-
gramme de sensibilisation comprend un mé-
lange de contenus pédagogiques théoriques
et pratiques, répartis dans neuf modules :
interviews d’experts, vidéos, infographies,
questionnaires, exercices individuels et tra-
vaux de groupe, avec la réalisation d’un pro-
totype, et bien sûr des sessions en direct.
Le travail collaboratif permet de contribuer
à la création de communautés et favorise le
partage des meilleures pratiques et de l’ex-
pertise liées à l’intelligence artificielle.
Un séminaire dédié pour
créer une communauté de
250 personnes autour de
l’intelligence artificielle
Les experts de l’intelligence artificielle se
sont retrouvés lors d’une Summer School de
deux jours en août 2018 pour partager des
retours d’expérience et échanger avec des in-
tervenants prestigieux, issus de la recherche
(INRIA – Prairie) et d’autres secteurs.
72

DIP 13 : mettre en
œuvre les grands
principes éthiques
L’IA a cette caractéristique d’être présente
dans tous les secteurs, sur tous les sujets
et dans tous les esprits et bouscule (ou va
bousculer) nos conventions, philosophies
et modes de gouvernances. Le corollaire
de cette omniprésence est la question cen-
trale de son universalité : l’universalité de
compréhension qui génèrera l’universalité
de son adoption. L’une des clés d’entrée
pour établir la confiance reste la bonne dé-
finition de l’éthique. Mais quand on parle
d’éthique, de quoi parlons-nous exacte-
ment
? Suffit-elle à établir la confiance
dans l’adoption de l’IA pour tous
? Peut-
elle revêtir un caractère universel ?
Pour bien poser le sujet, il est nécessaire
de reprendre la définition de l’Éthique :
« Le mot éthique provient du grec
ethos qui désigne les mœurs, c’est-à-
dire les habitudes de comportement
relativement au bien et au mal. En
cela, il se rapproche du mot “morale”
(qui vient de mores, mœurs en latin).
Il existe certes des distinctions entre
éthique et morale. Celles-ci tiennent
sans doute aux différences entre la
Grèce et Rome : d’un côté, une culture
philosophique éprise de ratiocina-
tion ; de l’autre, une civilisation juri-
dique, soucieuse de règles et de lois.
Ainsi, la morale énonce les règles de
conduite tandis que l’éthique cherche
41. Garth Kemerling, « A Dictionary of Philosophical Terms and Names » 12 novembre 2011.
42. https://fr.wikipedia.org/wiki/Universalisme_moral.
à établir le fondement de ces règles.
Aujourd’hui, personne ne doute que
l’éthique apporte un “supplément
d’âme” aux techniciens, tout en sus-
citant de nouveaux développements,
par exemple, les architectures de
logiciels qui préservent la vie privée. »
Jean-Gabriel Ganascia,
Professeur à l’Université de la Sorbonne
Avec le progrès et la complexité de l’IA, l’éva-
luation des conséquences des choix devient
de plus en plus difficile. Les connaissances
requises pour parvenir à une décision éclai-
rée demandent des connaissances dont un
homme seul ne peut disposer. Et si l’une
des pistes était l’universalisme moral ?
« L’universalisme moral est la posi-
tion méta-éthique qu’un système
d’éthique ou une éthique universelle
s’applique universellement, c’est-à-
dire pour “tous les individus dans la
même situation41
”, indépendamment
de la culture, de la race, du sexe, de la
religion, de la nationalité, de l’orien-
tation sexuelle ou tout autre élément
distinctif. »
Wikipedia42
Enjeux
• La définition des valeurs éthiques et
morales à préciser :
• L’évolution du droit n’est pas celle
de la morale
; l’éthique et la morale
restent des exercices théoriques qui
sont sujets à interprétation selon les
74

cultures et les croyances ;
• Neutralité : est-il possible de créer une
IA neutre (non influencée, non influen-
çable, protégée des lobbies, etc.) ?
• Rapidité, accélération, non-maitrise :
• Une technologie en perpétuelle mu-
tation qui évolue plus vite que nos
valeurs et qui peut influencer nos
conceptions éthiques ;
• Les craintes sur la capacité de «
gar-
der la main ».
Pistes de résolution
La Déclaration universelle des droits de
l’homme des Nations Unies peut être lue
comme supposant une sorte d’universa-
lisme moral. Le comité de rédaction de la
Déclaration universelle a supposé, ou du
moins aspiré, à une approche « universelle »
d’articulation des droits humains interna-
tionaux. Bien que la Déclaration ne reflète
pas adéquatement certaines visions du
monde, elle en est indéniablement venue à
être acceptée comme une pierre angulaire
du système international pour la protection
des droits de l’homme et donc pour instau-
rer une confiance universelle.
L’objectif n’est pas, on le voit, d’atteindre
la perfection dans la rédaction d’une
éthique universelle de l’IA, mais bien de
commencer à établir un consensus mon-
43. www.cnil.fr/fr/comment-permettre-lhomme-de-garder-la-main-rapport-sur-les-enjeux-ethiques-des-algorithmes-et-de.
44. Voici donc les liens et un résumé de chacune de ces initiatives :
16 mai 2018 : The Toronto Declaration - Protecting the rights to equality and non-discrimination in machine learning systems :
www.accessnow.org/the-toronto-declaration-protecting-the-rights-to-equality-and-non-discrimination-in-machine-learning-systems;
12 juin 2018 : Google souhaite encadrer le développement de l’IA par sept grands principes – Triple objectif pour ce
texte : rassurer le grand public qui découvre de nouvelles technologies et de nouveaux usages, donner un cadre à
une industrie en pleine expansion, mais aussi montrer aux employés de l’entreprise que la direction prend au sérieux
une polémique récente. : www.siecledigital.fr/2018/06/08/google-encadre-le-developpement-de-lia-par-7-grands-
principes ;
Juin 2018 : Data for Good propose un Serment d’Hippocrate pour Data Scientist – cinq principes auxquels les professionnels
de la donnée s’engagent à respecter : www.hippocrate.tech ;
Juin 2018 : Confederation of Laboratories for Artificial Intelligence Research in Europe – (C.L.A.I.R.E) - www.claire-ai.org;
15 juin 2018 : Le serment Holberton-Turing pour l’intelligence artificielle au service de l’humain : sur le modèle du
serment d’Hippocrate des médecins, Aurélie Jean et Grégory Renard, deux experts de l’intelligence artificielle (IA),
proposent un code éthique afin d’encadrer son utilisation par les professionnels de l’IA : www.service-sens.com/
le-serment-holberton-turing-pour-lintelligence-artificielle.
dial sur des critères fondamentaux, sur la
base de ceux déjà énoncés et communé-
ment admis.
Ce thème est le plus discuté du moment,
surtout depuis le début du deuxième se-
mestre 2018. En effet, après de nombreux
articles dans de nombreux domaines, aus-
si bien philosophiques, que sociaux, mo-
raux et juridiques, de nombreux acteurs
dans le monde entier ont souhaité lancer
des initiatives.
Le point de départ a été, selon nous, le
rapport de la CNIL en décembre 2017, qui
a fait suite à un débat riche et intéressant.
« Comment permettre à l’Homme de
garder la main ? »
Rapportsurlesenjeuxéthiquesdesalgo-
rithmesetdel’intelligenceartificielle,CNIL43
Pour l’heure, la plupart des initiatives se
sont cantonnées à des serments ou décla-
rations44
incitant les professionnels à se
conformer à une attitude, à une pensée, à
des concepts, c.-à-d. à un code déontolo-
gique rendant plus tangible ce désir émis
par la communauté mondiale.
Le Serment Holberton-Turing reste le plus
remarqué et remarquable par sa hauteur
75

de vue. Listant des comportements, mais
non des cas d’usages, il a été initié dans
l’objectif de fédérer au niveau mondial
l’utilisation des compétences des profes-
sionnels de l’IA autour de valeurs morales
et éthiques communes. Le serment s’arti-
cule autour de trois grands principes :
• le respect de la vie et des sciences ;
• l’inclusion ;
• la transmission des connaissances.
Il a été construit à l’image d’un code en
logiciel libre, destiné à évoluer dans le
temps en fonction des contributions de
chaque acteur de l’échiquier technologique
et social. Enfin, le serment a été conçu
pour être compris par tous les pairs de la
discipline, mais aussi par les citoyens qui
trouveront dans ce texte une base de ré-
flexion à élargir et à approfondir dans les
débats publics.
Recommandations
Mettre la place de l’éthique au centre de
nos préoccupations et à tous les stades :
• Éducation initiale et continue : enseigne-
ment de l’éthique dans les écoles, univer-
sités, entreprises et l’illustrer par des cas
d’usages pour la rendre simple d’accès ;
• Former les actuels développeurs en IA
pour s’assurer qu’ils génèrent des al-
gorithmes avec des principes éthiques
(auto-contrôle), d’où le focus sur le ser-
ment d’Holberton-Turing ;
• Former les utilisateurs d’IA à user des
applications avec éthique et responsabi-
lité, mais aussi à signaler les problèmes
(prendre en compte la législation et
l’adapter pour les lanceurs d’alertes) ;
• Former des contrôleurs pour tester et
observer les usages de l’IA avant leur
45. www.actuia.com/actualite/consultation-publique-ethique-et-protection-des-donnees-dans-lintelligence-artificielle-
jusquau-25-janvier-2019.
diffusion et pendant leur utilisation
dans la vie réelle ;
• Soutenir les initiatives citoyennes, les
associations de consommateurs, les
think tanks… afin qu’ils s’approprient
le sujet de l’éthique ;
• Rendrelaconnaissancedel’IAdynamique,
en partageant largement et en favorisant
le dialogue et les débats, en créant des
chaires de recherche connectées avec la
société civile et les entrepreneurs ;
• Tester l’IA avec une autre IA «
neutre
»
sur les scénarios possibles d’interpré-
tations et faire des recommandations
d’amélioration ou de précision ;
• Instaurer une Haute Autorité chargée de
vérifier le respect des droits fondamen-
taux, dont les critères d’inclusion et de
solidarité dans les applications IA.
Il est à noter que ces préoccupations ont
pris très récemment une dimension interna-
tionale avec, à l’occasion de la 40e
Confé-
rence internationale des commissaires à la
protection des données et de la vie privée,
l’adoption le 23 octobre 2018 d’une dé-
claration sur l’éthique et la protection des
données dans l’intelligence artificielle. Ré-
digé par la CNIL et le contrôleur européen
de la protection des données de l’Union
européenne (CEPD), le texte est désormais
ouvert à consultation publique et à contri-
bution jusqu’au 25 janvier 201945
.
Il semble que ces principes rejoignent nos
recommandations fondées sur quelques
principes clés :
• Les technologies d’intelligence artifi-
cielle et d’apprentissage automatique
doivent être conçues, développées et
utilisées dans le respect des droits
fondamentaux de l’homme et conformé-
76

ment au principe de loyauté ;
• Il est nécessaire de continuer à faire
preuve d’attention et de vigilance ;
• Il convient d’améliorer la transparence
et l’intelligibilité des systèmes d’IA,
l’objectif étant de permettre leur mise
en œuvre efficace ;
• Dans le cadre d’une approche globale
basée sur l’« Ethics by design » (éthique
dès la conception), les systèmes d’IA
doivent être conçus et développés de
manière responsable ;
• Il convient de donner davantage de pou-
voirs à chaque personne et d’encou-
rager l’exercice des droits individuels,
tout en créant des opportunités de par-
ticipation publique,
 Il convient de réduire et d’atténuer les
préjugés ou les discriminations illicites.
Par ailleurs, pour participer à la création
d’une gouvernance commune future au ni-
veau international et mieux définir l’orien-
tation qui accompagnera ces principes
d’éthique et de protection des données
en matière d’IA, la 40e
Conférence interna-
tionale des commissaires à la protection
des données et de la vie privée a établi un
groupe de travail permanent dont la mis-
sion sera de relever les défis associés au
développement de l’intelligence artificielle.
Ce groupe de travail sera chargé de favo-
riser la compréhension et le respect des
principes de la résolution par toutes les
parties concernées impliquées dans le dé-
veloppement des systèmes d’intelligence
artificielle, y compris les gouvernements et
les autorités publiques, les organismes de
normalisation, les concepteurs de systèmes
d’intelligence artificielle, les prestataires et
les chercheurs, les entreprises, les citoyens
et les utilisateurs finaux de ces systèmes.
77

DIP 14 : lutter contre
la discrimination et
les biais
L’IA s’intègre de plus en plus dans les pro-
cessus de décision ayant un impact fort
sur la vie des individus, de l’attribution
d’un prêt bancaire à l’orientation de leur
cursus universitaire. Cette nouvelle chaîne
de valeur qui raisonne de façon systé-
mique, pour ne pas dire écosystémique,
est amenée à avoir un impact majeur sur
la société.
Si, du fait de son caractère technique, l’IA
peut être perçue comme neutre, elle n’est
en réalité pas exempte de biais. En effet,
un certain nombre de techniques d’IA sont
basées sur l’exploitation de données, en
particulier celles fondées sur des algo-
rithmes d’apprentissage. Or, les données
ne sont pas objectives, en ce sens qu’elles
sont toujours le fruit d’une sélection, d’un
échantillonnage du réel et fournies dans
une représentation qui a une grande inci-
dence sur les traîtements ultérieurs. Cela
peut être source de discriminations.
Ainsi les systèmes d’IA fondés sur l’ap-
prentissage retranscrivent des situations
observées dans les données historiques
du monde réel et extraient des règles de
conduite qui les généralisent. De ce fait,
s’il l’on n’y prend pas garde, ces systèmes
reproduisent et perpétuent les injustices,
voire les discriminations existantes.
Les données et leur exploitation permettent
de programmer automatiquement des sys-
tèmes informatiques qui reconduisent les
décisions anciennes. Ils tiennent compte
de l’usage, mais ne comportent aucune
autre source prescriptive, nécessaire si
l’on veut corriger les inégalités existantes.
Enjeux
Concernant les données :
• Comment définir la source des données :
peut-on utiliser toutes les données pour
n’importe quelle finalité ?
• Notion de responsabilité : définir le pro-
priétaire de la donnée. Pour une donnée
précise, qui a le droit de la manipuler
?
Et à qui les résultats peuvent-ils être
communiqués ?
• Comment s’assure-t-on que les critères
retenus ne sont pas discriminants ?
• Comment s’assure-t-on que les jeux de
données ne sont pas eux aussi discri-
minants (ex. : jeux de données servant
à l’apprentissage de la reconnaissance
faciale et qui peuvent être biaisés sur le
genre ou l’origine ethnique) ?
• Le développeur va malgré lui injecter
ses propres biais de perception du
monde dans l’algorithme qu’il construit.
Comment s’en prémunir ?
• Le choix du critère à optimiser dans
l’algorithme génère des biais (ex. : sys-
tèmes de recommandation de YouTube
qui proposent aux internautes les vidéos
les plus extrêmes et qui « buzzent »).
La chaîne de valeur d’un algorithme se
partage entre différents acteurs :
• les concepteurs qui ont la responsabi-
lité morale de réfléchir à l’usage de la
technologie qu’ils conçoivent ;
• les vendeurs qui doivent s’assurer que
la solution qu’ils proposent est bien
adaptée aux besoins de leurs clients ;
• les utilisateurs des solutions, qui sont
de plus ceux qui vont manipuler les
données et en tirer des actions, sont
78

concernés comme le maillon agissant
de la chaîne.
Les solutions d’IA sont des boîtes noires
pour les utilisateurs : dès lors, comment les
entreprises les utilisant peuvent-elles contrô-
ler la bonne exécution des algorithmes ?
Les bulles ou le risque de surpersonnali-
sation doivent être pris en compte :
• Comment se prémunir du risque d’ac-
cumulation de stratégies identiques,
du manque de créativité et du confor-
misme qui peuvent résulter de l’utilisa-
tion de l’IA ?
• Comment protège-t-on la liberté d’accès
à toutes les informations et l’égalité de
traîtement des clients d’un service ?
L’assurance a par définition un fonctionne-
ment mutualiste : le tarif d’une police dé-
pend de quelques critères permettant de
caractériser l’appartenance d’un client à un
groupe de taille statistiquement significa-
tive (ex. : clients masculins entre 30 et 40
ans, vivant en région parisienne). L’accès
potentiel à de nombreuses sources de don-
nées combinées avec des techniques d’IA
permettant de caractériser individuellement
chaque client ne risque-t-il pas d’amener
vers une tarification complètement indivi-
dualisée, effaçant ce caractère mutualiste ?
Pistes de résolution
Les algorithmes d’IA étant complexes et
résultant de nombreuses interactions
entre plusieurs d’entre eux, l’analyse du
contenu de ces «
boîtes noires
» s’avère
extrêmement complexe. Cependant, pour
s’assurer de l’absence de discrimination
et de biais, il est nécessaire de s’assurer
de l’explicabilité des résultats. Cette piste
a été initiée par des chercheurs (Equality
of Opportunity in Supervised Learning,
Moritz Hardt, Eric Price, Nathan Srebro,
07/10/2016), des groupements d’entre-
prises privées (Partnership on AI) ainsi
que par les autorités publiques (RGPD).
Par ailleurs, il est également nécessaire de
s’assurer que les données utilisées pour
calibrer les algorithmes ne présentent pas
de biais, aussi bien dans les champs rete-
nus que dans le choix des individus consti-
tuant la base d’apprentissage. Comme le
savent les concepteurs de solution d’ap-
prentissage « garbage in, garbage out », un
algorithme n’est jamais de meilleure quali-
té que celle des données utilisées pour le
calibrer. L’analyse préalable des données
en entrée est donc d’une importance ma-
jeure dans la construction de dispositifs
d’IA. Ce travail a l’avantage de s’appuyer
sur des outils disponibles et répandus au
sein de la communauté.
Recommandations
• Mettre en œuvre une association de
place afin de surveiller dans la durée
les nouveaux usages de l’IA et l’utilisa-
tion de nouvelles sources de données
dans le secteur financier ;
• Disposer d’outils de contrôles et de
gouvernance au sein des entreprises
afin de s’assurer à la fois de la fidéli-
té (la bonne transmission des connais-
sances quant au fonctionnement de
l’algorithme) et de l’homogénéité (l’al-
gorithme fait bien ce pour quoi il est pro-
grammé) des algorithmes ;
• Avoir des protocoles de test des algo-
rithmes afin de détecter les potentiels
biais avant qu’ils ne soient mis en pro-
duction ;
• Mettre en place un outil de suivi des
risques qui permet :
79

• une analyse en amont au cas par cas
de « type risque » ;
• d’identifier à la sortie de la solution
qu’elle se prémunit bien des biais
trouvés dans l’analyse ;
• à surveillance continue des résultats
produits (approche statistique/so-
ciale), en particulier sur les popula-
tions à risque ;
• S’assurer de la diversité et de l’interdis-
ciplinarité des profils des concepteurs,
développeurs d’algorithmes pour éviter
des biais cognitifs.
80

DIP 15 : expliquer et
auditer l’IA
De plus en plus de systèmes à base d’IA
peuvent avoir un impact sur nos vies. Ils
embarquent des algorithmes pour quali-
fier les demandes de prêt, gérer les patri-
moines, analyser de manière automatique
les CV, aider aux diagnostics médicaux,
surveiller des sites critiques... Les déci-
sions publiques sont aussi concernées :
lutte contre la fraude fiscale, attribution
d’un logement social, affectation des
élèves dans un établissement scolaire ou
des étudiants à une formation...
Qu’ils reposent sur des techniques d’ap-
prentissage ou sur des approches plus
symboliques, la conception de ces algo-
rithmes n’est pas neutre, leurs résultats
produits ne sont pas forcément corrects et
leurs performances évoluent au cours du
temps, soit par leur capacité intrinsèque
d’apprentissage, soit par l’évolution de
leur environnement. De plus, l’impact des
données utilisées pour l’apprentissage
s’avère critique pour leur fonctionnement.
En effet, ces algorithmes (qu’ils soient
à base d’apprentissage ou d’IA symbo-
liques) mettent en œuvre, le plus souvent
de manière opaque et parfois non maîtri-
sée, des critères de priorité, de préférence
et de classement qui ne sont générale-
ment pas connus des personnes concer-
nées. Cette opacité peut aussi masquer
toutes sortes de dérives : discriminations,
traîtements déloyaux, manipulation, etc.
Du point de vue de l’usager, le véritable be-
soin est d’avoir une explication intelligible
(explicabilité) plus que la traçabilité du rai-
sonnement. En effet, le fonctionnement de
l’algorithme sous-jacent n’a que peu d’inté-
rêt pour eux : il s’agit surtout d’obtenir une
explication utile pour en comprendre voire
interpréter les résultats. Cependant, fournir
ces explications n’est pas simple, surtout
quand les algorithmes reposent sur des
techniques d’apprentissage. Même leurs
concepteurs ne sont aujourd’hui pas en
mesure d’analyser par quel raisonnement
ces méthodes parviennent à leurs résul-
tats. C’est l’effet « boîte noire ».
Du point de vue des entreprises, des or-
ganisations, des pouvoirs publics et des
usagers, comprendre ces boîtes noires et
garantir leur comportement vont devenir
un enjeu majeur. En particulier si l’on veut
favoriser l’insertion de composants d’IA
pour l’industrie financière ou dans des
applications critiques, que ce soit pour la
mobilité, la médecine, l’aéronautique, la
défense et la sécurité.
Enjeux
Pendant de nombreuses années, la per-
formance a été privilégiée par rapport à
l’explicabilité et l’interprétabilité, ces
deux néologismes provenant de l’anglais,
qui font référence à l’intelligibilité des
algorithmes. Par exemple, avec les tech-
niques d’apprentissage automatique, d’un
point de vue mathématique, la recherche
d’un bon modèle met l’accent sur la mi-
nimisation d’une fonction de coût ou la
maximisation d’une fonction de vraisem-
blance. Ainsi, la performance du modèle
est mesurée presque exclusivement sur
les résultats par rapport à des métriques
correctement choisies. Cette tendance a
conduit à des algorithmes de plus en plus
sophistiqués et complexes, au détriment
de leur explicabilité et de leur auditabilité.
81

• L’effet boîte noire des algorithmes :
« Le phénomène des boîtes noires
appelle un effort de recherche fon-
damentale pour accroître leur trans-
parence (...) Le défi à relever est donc
celui de l’explicabilité ».
Rapport d’information46
de l’OPECST,
(Office parlementaire d’évaluation des
choix scientifiques et technologiques).
• La sûreté des systèmes critiques à base
d’IA nécessite de démontrer que les
algorithmes sont corrects, c’est-à-dire
qu’ils font ce qu’on attend d’eux. Plus
précisément, l’algorithme reproduit di-
rectement la spécification étant donné
les hypothèses sur ces données. Celui-ci
devra être transparent, neutre, loyal, ou
équitable, notions qui sont développées
dans le DIP 13. Il devient donc indispen-
sable de vérifier la conformité entre ses
spécifications et son comportement, au-
trement dit mesurer l’écart entre ce qu’il
est supposé faire et ce qu’il fait.
• Au-delà des systèmes critiques ou des en-
vironnements réglementés (DIP 7) qui im-
posent l’explicabilité, l’adoption commer-
ciale de solutions sur des environnements
non critiques (marketing, retargeting, chat-
bot par exemple) va également imposer
des justifications de retour sur investisse-
ment et d’engagement des fournisseurs
qui conduiront le marché à proposer des
solutions et services auditables.
• La répartition des responsabilités sur le
fonctionnement des systèmes à base d’IA
est plus large que sur les systèmes dits
classiques et imposera en cas de dys-
fonctionnement une capacité de mesure
des rôles de chacun dans la solution :
46. «
Pour une intelligence artificielle maitrisée, utile et démystifiée
», Rapport d’information de l’OPECST (Office
parlementaire d’évaluation des choix scientifiques et technologiques), 19/07/2017.
fournisseurs de données, concepteurs,
fournisseurs de la solution, utilisateurs.
recommandations
Il est nécessaire de proposer de nouvelles
approches d’ingénierie de l’algorithme pour
le développement des nouvelles généra-
tions d’algorithmes d’IA. En effet, il faudra
prouver que, par construction même, ces
algorithmes sont :
• Transparents, contribuant à leur expli-
cabilité et à la traçabilité de leur raison-
nement. En effet, la tendance étant que
l’explicabilité d’un modèle est une mé-
trique primordiale au même titre que la
performance et la robustesse, un bon
compromis entre explicabilité et préci-
sion est de plus en plus nécessaire.
Cela pourrait être la clé pour rendre
les algorithmes aussi transparents que
possible pour les utilisateurs finaux.
• Responsables, garantissant leur confor-
mité aux lois, normes, réglementations
et/ou à certaines valeurs de notre so-
ciété.
• Contrôlables, intégrant dans le proces-
sus de fonctionnement une traçabilité
des actions, des restitutions, des feed-
backs des utilisateurs et des systèmes
ainsi qu’un processus d’alerte en cas
de dérive et de maintenance systéma-
tique pour anticiper les divergences po-
tentielles du système ou de son envi-
ronnement de fonctionnement.
Ces algorithmes doivent constituer une
chaîne du traîtement de la donnée maitri-
sée (DIP 16) de la collecte à l’exploitation.
Enfin, sans collaboration multidisciplinaire,
d’experts des métiers, de data-scientists,
82

d’ingénieurs en IA et d’utilisateurs, il sera
très difficile de s’assurer de la qualité de
ces systèmes, voire même d’en définir les
critères d’acceptabilité. Celle-ci s’avère
nécessaire en raison de l’imbrication des
expertises métiers et technologiques
nécessaires tant à l’élaboration qu’au
contrôle de ces solutions.
La définition, la publication et l’adoption
par le marché de labels internationaux,
européens ou nationaux, couvrant l’en-
semble des périmètres de conformités
éthiques ou réglementaires attendu des
solutions à base d’algorithmes d’intelli-
gence artificielle, permettra progressive-
ment d’améliorer la qualité et la conformi-
té de ces solutions.
83

DIP 16 : collecter,
qualifier, exploiter et
partager les données
et les connaissances
Dans un monde de plus en plus collabo-
ratif, la collecte, la production et le par-
tage d’informations et de connaissances
de qualité entre différents acteurs consti-
tuent un enjeu stratégique des profes-
sions de la finance et de l’assurance.
On peut citer par exemple les mouvements
anormaux de marché sur les actifs finan-
ciers (actions, obligations, etc.), la détec-
tion d’événements inhabituels touchant la
vie des entreprises (dirigeants, opérations
financières inhabituelles), de sinistres
dans l’assurance ou encore celle d’atti-
tudes ou de messages clients comme si-
gnaux d’attrition.
Les technologies à base d’apprentissage
ont besoin de données d’entraînement
de qualité. On pense en particulier à des
corpus annotés en français pour le trai-
tement de la langue, mais plus généra-
lement à des jeux de données labélisées
dans le domaine bancaire et assurantiel,
notamment pour les besoins des agents
conversationnels (DIP2 et DIP3). Les be-
soins peuvent dépasser le secteur finan-
cier, aussi des données complémentaires
venant d’autres secteurs, jouant par
exemple un rôle particulier dans des es-
timations économiques, sont utiles. Les
questions d’anonymisation doivent aussi
être traitées.
L’impact de non-qualité des données,
qu’elles soient collectées ou produites,
peut alors engendrer un manque à gagner
ou avoir d’importantes conséquences
dans le pilotage d’une institution finan-
cière ou assurantielle.
Au-delà des jeux de données brutes anno-
tées, on peut également signaler le besoin
de disposer ou de développer des ontolo-
gies du domaine pour faciliter les divers
traitements sémantiques.
La transformation de contenus, en parti-
culier la traduction, demeure incontour-
nable. Les institutions financières doivent
être capables de communiquer en de mul-
tiples langues pour faire preuve de trans-
parence et de proximité vis-à-vis de leurs
clients particuliers et institutionnels. On
pense à la communication urgente ou de
crise, la réponse à des appels d’offres, la
communication de résultats financiers et
la traduction de rapports ou de documents
sensibles de toutes natures.
La synthèse de contenus est réalisée à
partir de données permettant de rédiger un
texte avec le même niveau de qualité que
s’il avait été écrit par un humain : rapports
financiers, risque crédit, analyse de fonds
financiers, documents de préparation et
comptes rendus d’entretien, recommanda-
tions d’investissement personnalisées, etc.
Enfin, du fait de la multiplicité des sup-
ports et des terminologies et du manque
de standards, il est difficile de partager de
manière accessible toutes ces ressources
informationnelles (données, informations,
connaissances, modèles).
En réponse à ces mutations, l’IA intervient
comme un complément aux méthodes ha-
bituelles de détection des anomalies.
84

Enjeux
Disposer de «
bonnes
» données est es-
sentiel pour tirer une valeur ajoutée des
traitements reposant sur des méthodes
d’intelligence artificielle à base de don-
nées comme l’apprentissage.
En pratique, la gestion des données est
exercée par des Data Scientists lorsque
l’on applique des algorithmes d’apprentis-
sage automatique, des Data Analysts ou
Data Engineers lorsque l’on est en envi-
ronnement Big Data et, bien entendu, la
Data Gouvernance pour définir les proces-
sus et garantir leur mise en œuvre. Il de-
vient donc nécessaire de fédérer et d’outil-
ler les différents acteurs dans l’entreprise
pour aborder sereinement cette maîtrise
de la qualité des données.
Il est nécessaire de progresser sur la dé-
termination de la confiance envers les
données d’entrée (fake news), sur la qua-
lité et l’exploitabilité des résultats, sur la
mise en place de solutions verticales pour
de grands domaines d’application et sur la
réduction de l’effort de paramétrage des
solutions de traitement du langage naturel
mises en œuvre...
Préserver les connaissances et le sa-
voir-faire est toujours un véritable enjeu
pour la pérennité d’une entreprise. Par
exemple, la valorisation d’une entreprise
(ex. : sa cotation en bourse) repose de
plus en plus sur des actifs immatériels,
dont son patrimoine de connaissances.
Étant souvent diversifiées, délocalisées
et difficilement contrôlables, ces informa-
tions et connaissances stratégiques sont
aujourd’hui traitées et gérées par le biais
d’outils de gestion de la connaissance
(Knowledge Management - KM). Ce défi
que les institutions financières ont par-
fois abordé dans le passé reste porteur
de gains en productivité et en qualité
dans toute la chaîne de valeur. Cette ges-
tion des connaissances s’appuie souvent
sur des contenus analysés pouvant ainsi
être synthétisés dans des modèles, des
représentations sémantiques (ontologie,
graphe sémantique) ou graphiques, des
règles métier, etc.
De plus, les problèmes sont le passage
à l’échelle, la cohérence des bases, leur
maintenance et évolution dans la durée –
y compris la gestion de l’oubli, mais aussi
leur intégration avec des systèmes appre-
nant à partir de données, ce qui reste un
défi technologique non résolu à l’heure
actuelle. De plus, le cycle de vie de la ges-
tion des connaissances dans son sens
de savoir-faire tacite – subjectif, informel,
contextualisé, sous-jacentes à l’expé-
rience pratique – est difficile à identifier, à
capter, à traiter, à formaliser, à modéliser
et à transmettre et donc à capitaliser dans
un système informatique.
La difficulté n’est pas seulement dans la
collecte des données, mais aussi dans
la validation des informations produites,
tant pour l’accomplissement d’une tâche
que pour la prise de décision, et cela au
moment adéquat. Par exemple, en matière
de traduction de contenus, il reste des
progrès à faire sur la qualité des traduc-
tions qui demandent la plupart du temps
une relecture pour atteindre un niveau au-
torisant leur publication.
En parallèle, dans un cadre collaboratif mul-
tidisciplinaire, il est aussi nécessaire d’har-
moniser ces ressources informationnelles
et décisionnelles afin de permettre à des ac-
teurs de profils variés de pouvoir interroger
et de partager des sources documentaires,
85

à l’aide de leurs propres mots-clefs ou de
leurs propres concepts.
Enfin, de nombreuses réglementations
et directives régissent la gouvernance
des données financières. Certaines sont
d’ordre général, telle que l’entrée en vi-
gueur du RGPD en mai 2018, d’autres plus
spécialisées dans les domaines financiers,
telles que BSBC 239 qui cible en particulier
les données bancaires et MiFiD 2 qui am-
plifie le volume des données à sauvegarder
ou encore FRTB qui amplifie la quantité des
données de mesures risques.
L’IA est alors une réponse aux limites des
outils classiques de gestion de la quali-
té des données. En effet, les méthodes
conventionnelles consistent à définir des
règles de contrôle par des humains et les
programmer ensuite sous forme d’algo-
rithmes. Ces règles sont statiques. Elles
ne permettent pas l’apprentissage à l’ex-
ception de nouvelles conditions rajoutées
manuellement. Dès lors, ces systèmes ne
permettent de détecter que ce dont on a
connaissance et ne trouvent que ce que
l’on cherche. L’IA vise alors à rompre cette
logique de protocoles de contrôle définis a
priori par des règles de métiers et par l’ex-
périence des dysfonctionnements connus.
recommandations
Les solutions de gestion de la qualité des
données (Data Quality Management) ne
doivent pas être exclusivement basées
sur la gestion informatique de la donnée,
car elles doivent améliorer les processus
décisionnels visés. Avant toute mesure de
mise en œuvre, il est important de défi-
nir les objectifs et usages des données
à traiter en fonction des enjeux selon le
principe du «
fitness for use
» : dans cer-
tains cas, une tolérance à l’erreur est ac-
ceptable (comme des systèmes de recom-
mandation d’achat en B2C) alors que dans
d’autres (comme les systèmes critiques
ayant un impact juridique, médical, finan-
cier…), l’ensemble du système d’informa-
tion devra être traité avec la plus grande
rigueur. Il s’agit donc d’une problématique
liée au domaine métier et à l’usage :
• en amont, il faut que les producteurs de
données deviennent des sources quali-
fiées, voire certifiées. On parle alors de
cotation des sources ;
• en aval, il s’agit de fournir aux utilisa-
teurs tous les éléments utiles afin qu’ils
puissent en faire un usage pertinent et
durable.
Ensuite, il est nécessaire de distinguer de
manière automatique les données perti-
nentes du bruit, d’identifier la crédibilité et la
légitimité du producteur de la donnée et de
garantir son actualisation et sa mise à jour.
Si les humains n’éprouvent pas de réelles
difficultés à résoudre les ambiguïtés de
langage, il n’en est pas de même pour les
systèmes numériques qui ont besoin de
contextes sémantiquement explicites. Étant
une représentation formelle des connais-
sances d’un domaine, les ontologies ou les
graphes conceptuels permettent la défini-
tion d’un langage commun entre l’usager et
un expert métier. Cependant, la représen-
tation choisie a besoin d’être constamment
adaptée pour notamment être réutilisée et
répondre à de nouveaux usages tout en
garantissant la préservation de la consis-
tance lors de toute modification. Pour ré-
pondre aux enjeux décrits ci-dessus, les ou-
tils mis en œuvre sont les technologies de
traîtement de langage naturel, les techno-
logies du web sémantique et de l’OBDM
(ontology-based data management), la
86

traduction par approche statistique ou avec
apprentissage (neural machine translation)
et plus généralement les technologies de
gestion des connaissances.
Pour la traduction automatique, il est im-
portant de favoriser la mise à disposition
de grandes bases de contenus annotés et
traduits, facteur essentiel pour la perfor-
mance de ces systèmes. En particulier, il
faut soutenir les avancées dans les tech-
nologies de traîtement du langage natu-
rel, notamment en produisant des corpus
partagés pour les métiers de la finance,
de l’assurance et de l’asset management.
Enfin, mener des expériences mêlant ap-
proche sémantique pour la gestion des
connaissances et apprentissage sur des
contenus textuels, structurés ou non,
peut permettre de réduire les ambiguïtés
conceptuelles terminologiques au travers
de mécanismes de raisonnement.
On s’attend à voir émerger des produits
verticaux sur certains domaines métier :
par exemple sur la performance des fonds
financiers, la production automatique de
contrats, la préparation d’entretien, l’ana-
lyse de performance d’un réseau, etc.
Pour cela, casser les silos permettra de
fluidifier les échanges par un partage effi-
cace des données et des connaissances,
ce qui favorisera l’agilité.
Pour favoriser la collaboration et le par-
tage entre acteurs de disciplines dif-
férentes, la mise à jour des bases de
données hétérogènes, des outils de capi-
talisation des connaissances et des algo-
rithmes de corrélation et de fusion séman-
tique sont alors incontournables.
Enfin, la représentation et la visualisa-
tion des données et des connaissances
doivent être intelligibles pour un acteur
non expert en IA. Les résultats produits
doivent ainsi faire l’objet de traitements
spécifiques, appelés post-traitements,
dont le but est d’expliquer (voir DIP 15),
d’interpréter et de traduire ces résultats
sous forme de synthèses, graphiques,
rapports…
87

Focus
L’IA appliquée a
l’analyse de la
qualité des données
financières mise en
œuvre par Digitalent
Consulting
Afin de parvenir à détecter des anomalies
avant leur propagation dans le système d’in-
formation, Digitalent Consulting a développé
et mis en place auprès de grands groupes
du secteur bancaire trois axes de la qualité
des données. Le premier par le biais de pré-
dictions de la valeur attendue, un deuxième
par la création de nouvelles règles par le ma-
chine learning et le dernier par la détection
des déviations par rapport à l’ensemble des
données, c.-à-d. les outliers.
• Prédiction de la valeur attendue :
prendre un pas d’avance sur ce que de-
vrait être la donnée. Autrement dit, pré-
dire la valeur que devrait avoir la don-
née compte tenu de facteurs externes
la déterminant.
Prenons l’exemple d’une variation du
prix d’une transaction. Cette variation
peut avoir plusieurs raisons : une forte
volatilité sur le marché, un effet d’an-
nonce spécifique à cet actif ou encore
une erreur humaine.
En modélisant la variation des cours
boursiers par des modèles multi-fac-
teurs, la détermination d’un intervalle
tolérable d’évolution du prix de la tran-
saction est possible.
Une comparaison de la valeur prédite
à la valeur observée permet de déclen-
cher une alerte au-delà d’un certain
seuil de tolérance qui peut être lui-
même modélisé de façon dynamique.
• Définition de nouvelles règles par l’IA :
la seconde approche est d’utiliser l’IA
pour permettre de définir des règles non
connues par les experts métiers. Dans
ce cas, l’IA intervient comme un outil
d’aide à la décision permettant d’établir
de nouvelles règles.
L’utilisation d’arbres de décision ou
des méthodes de sous-espaces aléa-
toires et de bagging permet de mettre
en exergue des règles qui ne sont pas
encore mises en évidence.
Dans le cas des caractéristiques d’un
ordre de bourse, la typologie de l’ordre
est conditionnée par d’autres métadon-
nées telles que le délai d’expiration ou
les seuils de déclenchement.
Les algorithmes d’arbre de décision
nous ont permis de définir selon quelles
conditions un champ prendrait une va-
leur en fonction de la valeur des autres
champs. C’est là tout l’apport de l’IA qui
permet d’apprendre à partir des don-
nées historiques, supposées propres,
afin de mettre en avant des règles sur
des champs peu explorés, soit par leur
complexité ou par l’incapacité de définir
des règles sur l’ensemble des champs
caractérisant un ordre.
Évidemment, la mesure est de rigueur
dans l’IA. Il convient de pratiquer cette
démarche en deux temps. Un premier
en pur machine learning sur l’ensemble
des variables afin de libérer tout le po-
tentiel de l’IA. Et ensuite en calibrant,
sélectionnant ou remplaçant les déter-
minants qui ont du sens pour le métier.
D’où l’importance d’avoir une équipe
Data Science qui maîtrise la technicité
de l’IA et du métier des données sur
lesquelles elle est appliquée.
88

• Détection des outliers : en parallèle
à ces deux approches pour prédire la
valeur attendue et définir de nouvelles
règles par l’IA, d’autres méthodes non
supervisées permettent de ressortir
des observations inhabituelles.
Des algorithmes basés sur l’analyse
des distributions existent, tels que les
algorithmes d’Isolation Forest47
, SVM
adapté à la détection d’anomalies48
, le
Local Outlier Factor (LOF) qui utilise lui-
même l’algorithme k-nearest neighbors
(KNN) ou encore certains algorithmes
de minimisation de la covariance49
ou
d’estimation par noyau (Kernel Density
Estimation, méthode de Parzen-Rosen-
blatt).
Par la mise en pratique de toutes ces
règles, nous avons conclu que seule
une combinaison permettant le calcul
d’un score d’anomalie permet de don-
ner un résultat probant. En effet, cha-
cune des méthodes porte ses limites
et, par nature, n’est sensible qu’à cer-
tains signaux : déviation par rapport à
la valeur prédite, écart par rapport à la
distribution de la série, observation in-
habituelle…
La combinaison de tous les aspects
peut confirmer une alerte ou du moins
faire apparaitre de nouveaux compor-
tements par l’analyse prédictive de la
donnée.
Les limites d’une qualité de données in-
telligente et une transition vers l’IA qui
se révèle complexe.
Il ne fait aucun doute que l’IA peut ap-
porter une valeur ajoutée considérable à
47. Fei Tony Liu, Kai Ming Ting, and Zhi-Hua Zhou. 2012. Isolation-Based Anomaly Detection. ACM Trans. Knowl. Discov.
Data 6, 1, Article 3 (March 2012), 39 pages.
48. Estimating the support of a high-dimensional distribution Schölkopf, Bernhard, et al. Neural computation 13.7 (2001):
1443-1471.
49. Rousseeuw, P.J., Van Driessen, K. «
A fast algorithm for the minimum covariance determinant estimator
»
Technometrics 41 (3), 212 (1999).
l’analyse de la qualité de données. Toute-
fois, une transformation profonde de l’en-
treprise est nécessaire pour s’approprier
les outils, les maintenir et en interpréter
les résultats.
• Par ailleurs, il convient de détecter une
anomalie dès son arrivée dans le sys-
tème d’information plutôt que de la
constater a posteriori une fois stockée
et probablement déjà utilisée dans les
chaînes métiers. Cela implique l’im-
plémentation de la data science dans
toutes les étapes de vie de la donnée.
Comme toute technologie, elle ren-
contre de nombreux obstacles. Certains
sont d’ordre technique, comme l’acces-
sibilité qui reste limitée à l’IA. D’autres
existent pour des raisons plus structu-
relles, notamment là où les habitudes
de travail prédominent sur l’innovation.
La mise en place de l’IA pour l’analyse
de la qualité de données implique une
nouvelle conception, une nouvelle ap-
proche de mode de gestion de la don-
née et un maintien à jour des modèles.
89

DIP 17 : intégrer l’IA
dans le SI
L’intégration de l’intelligence artificielle
de façon industrielle dans un système
d’information n’est pas chose facile et re-
présente une difficulté majeure pour une
entreprise qui souhaite passer du stade
de POC50
ou MVP51
à une organisation en
pleine transformation numérique.
Cettetransformationrequiertlamiseenplace
d’un Système d’Information (SI) Cognitif,
c’est-à-dire un SI capable d’intégrer de façon
centralisée à la fois la donnée, structurée ou
non, et la connaissance métier pour proposer
des services intelligents exploitables par l’en-
semble des collaborateurs de l’entreprise, au
travers de moteurs de recherche sémantique
et de recommandation apprenant de «
next
best action
», d’outils intelligents d’analyse
de la donnée, d’assistants virtuels, etc.
En effet, dans le domaine de la finance et
des assurances, le volume des données tant
structurées que non structurées est gigan-
tesque. Dès lors, la capacité de traitement
est un facteur clé dans la réactivité et l’adap-
tation aux changements. Or, les investisse-
ments nécessaires ne sont pas à la portée
de la majorité des acteurs, induisant une dé-
pendance de l’industrie financière aux gros
pourvoyeurs de plateformes et infrastruc-
tures dont beaucoup sont étrangers.Ce SI co-
gnitif devra aussi pouvoir dépasser les fron-
tières de l’entreprise et se connecter à des
50. POC est l’acronyme pour « Proof Of Concept » (Preuve de concept).
51. Le terme MVP vient de l’anglais « Minimum Viable Product », soit Produit Minimum Viable en français. Ce concept
repose sur l’objectif de sortir d’abord un produit avec uniquement la fonction la plus attendue (la « Killer Feature »
ou la fonction qui tue) par un public cible, et de proposer le plus rapidement le MVP afin de le confronter au marché.
Une fois confronté au marché, on peut l’améliorer et l’enrichir via les méthodes de développement agile.
52. DSI : Direction des systèmes d’information.
fournisseurs externes de données, d’API co-
gnitives ou d’algorithmes. Ces fournisseurs
pourront être des éditeurs, prestataires,
clients, fournisseurs, partenaires, voire des
concurrents. Ce SI se place au centre d’un
écosystème riche, se transformant ainsi en
véritable cerveau évolutif de l’entreprise.La
force de ce dernier sera donc d’industrialiser
l’ensemble de la connaissance de l’organi-
sation et de s’interfacer à des collaborateurs
internes ou partenaires externes pour conti-
nuer à apprendre et fournir des services de
plus en plus riches, contextualisés, person-
nalisés et performants.
Cependant, il est important ne pas négliger
la dimension d’interprétabilité. En effet, l’ab-
sence d’explicabilité a des conséquences
fâcheuses. La première est la composabili-
té permettant d’ajuster les éléments pour le
bon fonctionnement d’un système. Si on ne
sait pas ce qui influe sur le résultat, on ne
sait pas quelles données sont utiles ou pas.
La seconde est l’adaptabilité, c’est-à-dire
la capacité à appliquer avec souplesse les
connaissances acquises dans un contexte
à un autre. Par exemple, un réseau entraîné
à analyser le langage humain depuis Wikipe-
dia peut complètement échouer à s’adapter
à un autre contexte, comme Twitter.
Enjeux
Les points critiques à la mise en place
d’un SI cognitif sont nombreux, mais nous
relèverons les suivants :
• La collaboration est parfois difficile entre
les métiers et la DSI52
: l’intelligence ar-
tificielle est le terme à la mode de la dé-
90

cennie et les promesses des éditeurs et
des prestataires de service ont convain-
cu les métiers à avancer souvent seuls
dans leurs expérimentations. Les axes
stratégiques business pour l’IA ne sont
souvent pas clairement définis, la gou-
vernance des projets d’IA n’est pas clai-
rement établie et des méthodologies de
priorisation des projets restent à définir.
•
Les flux de données, la gestion des
connaissances, les technologies et les mo-
dèles sont généralement silotés et deve-
nus souvent incompatibles entre métiers.
Le shadow IT cognitif a fait son appari-
tion, au détriment d’approches collégiales
permettant d’aboutir à des architectures
centralisées et optimales. En particulier,
les données non structurées distribuées
un peu partout dans l’organisation repré-
sentent environ 90 % des données de l’en-
treprise et restent inexploitées.
• Une urbanisation et un delivery spéci-
fiques : des systèmes basés sur des
technologies d’apprentissage machine
ne peuvent pas être industrialisés ou
mis en production comme des systèmes
classiques
; ceux-ci doivent être super-
visés en continu pour s’assurer que les
réponses qu’ils apportent restent opti-
males. Par ailleurs, de nombreux édi-
teurs proposent des solutions dans le
cloud qui deviendront incontournables
au moins pour l’entraînement des algo-
rithmes par de la GPU rare et chère ; on
parle alors de SI cognitif à la demande.
Piste de résolution et
recommandations
Pour répondre aux difficultés précédem-
ment soulevées, les recommandations
suivantes peuvent être mises en place :
• Pour ce qui est de la collaboration entre
les métiers et la DSI, il est nécessaire que
la DSI se positionne dans une approche
partenariale forte avec les métiers qu’elle
doit accompagner de façon très pédago-
gique, l’objectif étant de démontrer qu’un
SI cognitif centralisé est incontournable.
Nous pourrons par exemple noter comme
services offerts par la DSI aux métiers :
des formations d’acculturation à la Data
Science, à l’IA, aux solutions du marché,
des benchmarks, des ateliers de code-
sign, des rencontres avec d’autres entre-
prises d’autres secteurs, etc. ;
• En suivant l’exemple du groupe Schnei-
der Electric, il est nécessaire pour les
grands groupes ou industries de créer
un Comité Numérique au sein de leur
Conseil d’Administration.
• Pour ce qui est des données et connais-
sances, il est nécessaire pour l’entre-
prise de continuer à briser les silos afin
de fournir des données uniques, riches
et pertinentes aux métiers. Au-delà de
la donnée structurée, il sera néces-
saire de se focaliser sur les données
non-structurées (textes, documents,
images, etc.) par la création de bases
graphs centralisées exploitables par
des moteurs de recherche sémantique
ou des assistants virtuels intelligents.
• Finalement, pour ce qui est de l’urbani-
sation et du delivery spécifiques, la DSI
pourra identifier une urbanisation mul-
ticouche : couche applicative interne
(Outlook, CRM, etc.), couche IA on-pre-
mise avec orchestration et couche IA ex-
terne (avec anonymisation éventuelle)
se connectant aux solutions cloud du
marché ou autres partenaires via API.
Ce type de modèle pourra garantir la
sécurité des données et répondre aux
exigences réglementaires du marché.
• Pour la maintenance des solutions d’IA,
le SI pourra inclure des systèmes de su-
pervision garants de la robustesse des
algorithmes apprenants.
91

DIP 18 : prévenir
les cyber-risques
en couplant IA et
cyber-sécurité
Si l’impact de l’intelligence artificielle (IA)
sur l’industrie bancaire (banques de dé-
tails, de financement et d’investissement)
est aujourd’hui autant perçu comme une
véritable opportunité que comme une
source d’inquiétude (DIP 12), les liens
qu’entretiennent IA et cybersécurité sont
tout aussi ambivalents. Jetant un nouveau
regard sur la traditionnelle dialectique de
l’armure et de l’épée, l’IA semble offrir
tout à la fois de nouvelles stratégies de
cyber-protection que représenter de nou-
velles menaces.
Les murs tombent…
La sécurisation des systèmes informa-
tiques embarquant des IA doit s’adapter à
cette évolution. En effet, contrairement aux
approches traditionnelles qui défendent
les systèmes informatiques face à des
attaques ciblées et connues, un logiciel
à base d’IA peut apprendre en continu.
Cependant, si les progrès de l’IA ouvrent
des pistes de défense contre les logiciels
malveillants, c’est aussi de l’IA que pro-
viendront les prochaînes menaces. Dans
le cadre d’un schéma de certification strict
comme les Critères Communs53
, la mise en
œuvre d’une telle défense en profondeur
repose sur des hypothèses fortes concer-
nant l’environnement opérationnel de la
cible qui se doit d’être «
de confiance ».
53. Ensemble de normes (ISO 15408) internationalement reconnu dont l’objectif est d’évaluer de façon impartiale la
sécurité des systèmes et des logiciels informatiques. Également dénommés Common Criteria, ce référentiel est né
d’un partenariat entre le Canada, les États-Unis et l’Europe (Wikipédia).
Cette disjonction du «
dedans
» et du «
de-
hors
» et la gestion indépendante de ces
deux périmètres convenaient pour des sys-
tèmes peu connectés, présentant des API
minimalistes et préservés de potentielles
mises à jour après la conception ou le dé-
ploiement. Or, pour de nombreux systèmes,
la définition même d’une telle frontière
s’avère aujourd’hui complexe et appauvrit
du même geste l’analyse de sécurité.
Il n’est donc plus possible de garantir la
sécurité par la limitation des interactions
possibles avec l’utilisateur (toujours vu
comme un attaquant potentiel). C’est en
effet de cette utilisation personnalisée et
adaptée aux besoins de chacun que les
nouveaux objets connectés et les nou-
veaux usages tirent leur valeur. Il faut ain-
si considérer que l’attaquant est inextrica-
blement lié à l’environnement proche du
système et qu’il dispose de multiples de-
grés de liberté pour éprouver les défenses
protégeant les secrets et informations
sensibles que le système renferme.
Enjeux
Apprendre l’environnement : le normal et
le pathologique.
Depuis quelques années, l’IA, et plus par-
ticulièrement les techniques d’apprentis-
sage, est utilisée par des entreprises pour
identifier les vulnérabilités de leur système
informatique et détecter ou anticiper des
cyberattaques. La détection d’incidents ou
d’événements anormaux devient donc une
fonction requise. De multiples sondes ou
capteurs sont aujourd’hui déployé(e)s tant
sur ces systèmes embarqués (comme
les puces) que sur les systèmes IT avec
92

comme première intention d’acquérir des
données de reporting fonctionnel ou en-
core en vue d’adapter le fonctionnement
du système à l’environnement (nombre de
transactions, etc.). Cependant, ils peuvent
aussi agir en complément de sondes dé-
diées à la sécurité en fournissant dans
certains cas des indices de compromis-
sion (conditions d’utilisation anormales,
activités suspectes). L’agrégation et la va-
lorisation de ces multiples signaux de na-
tures hétérogènes représentent un enjeu
technologique majeur.
Cependant, si l’IA fournit des outils à la
fois pour la défense, une attaque basée
sur de l’IA peut adapter son comporte-
ment et prendre des décisions en fonction
de la cible et de la réponse de cette der-
nière à l’attaque. Par ailleurs, une IA est
capable de paralléliser plusieurs scéna-
rios d’attaque et sur différents fronts afin
de compromettre le système ciblé. Citons
par exemple l’utilisation des faiblesses
des approches de machine learning (les
données) par les cybersattaquants qui
peuvent ainsi développer des modèles
d’adversarial machine learning pour trom-
per les systèmes de protection reposant
sur du machine learning dont l’objectif est
de détecter les menaces.
recommandations
Les méthodes d’apprentissage automa-
tique ainsi que les techniques de fusion sé-
mantique permettant la corrélation de don-
nées et de connaissances apparaissent
ici comme le candidat de choix permettant
de rendre intelligible des événements de
sécurité complexes, dont l’interprétation
n’est permise que par la «
digestion
» de
grandes quantités de données émanant
de ces multiples capteurs. Cette analyse
permet à la fois d’intégrer des indices de
compromission faibles jusqu’ici ignorés et
de créer une cohérence dans la multitude
des signaux analysés permettant d’amé-
liorer l’efficacité de détection. Outre une
confiance accrue dans la détection (ré-
duction des faux positifs/négatifs), l’IA
permet aussi d’enrichir le diagnostic – et
non plus seulement de lever des alarmes
– par une analyse prédictive afin d’offrir de
plus larges marges de manœuvre quant à
l’action à entreprendre face à l’événement
détecté.
Dans le contexte embarqué, comme pour
celui des puces, l’accélération matérielle
d’opérations de classification par rapport
à un modèle d’apprentissage permet une
détection en temps réel d’événements
anormaux telle une attaque cyberphysique.
Cette détection d’attaque à faible latence
peut s’avérer cruciale lorsque l’intégrité
d’informations boursières est mise à mal.
La détection et la réaction doivent être ef-
fectives en quelques nanosecondes, ce
qui est l’apanage des accélérateurs maté-
riels. L’intelligence artificielle embarquée
se doit d’être tout à la fois légère et de
confiance.
En complément de l’établissement de
nécessaires capacités de résilience et
de l’analyse de flux renforcée par les
méthodes d’apprentissage automatique
au niveau des couches réseaux et des
couches supérieures, il devient nécessaire
de développer des méthodes de détection
en temps réel au niveau des couches les
plus profondes des systèmes d’informa-
tion (couches matérielles). L’objectif est
alors de circonscrire la menace en son
cœur avant que les effets néfastes ne se
fassent sentir et de prendre l’avantage sur
l’attaquant en adaptant dynamiquement
93

les politiques de sécurité (défensive, ana-
lytique, déception, offensive…) en fonc-
tion de l’anatomie de l’attaque.
Dans le contexte IT, même si l’usage de
l’IA au service de la cybersécurité est au-
jourd’hui centré sur l’identification des vul-
nérabilités d’un système et la détection de
comportement anormal pour détecter des
attaques, cela reste encore une démarche
réactive. Il est nécessaire d’aller vers une
cybersécurité proactive offrant des mé-
canismes automatiques d’anticipation,
voire vers une cybersécurité prescriptive
permettant l’automatisation de confine-
ment d’une attaque ou des solutions de
résilience prenant en compte l’impact de
l’attaque et le coup de la remise en l’état.
Enfin, il convient de travailler sur la cyber-
sécurité des composants/systèmes qui
embarquent de l’IA et sur d’éventuelles cy-
berattaques pouvant elles-mêmes être ba-
sées sur des techniques d’IA. Cela pose
en particulier pour les IA à base de ma-
chine learning les questions de la qualité
de la base d’apprentissage (DIP 16) et de
la robustesse vis-à-vis d’approches telles
l’adversarial machine learning.
94

2.5TRANSPOSITION DES
BONNES PRATIQUES DES
AUTRES SECTEURS AU
MONDE DE LA FINANCE
Les avancées de ces dernières années en
intelligence artificielle (IA), permettant de
prédire, d’anticiper et d’optimiser compor-
tements et processus métiers et dotant
la machine de capacités d’apprentissage,
de raisonnement et de décision, ont per-
mis la mise en œuvre de systèmes aux
résultats prometteurs dans des domaines
comme la santé, la mobilité, la ville, la sé-
curité, l’industrie et l’entreprise.
De nombreuses applications sont au-
jourd’hui opérationnelles. Citons le
ciblage publicitaire, la détection de com-
portements suspects dans des lieux
publics grâce à la vidéosurveillance, la
lecture automatique de comptes rendus
médicaux complétée par la recommanda-
tion de prescription ou encore le support
à la résolution de problèmes complexes
comme la gestion du trafic urbain tenant
compte d’incidents et de contraintes éco-
logiques…
Ainsi, dans le domaine de la santé, l’IA
permet de libérer médecins et personnels
médicaux de tâches sans valeur ajoutée
pour leur permettre de consacrer plus de
temps aux patients. Les radiologues uti-
lisent déjà depuis des années des «
CAD
»
(systèmes d’aide au diagnostic) pour aider
à détecter ou caractériser des lésions.
Le domaine de la mobilité connaît une
profonde mutation grâce à l’utilisation
massive de l’IA. Par exemple, que ce soit
dans les transports terrestres, aériens
ou maritimes, l’amélioration de la quali-
té de l’information fournie à l’utilisateur
(voyageur, exploitant, autorité) permet
d’améliorer la qualité des opérations
: qu’il s’agisse de la régulation du tra-
fic, de la logistique pour l’opérateur de
contrôle ou de supervision, de la billet-
tique, de l’information des voyageurs ou
encore de la sécurité pour les usagers.
CityMapper (à Londres, Berlin, Tokyo, Pa-
ris, New York) ou Moovit (dans 100 villes
à travers le monde) sont des exemples
d’applications au service de la mobilité
qui permettent le calcul en temps réel du
meilleur itinéraire, selon différents mo-
des de transport.
La ville devient aussi le terrain de jeu de
l’IA en proposant des services plus en
plus individualisés. Les administrations
peuvent anticiper les besoins en ser-
vices administratifs des ménages pour
proposer des activités adaptées à cha-
cun. Par exemple, au nord de Londres,
Amélia est un agent conversationnel qui
accompagne les habitants dans leurs
démarches auprès des services muni-
cipaux. En Norvège, les habitants de
Kongsvinger peuvent utiliser un chatbot
pour connaître le nombre de places en
crèche ou les spécialités des hôpitaux de
la ville.
En étudiant ainsi différents retours d’ex-
périence de mise en œuvre de technolo-
gies à base d’IA dans la santé, la mo-
bilité, la ville intelligente, l’industrie et
l’entreprise, l’objectif de ce chapitre est
de mettre en exergue des innovations et
de bonnes pratiques transposables aux
métiers de la banque. De plus, une ou-
verture vers d’autres domaines facilitera
la levée de certains verrous décrits dans
les sections précédentes et d’accélérer
le déploiement le l’IA dans le monde de
la finance.
95

Santé :
l’hospitalisation à
domicile
La HAD (Hospitalisation À Domicile) est une
alternative à l’hospitalisation classique qui
existe depuis une cinquantaine d’années,
mais qui reste mal connue. Un département
sur cinq ne dispose d’aucune structure
d’accueil de ce type. Pourtant, cette solu-
tion permettant le maintien à domicile est
plus économique qu’un séjour à l’hôpital.
Il s’agit d’assurer des soins chez le patient.
Les actes médicaux sont équivalents à ceux
réalisés à l’hôpital et, à l’exception de la psy-
chiatrie, toutes les spécialités peuvent être
concernées, même les plus lourdes comme
la cancérologie ou les soins palliatifs. Les
soins nécessités par les grossesses à
risques peuvent également avoir lieu dans
le cadre de la HAD. Les soins sont donc
conséquents, ce qui différencie la HAD des
simples soins à domicile dispensés par les
infirmières libérales. En 2007, on comptait
200 structures d’hospitalisation à domicile
en France, ce qui représente l’équivalent de
7 000 lits ou encore de 70 000 patients. Ces
structures sont publiques ou privées, mais
répondent toutes à des normes très strictes.
Un objectif seuil de taux de recours à at-
teindre pour 2018 est fixé à 30-35 patients
pris en charge par jour pour 100
000 habi-
tants (ce seuil était de 18,5 patients par
jour en 2014), ce qui correspond au dou-
blement de l’activité globale constatée en
2011, sachant que les efforts à produire
sont inégaux selon les régions. Ces objec-
tifs impliquent une évolution de l’ensemble
de l’offre sanitaire. Aujourd’hui, le ratio est
de 18 patients pour 100
000 habitants, in-
suffisant selon la présidente de la Fédéra-
tion Nationale des Établissements d’Hospi-
talisation à Domicile (FNEHAD).
• Côté médical : l’analyse de cette situa-
tion a conduit les professionnels à réflé-
chir sur les points suivants :
• prévoir une check-list des informations
données lors des transmissions entre
équipes ;
• revoir les modalités de formation sur
les nouveaux matériels et notamment
sur la vérification des éléments né-
cessaires pour leur utilisation sécuri-
sée ;
• revoir les modalités du double contrôle ;
• diffuser ce retour d’expérience à l’en-
semble de la communauté hospita-
lière pour sensibiliser chaque acteur
à cette problématique ;
• inciter les professionnels à changer
de matériel lorsque leur maitrise n’est
pas optimale.
• Côté patient : être dans son cadre per-
sonnel aide à guérir et favorise un réta-
blissement rapide.
Perspectives et futures
innovations
La mise en place de telles fonctions per-
mettrait d’apporter plus de services et de
confort aux personnes âgées et isolées
tout en revitalisant certaines zones et en
créant des emplois.
Transposition au monde de la
finance
• L’individualisation de l’offre de produit
ou service.
96

Mobilité :
l’optimisation du
trafic
Optimiser la coordination des feux de signa-
lisation est un problème complexe en milieu
urbain : le réseau routier est dense et maillé,
avec de faibles inter-distances entre les car-
refours, surtout lorsque l’on cherche à conci-
lier sécurité routière, libre écoulement du
trafic et réduction des pollutions sonores et
atmosphériques. Pour cela, de nombreuses
villes ont développé des solutions d’IA par
apprentissage sur des données vidéo afin
d’analyser le trafic. À partir de cette connais-
sance en temps réel, des algorithmes d’op-
timisation combinatoire multicritère per-
mettent d’optimiser le contrôle les feux.
Enfin, avec une meilleure gestion de la cir-
culation et de la connaissance des places
de stationnement, il devient possible de dé-
congestionner les « zones d’affluence » vers
lesquelles convergent les automobilistes à
la recherche d’un emplacement de parking.
De nombreux systèmes existent. Citons le
système GERFAUT (Gestion et Exploitation
des Régulations des Feux AUTomatisés)
déployé en Seine–Saint-Denis, qui prend
en charge la régulation de plus de 600 car-
refours à feux, limitant les nuisances des
congestions routières. La priorité est don-
née au développement de l’intermodalité
– tous les transports collectifs (tramways
et bus) sont prioritaires aux traversées de
carrefours – et à la gestion efficace des
pics de trafic autour des sites du Salon du
Bourget et du Stade de France. Des pan-
neaux d’information dynamique sont dé-
ployés au profit des usagers. De même, à
Bordeaux, le système Gertrude détermine
de manière dynamique les différentes
phases d’évolution des feux.
Avec un réseau de capteurs de trafic, de
vidéotrafic et de stations météorologiques,
il devient donc possible d’assurer une
connaissance permanente du contexte. En
effet, les techniques d’analyse vidéo per-
mettent de calculer en temps réel des in-
dicateurs sur le trafic comme le volume, la
vitesse d’un véhicule, la densité, le temps
inter-véhiculaire, la vitesse du flux, mais
aussi de détecter des événements anor-
maux qui ont un impact sur la fluidité (et la
sécurité) comme les véhicules à l’arrêt, les
conducteurs à contresens, les accidents...
La logique floue peut être utilisée pour dé-
terminer le temps d’un feu en fonction du
nombre de véhicules présents sur les voies
: à un nombre de véhicules correspond un
intervalle définissant une durée de feu.
L’apprentissage permet de définir des mo-
dèles de prédiction et d’estimer l’évolution
d’une situation observée. Les algorithmes
d’optimisation combinatoires basés sur les
observations comme les algorithmes évo-
lutionnaires sont adaptés pour monitorer
en temps réel les paramètres des plans
de feux. On peut penser aussi à des ap-
proches de type optimisation black-box
comme CMAES. Enfin, le couplage avec
des simulations de trafic (ex. SUMO – Si-
mulation of Urban Mobility) offre la possibi-
lité de faire des analyses de type « what if ».
innovations
L’innovation est incrémentale et les pre-
mières études couplant IA et recherche
opérationnelle datent des années 80. Au-
97

jourd’hui, l’innovation vient du couplage
avec l’apprentissage pour rendre dyna-
mique le calcul des plans de feux qui
étaient jusqu’à peu statiques.
Cependant, avec l’arrivée des voitures
connectées, on peut imaginer des inno-
vations de rupture, permettant des plans
de feux adaptatifs. Avec le co-voiturage
et le développement de nouveaux modes
de circulations (tramway, vélo, trottinette,
voitures autonomes), la route intègrera de
nouvelles formes de mobilité et de nou-
veaux modes de transport. Elle devient
multimodale. Face à cette évolution, l’AI
devra rendre la route plus fluide. Elle doit
aussi être accessible à tous et à toutes
les formes de mobilité.
De plus, dans ce nouveau paysage rou-
tier et urbain, les équipements de la route
ont un rôle évident à jouer pour garantir
la sécurité, la fluidité et l’accessibilité des
déplacements de tous les usagers, sur la
route et en agglomération. De façon plus
générale, avec l’application de l’IA à la vi-
déosurveillance de la ville, il devient pos-
sible d’analyser et exploiter en temps réel
ces flux de données pour alerter les forces
de l’ordre connectées et faire ainsi de la
« Smart City » une « Safe City ».
finance
• Optimisation et aide à la décision mul-
ticritère temps réel, prenant en compte
le contexte.
98

Smart City : le
e-gouvernement
L’UNESCO a défini l’e-gouvernement comme
«
l’utilisation par le secteur public des TIC
dans le but d’améliorer l’information et la
prestation de services, en encourageant la
participation des citoyens dans le proces-
sus de prise de décision et amener le gou-
vernement à rendre des comptes, à être
plus transparent et plus efficace
». L’usage
de chatbots pour faciliter les échanges
entre les services de l’État et les citoyens
se concrétise, contribuant à l’amélioration
de la relation avec le citoyen en répondant
aux demandes d’accès à l’information ou en
élaborant des politiques. De plus, l’usage
d’outils d’aide individualisée doit permettre
une dématérialisation des procédures admi-
nistratives avec pour but la simplification des
échanges,latransparenceetlaréductiondes
litiges entre l’administration et les citoyens,
quel que soit le canal utilisé (portail web,
courrier, mail, guichet unique, e-formulaires,
services mobiles…). La dématérialisation de
la commande publique permet de concilier
le développement de l’administration élec-
tronique et la lutte contre la corruption. Pour
cela, des outils d’aide à la décision multicri-
tère peuvent comparer plusieurs alternatives
(offres d’un marché public, choix d’aména-
gement du territoire, tracés routiers, etc.)
tout en prenant en compte les incertitudes
et la maîtrise des risques en exploitant la
connaissance et le retour d’expérience.
Au Danemark, 80 % des transactions entre
l’administration et le citoyen sont depuis
2015 effectuées en ligne. De nombreux
exemples de chatbots existent. Marseille a
expérimenté «
Marius VDM
» pour répondre
instantanément aux questions récurrentes
de ses habitants, complétant les services ci-
toyensenrépondantàdesdemandessimples
et administratives comme les horaires d’ou-
verture, la localisation des bureaux de vote,
les documents à apporter, etc. L’aggloméra-
tion de Lyon a mis aussi en place un service
d’assistance numérique afin d’améliorer l’ac-
cès aux services existants et d’intégrer les
acteurs privés d’intérêt général. Tommy est
le chatbot européen au service du citoyen,
chargé de collecter les idées et doléances
des citoyens. Enfin, certains organismes pu-
blics utilisent déjà des processus outillés de
Réponse à Appel d’Offres.
innovations
L’interaction Homme-Système devra être
de plus en plus individualisée et s’adap-
ter au profil de l’usager afin de réduire la
fracture numérique (ex. IHM adaptée aux
seniors). Le domaine de l’e-démocratie et
de l’e-gouvernance est un champ d’appli-
cation de l’IA, car il couvre la prise de déci-
sion démocratique, notamment les canaux
électroniques de consultation publique à
propos des décisions et des actions du
gouvernement. L’IA pourrait ainsi être utili-
sée pour analyser et compiler les proposi-
tions citoyennes.
finance
• La fidélisation, la transparence et la
proximité des clients ;
• La participation des clients à la gouver-
nance de leur banque/assurance ;
• Chatbots et coachs virtuels.
99

De la maintenance
préventive à la
maintenance
prédictive et
proactive
Quel que soit le domaine d’activité, la mise
en place d’une stratégie de maintenance
prédictive et proactive basée sur le pronos-
tic de risques de défaillance dans un ave-
nir proche, la planification d’interventions
avant l’arrivée de la panne et l’optimisa-
tion de la gestion des stocks de pièces de
rechange contribuent à réduire les coûts
de maintenance en ne mobilisant pas inu-
tilement des équipements.
La maintenance prédictive nécessite quatre
étapes essentielles :
• Collecter les données à l’aide de cap-
teurs et les centraliser pour pouvoir les
analyser ;
• Modéliser des schémas de panne, en
mettant au point des algorithmes qui
reconnaissent les signes avant-cou-
reurs ou les anomalies en se basant à
la fois sur un historique des pannes et
les connaissances métier, puis qui cal-
culent une estimation du temps de vie
résiduel (RUL – Remaining Useful Life) ;
• Concevoir des algorithmes qui ap-
prennent à reconnaître les nouveaux
événements et défaillances lorsqu’ils
surviennent. Cette étape permet de ne
pas se limiter aux seuls schémas de dé-
faillances connus, mais d’en ajouter de
nouveaux aux systèmes de diagnostic,
au fur et à mesure de la collecte d’infor-
mations ;
• Optimiser la production et la gestion
des stocks de pièces de rechange,
mais aussi la planification des services
de maintenance.
La maintenance prédictive est une «
killer
application » de l’IA. Cependant, pour l’op-
timisation, la production et la gestion des
stocks de pièces de rechange, la planifica-
tion des services de maintenance, il s’agit
surtout d’innovation incrémentale. Pour
l’aide au diagnostic et l’estimation du RUL,
il s’agit d’une innovation de rupture, car
on observe un changement de paradigme
passant de la maintenance préventive
(planifiée à intervalle régulier) à la mainte-
nance prédictive. Enfin, peu d’approches
de maintenance prédictive prennent au-
jourd’hui en compte la cybersécurité qui
devient incontournable lorsqu’il s’agit de
maintenir un système critique. De plus, la
disponibilité et la propriété des données
sont aussi des points de blocage, car
l’opérateur de maintenance n’a pas tou-
jours accès à l’ensemble des historiques.
Citons trois exemples de déploiement de
solutions de maintenance à base d’IA :
• Air France – KLM : en exploitant les his-
toriques de vol des A-380 et des atterris-
sages à Paris, il est aujourd’hui possible
de détecter une panne possible en moins
d’une heure et d’établir son diagnostic
en cinq minutes au lieu de six heures ;
• Avec un moteur d’analyse prédictive
des données de ses rames connec-
tées du Transilien, la SNCF cherche
non seulement à télé-diagnostiquer les
pannes, mais aussi les prédire dans
les 30 minutes ;
• La maintenance prédictive des ascen-
seurs ThyssenKrupp repose sur une
analyse en temps réel des données,
100

comme celles du fonctionnement des
portes et de la température du moteur,
qui sont injectées dans des modèles
prédictifs dynamiques.
Hybridation des IA : une
nouvelle perspective
Un des processus clés de la maintenance
proactive est le pronostic de dégradation/
défaillance des composants et des per-
formances du système/composant : soit
directement calculé par apprentissage sur
un historique d’usage, soit par modélisa-
tion de la causalité dysfonctionnelle. Ain-
si, l’hybridation de techniques d’IA dirigée
par les données avec des techniques d’IA
basée modèle est un vrai défi qui enrichit
l’apprentissage avec des règles métier.
De plus, les techniques TAL (Traitement
automatique du langage) permettraient
d’automatiser la découverte de nouvelles
connaissances par analyse automatique
des rapports de maintenance.
L’usage de RA/RV (Réalité Augmentée/
Réalité Virtuelle) permet aujourd’hui de ne
pas envoyer systématiquement des opé-
rateurs de maintenance seniors, mais de
pratiquer la maintenance en mode déporté.
Passer au zéro arrêt imprévu :
une priorité pour l’industrie ou
pour les systèmes critiques
Les temps d’arrêt imprévus des machines
coûtent cher à l’industrie ou aux opéra-
teurs de systèmes critiques (transport,
énergie…). Ainsi, la sûreté de fonction-
nement et la cybersécurité industrielle
doivent se côtoyer pour identifier et ana-
lyser les risques de pannes, puis propo-
ser une aide à la résolution du problème
par un ensemble de mesures appropriées,
soit en faisant appel à l’homme, soit en
réalisant l’action par elles-mêmes.
De plus, pour optimiser la production, la
gestion de flotte et/ou les opérations de
maintenance, il est nécessaire de déve-
lopper des technologies permettant des
approches prédictives et proactives.
finance
• La couverture de sinistre en temps réel
calculé par l’IA prédictive avec une ré-
percussion sur les compagnies de réas-
surance ;
• Le pricing en temps réel ;
• Gestion des risques (credit scoring).
101

L’aide au recrutement
Selon Harvard Business Review, les éva-
luations automatiques de CV seraient 25
% plus fiables que les analyses classiques
RH, l’IA permettant d’étudier plus de can-
didatures. Ainsi, le processus RH le plus
mature en termes d’utilisation de l’intelli-
gence artificielle est le recrutement, tant
dans le ciblage de candidats (traitement
d’une masse d’informations structurées
[bases de CV, data LinkedIn] ou non struc-
turées [réseaux sociaux personnels et pro-
fessionnels]) et l’optimisation des offres
et descriptions de postes (analyse des
taux de réponses des candidats) que dans
l’industrialisation de la présélection (ana-
lyse d’entretien vidéo).
Au-delà de l’optimisation et/ou de la mas-
sification des traitements, de nouveaux
acteurs apparaissent, intégrant les as-
pects de localisation et de réactivité liés
au déploiement d’offres de services ponc-
tuelles et urgentes, apportant une sou-
plesse permettant de répondre à la fois
au besoin de réactivité des entreprises,
mais également à l’évolution du marché
de l’emploi et l’augmentation du temps
partiel multi-employeur.
À ce jour, il s’agit principalement d’évolu-
tion incrémentale permettant de traiter plus
de CV et de garantir l’homogénéité des cri-
tères de sélection de premier niveau.
Certains sites de recrutement comme
Inzejob ou les réseaux sociaux profession-
nels comme LinkedIn ou Viadeo corrèlent
des profils avec des offres d’emploi qui ne
correspondent pas uniquement au métier,
mais aussi à des compétences transfé-
rables.
Des applications ont déjà été déployées.
Citons Proxem, Remo Platform et Yatedo
Talent qui proposent déjà des solutions
pour optimiser le traitement des profils, le
sourcing des candidats et la mobilité in-
terne.
Enfin, dans certains cas, une disrup-
tion est apportée sur des applications
de niche, par exemple des applications
smartphone traitant de besoins en res-
sources urgentes et très rapides asso-
ciées à de la géolocalisation (restauration,
manutention…)
innovations
Les RH ne sont pas un métier de la don-
née, bien plus un métier de l’humain :
une erreur de la machine peut impacter
fortement la vie d’un candidat ou d’un
collaborateur, il existe donc là un fort
risque éthique. La transparence des al-
gorithmes intégrant des principes de
loyauté, de neutralité, de simplicité et
d’explicabilité est essentielle, les RH ne
pouvant appuyer leurs décisions sur des
algorithmes dont ils ne peuvent expliciter
les résultats.
finance
• Matching cognitif et empathique entre
le client et le conseiller financier.
• Matching entre employés et les membres
des équipes.
102

2.6 POINTS SAILLANTS
JURIDIQUES
Propriété des
données et des
algorithmes
Le Conseil d’État préconisait l’adoption d’un
système fondé sur l’auto-détermination infor-
mationnelle (issu de la jurisprudence consti-
tutionnelle allemande), c’est-à-dire un droit
attaché à la personne tendant à garantir « en
principe la capacité de l’individu à décider de
la communication et de l’utilisation de ses
données à caractère personnel
» et non un
système fondé sur le droit de propriété des
personnes sur leurs données personnelles.
Cette thèse a prospéré puisque la loi pour
une République numérique a modifié l’ar-
ticle 1 de la loi de 1978 qui dispose dé-
sormais :
« Toute personne dispose du droit de
décider et de contrôler les usages qui
sont faits des données à caractère
personnel la concernant, dans les
conditions fixées par la présente loi. »
L’article 57 de cette loi dispose par
exemple de l’existence d’un droit d’accès
des personnes aux données les concer-
nant. Il existe également un droit à l’oubli
numérique (CJUE, Google Spain, 13 mai
2014 précitée). Au contraire, le droit de
propriété des personnes sur leurs don-
nées personnelles n’a pas été reconnu.
NB : il existe parfois de facto une obliga-
tion de révéler ses données, certaines
données de santé devant par exemple né-
cessairement être dévoilées afin d’obtenir
une assurance.
103

Propriété des bases
de données
La directive n° 96/9 du Parlement eu-
ropéen et du Conseil du 11 mars 1996
concernant la protection juridique des
bases de données vise à accorder à ces
dernières une protection sur le fondement,
d’une part, du droit d’auteur quand cette
base est originale (art. 3 et suivants de
la directive précitée) et, d’autre part, d’un
droit sui generis quand la constitution de
cette base résulte d’un effort substantiel
d’investissement (art. 7 et suivants de la
directive précitée).
Ainsi, cette protection est fondée sur la
«
notion d’investissement plus proche de
la logique anglo-saxonne du copyright que
de celle, française, de protection par l’ori-
ginalité de la création ». À ce titre, peuvent
être interdites l’extraction et la réutilisa-
tion massive de données issues d’une
base de données protégée (art. 7 précité).
Cette directive est transposée aux articles
L. 341-1 et suivants du Code de la Proprié-
té Intellectuelle.
Certains critiquent le développement de
cette appropriation, car il représenterait
un frein à la libre concurrence et au big
data. En effet, «
certaines activités étant
principalement assises sur l’exploitation
de données, il est possible d’empêcher un
concurrent potentiel d’entrer sur le mar-
ché́ en le privant de données indispen-
sables à son développement54
». Ainsi, ce
système pourrait représenter un frein au
54. La propriété intellectuelle et la transformation numérique de l’économie, INPI, (2016)
55. Voir par exemple F. POLLAUD-DULIAN, Abus de positions dominantes. Droit exclusif. Refus d’accorder une licence.
Bases de données. Infrastructures ou installations essentielles. RTDCom 2004, p. 491.
développement de l’intelligence artificielle
qui se nourrit de données. Cependant, le
droit de la concurrence et notamment la
théorie des facilités essentielles sont de
nature à limiter cette impossibilité d’accès
au marché55
.
104

Propriété des
algorithmes
Propriété littéraire et
artistique
En tant que principe mathématique, l’algo-
rithme relève du domaine des idées qui
sont de libre parcours et non protégeables
par le droit d’auteur. «
Les algorithmes ne
sont pas des programmes d’ordinateurs
et constituent des modèles informatiques
trop abstraits pour être protégés par le
droit de la propriété intellectuelle
; ce
n’est qu’en cas de mise en forme des al-
gorithmes originaux que la protection par
le droit d’auteur pourra être envisagée ».
La Directive 91/250/CEE du Conseil, du
14 mai 1991, concerne la protection juri-
dique des programmes d’ordinateur. Dans
son considérant n° 14, celle-ci indique
«
(…) que, en accord avec ce principe du
droit d’auteur, les idées et principes qui
sont à la base de la logique, des algo-
rithmes et des langages de programma-
tion ne sont pas protégés en vertu de la
présente directive ».
Le droit d’auteur ne permet donc pas de
protéger les algorithmes. Ils peuvent néan-
moins être protégés par l’intermédiaire
des logiciels auxquels ils s’incorporent
(CJUE 2 mai 2012, aff. C-406/10, SAS
Institute c/World Programming), si et seu-
lement si ces logiciels sont originaux (Civ.
1ère
, 14 nov. 2013, n° 12-20.687).
En revanche, n’étant pas protégés direc-
tement, rien ne s’oppose à ce que les uti-
lisateurs qui parviennent, de façon licite,
à comprendre les algorithmes incorporés
dans le logiciel puissent les répliquer
(CJUE 2 mai 2012, aff. C-406/10, SAS
Institute c/World Programming). Cepen-
dant, cela a une influence bien moindre
dans le domaine de l’intelligence artifi-
cielle puisque le degré de complexité et la
diversité des influences sont tels qu’il est
en pratique difficile de réaliser un procédé
de « reverse engineering ».
Propriété industrielle
Le droit français des brevets ne permet
pas non plus de protéger les algorithmes,
car, en vertu de l’article L. 611-10 du code
de la propriété intellectuelle :
« 1. Sont brevetables, dans tous les
domaines technologiques, les inven-
tions nouvelles impliquant une acti-
vité inventive et susceptibles d’appli-
cation industrielle.
2. Ne sont pas considérées comme
des inventions au sens du premier
alinéa du présent article notam-
ment :
a) Les découvertes ainsi que les théo-
ries scientifiques et les méthodes
mathématiques (...) ».
Néanmoins, en droit européen, un algo-
rithme peut être brevetable à condition
qu’il soit intégré à une invention brevetable
et lui apporte une contribution technique.
Concernant les logiciels, la jurisprudence
européenne ne semble pas apporter de
réponse constante à la question de savoir
si ceux-ci peuvent être considérés comme
une invention au sens de la Convention
sur le Brevet Européen (ci-après CBE).
En tout état de cause, il faut qu’il existe
105

une invention comprenant un algorithme
pour que ce dernier puisse être protégé.
Cette protection n’est pas accordée très
fréquemment. L’avantage est que, lors-
qu’un algorithme est protégé par un bre-
vet, il l’est au même titre que l’invention
brevetée. L’inconvénient est que breveter
un algorithme implique de dévoiler son
fonctionnement.
Certains brevets intégrant de l’IA sont dé-
posés par des créateurs de startups dans
le seul but de valoriser leur entreprise.
Plusieurs de ces brevets sont « faibles » et
ne résistent pas à une action judiciaire, la-
quelle est néanmoins onéreuse en ce do-
maine. On peut rédiger les revendications
d’un brevet de sorte que l’intelligence ar-
tificielle soit couverte par la protection du
brevet. L’algorithme doit figurer dans la
demande de brevet pour être protégé par
le brevet, et ce dans la limite de l’inven-
tion à laquelle il s’intègre. Or, cela fige l’al-
gorithme, par définition susceptible d’évo-
lution. Par ailleurs, il peut être préférable
dans certains cas de ne pas divulguer l’al-
gorithme et de le garder secret.
Secret des affaires
Le secret des affaires a été envisagé pour
pallier l’absence de protection directe
des algorithmes. La directive 2016/943
du parlement européen et du conseil du
8 juin 2016 est venue harmoniser les dif-
férentes législations nationales relatives
au secret des affaires. La responsabilité
contractuelle des contractants ou délic-
tuelle des tiers en cas de parasitisme ou
de concurrence déloyale peut être enga-
gée en cas de violation du secret des af-
faires. Cette protection est limitée au cas
où l’information protégée est obtenue il-
licitement. L’administration de la preuve
n’est pas aisée en cette matière, ce qui
limitera la protection apportée au déten-
teur d’algorithme. En outre, ce dispositif
ne permet pas de protéger un algorithme
lorsqu’il fait l’objet d’un processus de re-
verse engineering licite (cf : CJUE 2 mai
2012, aff. C-406/10, SAS Institute c/
World Programming). Pour bénéficier de la
protection, l’algorithme doit être secret,
présenter une valeur commerciale et avoir
fait l’objet de mesures de protection rai-
sonnables.
Quelle que soit la protection retenue, cer-
taines données mises en œuvre par un
algorithme ne devaient pas pouvoir faire
l’objet de protection dès lors que de telles
données sont publiques et ont été néces-
saires à la création de l’algorithme.
Modification du droit d’auteur
Une modification du droit d’auteur pour
protéger l’algorithme serait, comme indi-
qué précédemment, contraire à la concep-
tion française du droit d’auteur qui est per-
sonnaliste. Le recours au droit voisin du
droit d’auteur serait plus défendable (voir
par exemple ci-dessous).
Création d’un droit voisin au
droit d’auteur
La protection d’un algorithme pourrait,
comme la protection juridique des bases
de données, se fonder sur l’effort subs-
tantiel d’investissement de son produc-
teur. Ce critère d’investissement pourrait
être repris à propos des algorithmes pour
leur assurer une protection juridique.
Rappelons que le producteur de la base de
données bénéficie notamment d’une pro-
tection sui generis dont l’objet est « d’as-
106

surer la protection d’un investissement
dans l’obtention, la vérification ou la pré-
sentation du contenu d’une base de don-
nées pour la durée limitée du droit
; que
cet investissement peut consister dans la
mise en œuvre de moyens financiers et/
ou d’emploi du temps, d’efforts et d’éner-
gie », selon le considérant n° 40 de la di-
rective n° 96/9 du Parlement Européen et
du Conseil, du 11 mars 1996 concernant
la protection juridique des bases de don-
nées, texte transposé en droit français par
loi n° 98-536 du 1er
juillet 1998 (voir ar-
ticles L. 341-1 et suivants du Code de la
propriété intellectuelle).
Propriété intellectuelle d’un
algorithme produit par une IA
La qualité d’auteur ne doit pas être recon-
nue aux robots. L’intervention humaine
est en effet l’essence même du droit d’au-
teur. En revanche, un droit voisin du droit
d’auteur est également ici envisageable.
Il faudrait toutefois «
veiller à enserrer le
droit spécifique dans des limites raison-
nables qui permettent de concilier la rému-
nération de l’investissement et le principe
selon lequel les idées et informations sont
de libre parcours. Il conviendrait de préciser
l’objet de la protection (définition des créa-
tions générées par ordinateur, distinctes
des créations assistées), la structure du
droit envisagé (droit exclusif ou droit à ré-
munération et ses modalités d’exercice
(gestion individuelle, gestion collective obli-
gatoire), l’étendue de la protection (reprise
à l’identique, partielle, substantielle
?), la
durée de ce nouveau droit, et les éven-
tuelles exceptions qui l’entourent56
».
56. A. LEBOIS, Maitre de conférences HDR à l’IEP de Rennes, Membre de l’IRDP, université de Nantes, Quelle protection
juridique pour les créations des robots journalistes, Communication commerce électronique, n° 1, décembre 2015,
étude 2.
107

La responsabilité
Déterminer la responsabilité
en cas de préjudice
Il est difficile d’imputer une responsabilité
juridique à une machine, mais cela est as-
sez logique et même souhaitable. L’idée
de créer une personnalité juridique au pro-
fit des robots est assez isolée et doit natu-
rellement être combattue. D’une part, elle
pourrait limiter la solvabilité du débiteur
robot et déresponsabiliser ses fabricants,
d’autre part, et c’est là l’argument essen-
tiel, il semble difficilement concevable en
occident, pour des raisons philosophiques
et/ou éthiques, de conférer un statut iden-
tique à un être humain et à une machine.
«
En toute hypothèse, la réparation ne se-
rait réellement garantie que par la couver-
ture du risque robotique par l’assurance, la-
quelle peut être souscrite par l’utilisateur/
propriétaire du robot sans qu’il soit utile de
faire du robot une personne juridique qui
devrait s’assurer contre son propre risque.
Ajoutons que l’admission d’une responsa-
bilité des robots intelligents eux-mêmes
pourrait avoir l’effet déviant de dérespon-
sabiliser les fabricants et utilisateurs qui
ne seraient plus incités à concevoir et utili-
ser des robots non-dangereux ou, à tout le
moins, maîtrisés dans leur environnement
si leur responsabilité personnelle pouvait
être écartée au profit de celle des robots57
».
Il est en revanche possible de déterminer
57. La Semaine Juridique Edition Générale n° 48, 24 Novembre 2014, doctr. 1231, Du robot en droit à un droit des robots,
Etude par G. LOISEAU professeur à l’École de droit de la Sorbonne (université Paris 1) et M. BOURGEOIS avocat au
Barreau de Paris, associé du cabinet KGA Avocats Robotique. Voir dans le même sens, A. MENDOZA-CAMINADE, Le
droit confronté à l’intelligence artificielle des robots : vers l’émergence de nouveaux concepts juridiques ? Rec. Dalloz
2016, p. 445.
a priori un ou des responsables (humains).
Une des difficultés en matière d’IA est que
de nombreux acteurs sont susceptibles d’in-
tervenir, lesquels ne se connaitront pas né-
cessairement. Les responsabilités peuvent
ainsi se trouver au niveau du choix des don-
nées d’apprentissage, de leur recueil et de
leur organisation, de la conception des algo-
rithmes, de la réalisation des logiciels, de
l’interface, voire de la partie matérielle…
Lorsqu’apparaitront des dommages, il est
probable qu’un recours à l’expertise sera
nécessaire. Dans certains cas, le système
pourra cependant se comporter d’une ma-
nière que n’auront pas pu prévoir les diffé-
rents acteurs ayant concouru à sa création.
Toute la question sera de déterminer si
cela est de nature à exonérer ces acteurs
de toute responsabilité. Il semble que plu-
sieurs de ces acteurs puissent avoir une
part de responsabilité, voire que les diffé-
rentes responsabilités puissent éventuelle-
ment être engagées de manière solidaire
(le mécanisme de jurisprudentiel de la res-
ponsabilité in solidum pourrait ici trouver
un nouveau terrain d’application).
Si l’objectif est purement indemnitaire, il est
possible de se rattacher à une approche « sta-
tutaire
», de type responsabilité sans faute,
où il s’agira de désigner a priori celui qui de-
vra payer en cas de dommage, à charge pour
lui de recourir à l’assurance.La propriété ne
saurait entraîner une responsabilité de prin-
cipe dès lors que l’intelligence artificielle fai-
sant fonctionner un système peut échapper
à son propriétaire, comme d’ailleurs à son
utilisateur (qui n’est pas nécessairement un
utilisateur volontaire, mais peut être contraint
108

d’utiliser le système). Une telle approche
pourrait en revanche se concentrer sur «
l’ex-
ploitant
» tirant de l’intelligence artificielle un
profit économique (certes parfois difficile à
identifier) et s’inscrire dans la théorie juri-
dique dite du «
risque profit
».
Ce recours à la notion d’exploitant a déjà
été utilisé. Il a par exemple été jugé par la
Cour de justice de l’Union européenne que
«
l’exploitant d’un moteur de recherche
(Google) sur Internet est responsable du
traitement qu’il effectue des données à
caractère personnel qui apparaissent sur
des pages web publiées par des tiers
»
(CJUE 13 mai 2014 affaire C-131/12
Google Spain SL, Google Inc. / Agencia
Española de Protección de Datos).58
»
Les dispositions actuellement applicables
semblent en tout cas d’un emploi malaisé.
La responsabilité du fait des choses comme
la responsabilité du fait des produits défec-
tueux apparaît néanmoins comme les plus
évidentes actuellement en la matière.
L’article 1242 du Code civil, al. 1er
dispose
eneffetquel’onestnotammentresponsable
« des choses que l’on a sous sa garde59
». La
notion de garde – qui suppose traditionnel-
lement usage, direction et contrôle – peut
poser problème d’autant que le logiciel in-
tégrant de l’IA peut être hors de contrôle du
gardien (par exemple s’il est intégré à un
objet connecté ou se met à jour tout seul,
etc.), mais la notion de garde « juridique » est
à explorer, celle-ci se fondant sur un titre juri-
dique (tel que la propriété). Toutefois, si l’on
se réfère à la garde juridique, il est clair que
c’est simplement dans le seul but de trouver
58. www.legavox.fr/blog/ipness/chronologie-jurisprudence-francaise-europeenne-concernant-15033.htm.
59. Voir notamment sur ce sujet : N. NEVEJANS, Traité de droit et d’éthique de la robotique civile, LEH édition, 2017.
60. A. MENDOZA-CAMINADE, Le droit confronté à l’intelligence artificielle des robots : vers l’émergence de nouveaux
concepts juridiques ? Dalloz, 2016. 445.
un responsable, quand bien même celui-ci
n’aurait aucune maîtrise. La jurisprudence
devra probablement évoluer également sur
la notion de chose, dont il n’est écrit nulle
part qu’elle doive être matérielle.
Une directive 85/374/CEE du 25 juillet
1985 sur la responsabilité du fait des pro-
duits défectueux organise par ailleurs une
responsabilité sans faute des fabricants et
distributeurs lorsqu’un produit cause des
dommages corporels ou matériels du fait
d’un défaut. Cette directive a été transpo-
sée par une loi n° 98-389du 19 mai 1998.
Les dispositions nationales de transposi-
tion figurent désormais aux articles 1245
et suivants du Code civil. Ce régime spé-
cifique de responsabilité s’applique aux
produits mis en circulation par les produc-
teurs, sociétés de grande distribution et
importateurs du produit sur le territoire de
l’Union européenne. Une responsabilité –
subsidiaire par rapport aux producteurs
– des fournisseurs professionnels, ven-
deurs ou loueurs est également prévue.
«
Ce régime de responsabilité sans faute
permet de mettre en cause la responsabi-
lité des intervenants successifs, dès que
ces professionnels sont intervenus dans
le processus de production ou de distribu-
tion du produit. Le droit positif apparaît, à
ce titre, parfaitement applicable à l’hypo-
thèse d’un robot défectueux60
».
Le demandeur doit prouver l’existence d’un
dommage, le défaut du produit et le lien de
causalité entre les deux. La qualification
de défaut est large et peut englober les
comportements et actes non anticipés. Le
109

défaut peut exister même si le produit est
réalisé dans les règles de l’art, selon des
normes existantes ou encore après autori-
sation administrative, situation qui pourrait
concerner, à terme, les produits intégrant
une intelligence artificielle.
Est-ce que ces dispositions peuvent s’ap-
pliquer à un logiciel incorporant une intel-
ligence artificielle
? L’article 1245-2 du
Code civil désigne un produit comme tout
bien meuble, précisant même que l’élec-
tricité est un produit. La Commission euro-
péenne a d’ailleurs déclaré que la directive
devait s’appliquer aux logiciels. (Réponse
ministérielle, 15 novembre 1988, JOCE, 8
mai 1989, C 144, page 142.). Mais il est
vrai qu’une réponse ministérielle française
considère que les cas d’application de ces
dispositions à des logiciels devraient être
exceptionnels (réponse ministérielle nu-
méro 15677, JOANQ, 24 août 1998).
À notre connaissance, aucune décision ne
s’est prononcée sur cette question. Alors
qu’est nécessaire un «
dessaisissement
volontaire
» du producteur au sens de l’ar-
ticle 1245-4 du Code civil, il n’est pas cer-
tain qu’un logiciel, qui ne serait pas intégré
dans un support physique, relève de ces
dispositions, mais cela, naturellement,
peut se plaider. Notons qu’une résolution
du Parlement européen du 16 février 2017
comporte un considérant n° 29 qui est ain-
si rédigé : «
considérant que le cadre juri-
dique actuel sur la responsabilité du fait
des produits, en vertu duquel le fabricant
d’un produit est responsable en cas de dys-
fonctionnement, et les règles définissant la
responsabilité en cas d’actions domma-
geables, en vertu desquelles l’utilisateur
d’un produit est responsable de tout com-
portement causant des dommages, s’ap-
plique aux dommages causés par un robot
ou une intelligence artificielle ».
En revanche, un logiciel qui intégrerait une
intelligence artificielle et serait embarqué
sur un robot autonome ou même un sup-
port physique devrait pouvoir plus facile-
ment relever de ce régime. Dans un tel
cas, en cas de dommage causé par le dé-
faut d’un produit incorporé dans un autre,
le producteur de la partie composante et
celui qui a réalisé l’incorporation sont soli-
dairement responsables (article 1245-7).
Il est possible que soit invoqué, dans
des litiges à venir, l’article 1245-10 der-
nier alinéa du Code civil prévoyant que le
producteur d’une composante n’est pas
responsable s’il établit que le défaut est
imputable à la conception du produit dans
lequel cette partie a été incorporée ou aux
instructions données par le producteur.
Cette notion peut aussi poser problème
dans le cas de robots qui téléchargeraient
en ligne leur logiciel, leur mise à jour ou
que l’utilisateur lui-même pourrait décider
de modifier en téléchargeant, au-delà du
système d’exploitation qui peut être fourni
avec la machine, des applications sur des
sites « tiers »... (Il faudra alors raisonner au
cas par cas).
Reste le « risque de développement », dont
on peut anticiper l’invocation par le produc-
teur dans la mesure où l’état des connais-
sances scientifiques et techniques est en
constante évolution dans ce domaine.
«
On ne peut (…) ignorer que le droit de la
responsabilité est devenu, dans une large
mesure, le captif du droit des assurances.
La résolution adoptée par le Parlement eu-
ropéen est sur cette ligne de temporalité,
considérant que de nouveaux instruments
ne pourront être mis en place qu’à un hori-
zon de dix à quinze ans (Résolution du 16
févr. 2017, pt 51). C’est reconnaître que,
pour l’heure, les conditions ne sont pas ré-
110

unies pour déterminer et mesurer précisé-
ment l’ensemble des risques. Durant cette
période intermédiaire, les instruments du
droit positif peuvent être encore mobilisés,
au besoin en les adaptant s’agissant par
exemple de l’exonération pour risques de
développement dans le cadre de la respon-
sabilité du fait des produits défectueux61
».
L’article 1245-10, 4° du Code civil pré-
voit en effet que «
Le producteur est res-
ponsable de plein droit à moins qu’il ne
prouve : (...) Que l’état des connaissances
scientifiques et techniques, au moment où
il a mis le produit en circulation, n’a pas
permis de déceler l’existence du défaut
(...) ».
Il faudra patienter avant de savoir comment
les juridictions appliqueront à l’intelligence
artificielle responsabilité du fait des pro-
duits défectueux et en particulier comment
seront interprétées les dispositions rela-
tives au risque de développement, risque
certes imprévisible, mais en réalité assu-
rable grâce à différentes techniques.
Dans l’immédiat, la position plutôt atten-
tiste du secteur assurantiel sur ce sujet
semble néanmoins compréhensible en
l’absence de recul permettant les néces-
saires calculs actuariels.
Déterminer la responsabilité
dans le cas d’incidents faisant
intervenir immédiatement l’IA
seule ou l’humain et l’IA
Il faut ajouter à cette complexité inhérente
à l’outil celle qui résulte de son utilisa-
61. L’intégration de l’intelligence artificielle dans l’ordre juridique en droit commun : questions de temps – A. BENSAMOUN
– G. LOISEAU – Dalloz IP/IT 2017. 239.
62. J.-P. CAILLOUX, La responsabilité des auteurs de systèmes experts, questions et incertitudes du droit français et du
droit américain, in Droit et intelligence artificielle Romillat, 2000, p. 136 et ss. : système expert, de conseil et d’aide
à la décision.
tion. La situation où l’IA seule intervient a
été abordée précédemment. Celle où l’IA
constitue l’un élément de la décision hu-
maine doit aussi être envisagée. La notion
de faute pourrait réapparaitre ici.
La difficulté tient à ce que, comme le dit
de manière éclairante Jean-Paul Cailloux,
«
le logiciel est le bourreau alors que le
(système expert) est le juge
»62
. On doit
comprendre par là qu’une défaillance d’un
logiciel se voit immédiatement et qu’une
erreur est en principe parfaitement iden-
tifiable. En cas de recours à un système
expert faisant intervenir une IA, il peut
être particulièrement difficile de déceler
une erreur, même pour un professionnel
du domaine concerné. La solution pourra
être différente selon que l’humain a bien
ou mal utilisé le système.
Bonne utilisation du système : l’utilisateur
peut avoir pris une décision erronée sur
la base d’un résultat apporté par l’intel-
ligence artificielle qui l’était déjà. S’en
était-il rendu compte ? Devait-il s’en rendre
compte ? Pouvait-il s’en rendre compte ? Il
faudra pouvoir accorder sa confiance au
système expert, car c’est sa raison d’être,
mais cette confiance devra être raison-
nable… Cette appréciation de la confiance
à accorder au système devrait être fonc-
tion notamment de la présentation de l’IA
fournie, de l’expérience de l’utilisateur, de
sa formation, etc.
Mauvaise utilisation du système : l’erreur
du système pourra provenir de l’introduc-
tion de mauvaises données, d’une erreur
de manipulation. Dans les cas où le sys-
111

tème continue d’apprendre au fur et à
mesure de son utilisation, une bonne pra-
tique serait probablement d’assurer une
traçabilité des usages les plus sensibles
(danger pour l’intégrité notamment, risque
systémique important, etc.). En tout cas,
on devrait être responsable de ce que
l’on apprend à une machine. Le concep-
teur quant à lui doit réfléchir à l’autonomie
qu’il laisse à l’utilisateur pour modifier le
système.
La Fédération Française de l’Assurance
(FFA) préconise une approche graduelle,
pragmatique et sectorielle sur toute future
initiative en la matière. Elle souhaite no-
tamment que cette question soit étudiée
en distinguant trois cas d’usage de ces
technologies dans la mesure où chacun
d’eux présente un contexte très différent
des deux autres.
1er
cas d’usage
La première application d’ores et déjà ef-
fective de l’intelligence artificielle et de la
robotique est celle destinée à automatiser
des processus de production, que cela soit
dans le domaine industriel ou celui des ser-
vices. Nous sommes là dans des relations
entre professionnels avec d’un côté un
fournisseur de technologies et de l’autre un
industriel ou un fournisseur de services uti-
lisateur de ces technologies dans ses pro-
cessus de fabrication. La relation de «
pro-
fessionnel à professionnel
» place les deux
parties dans une situation équivalente de
connaissance des risques induits par l’in-
troduction de ces nouvelles technologies.
Il est par conséquent inutile de rajouter au
droit existant des protections supplémen-
taires dans la mesure où un consomma-
teur particulier final n’est pas directement
exposé par un manquement ou par une dé-
faillance. La complexité des technologies
et celle des contrats entre professionnels
induite par le nombre des intervenants
n’est pas une caractéristique exclusive de
l’intelligence artificielle.
La FFA estime par conséquent, que dans les
cas d’usage de technologies faisant appel
à l’intelligence artificielle ou à la robotique
et qui ne concernent que des profession-
nels (relations «
B2B
»), il n’y a pas lieu de
rajouter un encadrement supplémentaire à
celui existant (juillet 2017).
2e
cas d’usage
Il convient ensuite de dissocier les technolo-
gies embarquées dans des véhicules auto-
mobiles. Pour ce qui est des dispositifs de
délégation partielle ou totale de conduite
d’un véhicule, il apparait qu’aussi bien les
régimes encadrant la responsabilité civile
automobile (loi dite Badinter) que leur assu-
rance obligatoire sont compatibles.
L’arsenal juridique existant garantit un
très haut niveau de protection des utili-
sateurs et un taux d’équipement en assu-
rance très élevé au regard des dommages
potentiels.
Aussi pour les technologies faisant appel
à la robotique ou à l’intelligence artificielle
embarquée dans des véhicules terrestres
à moteur, la FFA estime qu’il n’y a pas lieu
là encore de rajouter un encadrement sup-
plémentaire à celui existant.
3e
cas d’usage
C’est dans les applications de ces tech-
nologies à des produits ou services direc-
tement destinés à des consommateurs
particuliers («
B2C
») hors automobile que
112

la question d’une évolution éventuelle des
régimes de responsabilité en cas de dom-
mages corporels et/ou matériels dus à
l’intelligence artificielle peut se poser.
Si de nombreux usages de ces technolo-
gies d’intelligence artificielle se profilent
aujourd’hui, il est difficile à ce stade d’an-
ticiper les principaux domaines où l’intelli-
gence artificielle sera utilisée, comment,
et avec quel horizon, pour que la question
de la protection de l’utilisateur puisse être
clairement cernée.
Par ailleurs, les capacités d’adaptation
et d’apprentissage des algorithmes régis-
sant cette intelligence artificielle et la part
d’imprévisibilité dans leur comportement
qui échapperait au contrôle direct de leur
fabricant ou de leur gardien sont trop in-
certaines pour pouvoir apprécier la néces-
sité de régimes spécifiques.
Ces constats amènent la FFA à estimer
qu’il serait prématuré d’envisager toute
création ex nihilo d’un régime de respon-
sabilité spécifique au robot et à l’intelli-
gence artificielle ou de nouvelles obliga-
tions d’assurance, et ce d’autant plus qu’il
existe à ce stade un marché d’assurance
pour les IA et qui pourrait couvrir les nou-
veaux risques associés. La FFA juge que
de telles initiatives présentent aujourd’hui
un ratio « coût/bénéfice » défavorable, tout
en sachant qu’il évoluera probablement à
terme.
Avant de légiférer, il parait préférable de
cerner au préalable les questions juri-
diques inédites que soulèveront la mise
en œuvre et l’utilisation de solutions d’in-
telligence artificielle avec des robots. Or,
ces questions juridiques inédites ne sont
pas avérées ou bien identifiées. Si par
exemple apparaissaient des questions
d’ordre public relatives à la détermination
des choix à opérer dans le cadre de so-
lutions d’intelligence artificielle associées
à des moyens de transport, une réflexion
devrait être menée, éventuellement dans
un cadre international.
À court terme, la FFA préconise plutôt pour
ce qui est de l’intelligence artificielle :
• Le développement d’un observatoire
recensant les accidents possibles afin
d’appréhender au mieux le risque ;
• La certification ou homologation des IA
en forte interaction avec l’humain, voire
l’établissement d’autorisations préa-
lables de mise sur le marché ;
• Une nécessaire traçabilité des données
(boîtes noires, EDR…) afin de détermi-
ner les responsabilités en jeu.
Le droit de la responsabilité civile devrait
en tout cas sans trop de difficulté être en
mesure d’absorber ces nouveaux enjeux.
À ce jour, le droit actuel en ce domaine
est encore très incertain, en l’absence de
jurisprudence identifiée. Le thème relatif
à la propriété de l’IA semble plus balisé.
113

2.7 POINTS SAILLANTS
ORGANISATIONNELS ET
TECHNIQUES
Faire savoir :
communiquer,
sensibiliser, former
La plupart des collaborateurs ne connaissent
l’IA que par les médias qui véhiculent une
image contrastée et souvent exagérée de la
technologie et de ses capacités. Il est donc
important de mieux faire connaître l’IA à
tous les niveaux de l’entreprise, à l’image
de grands groupes d’autres secteurs (éner-
gie, transport, défense, par exemple) qui
ont pris d’importantes initiatives internes
de sensibilisation et de formation de leurs
équipes sur l’IA.
Sensibiliser et former est donc un pas-
sage obligé qu’il convient de compléter
par d’autres dispositions, en particulier
le recrutement ou la montée en compé-
tences de spécialistes à double compé-
tence : science des données et métier de
la banque et de l’assurance.
Un Comité
Numérique au
sein du Conseil
d’Administration
Enjeux
Face aux enjeux de la transformation,
plusieurs grands groupes intègrent une
réflexion stratégique. Un exemple intéres-
sant est celui du groupe Schneider Electric
qui a créé un Comité Numérique au sein
de son Conseil d’Administration. La mise
en place d’un Comité Numérique au sein
du Conseil d’Administration permet de
mettre en œuvre une gouvernance numé-
rique au plus haut niveau de l’entreprise
et d’impliquer une réflexion au niveau de
la gouvernance et des risques.
Les points clés à l’origine de la création
du Comité Numérique au sein du Conseil
d’Administration ont été motivés par le
fait que le numérique était éparpillé. Or,
le Conseil d’Administration avait besoin
d’une vision d’ensemble :
• Nécessité de se doter d’une très forte
compétence digitale : le Comité Numé-
rique s’est mis naturellement en place
avec un «
Studies Committee
» qui étu-
die tous les sujets transversaux du nu-
mérique et en relation avec les autres
Comités ;
• Exemples : audit pour la cybersécurité,
M&A (Mergers & Acquisitions), digital
transformation des ressources, intégra-
tion des millenials, mise à jour des com-
pétences, espaces de travail, offres au
numérique, pricing, go to market, distri-
bution, formation…
114

Le Comité est constitué de quatre
membres et d’un secrétaire, le CIO-CDO
du Groupe.
Recommandations
Afin que chaque entreprise cotée ou non
cotée, PME, ETI ou grande entreprise dispo-
sant d’un Conseil d’Administration puisse
bénéficier de ce nouvel organe de gouver-
nance numérique, une évolution du code
Afep-Medef est aujourd’hui nécessaire.
Historiquement, ce code ne recommande
que trois Comités : Audit, Nominations et
Rémunérations. Il convient désormais d’y
ajouter le Comité Numérique.
Les aspects
organisationnels
Les relations entre IA, travail, emploi et
compétences ont été abordées dans les
autres rapports mentionnés ci-dessus.
On considère souvent l’IA comme un outil
d’aide et au service d’un conseiller/opé-
rateur humain qui garde le contrôle. En
conséquence, la réflexion sur l’évolution
des métiers pourra être menée notam-
ment au sein du «
lab. de transformation
du travail
» qui devrait être créé suite aux
recommandations de la mission Villani.
Il y a un point d’attention sur l’intelligence
humaine qui se modélise : le risque de
perte de la connaissance humaine. En ma-
tière de priorités, comme dans d’autres
secteurs, les opérateurs ont à faire le
choix entre le développement interne ou
l’acquisition de technologies sur étagères.
De manière très naturelle, il convient de
garder la maîtrise des technologies sur
le core business afin de garder connais-
sances et compétences propres et de se
reposer sur des solutions externes pour
les fonctions support.
La présence d’un grand nombre de star-
tups technologiques disposant d’une
offre en IA dont la viabilité à long terme
n’est, par définition, pas garantie entraî-
nera probablement l’apparition de tiers de
confiance pouvant assurer une certaine
pérennité et évolutivité des produits. Par
ailleurs, les startups ont besoin d’accès
à des ressources de calcul qu’elles n’ont
pas les moyens d’acquérir : une solution
nationale est fortement souhaitée à des
tarifs abordables.
115

L’apprentissage
automatique
L’apprentissage automatique est claire-
ment la technologie qui soutient la plupart
des applications de l’IA (le secteur n’est
pas exceptionnel en la matière), en raison
du volume et de la diversité des données
disponibles qui couvrent toutes les activi-
tés de la chaîne de valeur, de l’accès à
des plateformes de calcul de très haute
puissance pour réaliser l’apprentissage et
des progrès de ces dernières années sur
les architectures et les algorithmes d’op-
timisation.
Les points saillants sont les mêmes que
ceux qui ont été identifiés dans d’autres
domaines industriels :
• qualité et couverture des données d’ap-
prentissage ;
• passage à la très grande échelle ;
• prise en compte de contraintes, notam-
ment de respect de la vie privée ;
• capacité d’oubli pour des IA connectées à
des systèmes en évolution permanente ;
• coopération entre les représentations
continues (réseaux de neurones notam-
ment) et symboliques (arbres de déci-
sion, graphes, sémantique...) ;
• la question de l’explication, déjà évoquée
ci-dessus, pour assurer la confiance
dans le système.
Le traîtement
automatique de la
langue
Le TAL est utilisé notamment pour les
agents conversationnels et pour le traite-
ment en masse de documents (production
d’analyses, de synthèses...) et, moins
souvent, intervient aussi en génération de
nouveaux textes. Enfin, les outils du TAL
sont mis à contribution pour la traduction
automatique, un besoin important pour la
profession, notamment pour la présenta-
tion des clauses contractuelles dans la
langue cible.
Les principaux défis en TAL sont la néces-
sité de développer la modalité voix, en-
core peu utilisée : STT (Speech to Text),
TTS (Text to Speech) et l’amélioration de
la compréhension des textes prononcés
ou écrits, notamment pour comprendre le
contexte et la multi-intention. Enfin, il est
souvent fait appel à des modules TALN
développés initialement pour l’anglais : il
devient important de disposer de techno-
logies comprenant nativement le français.
116

Les hybridations des
technologies IA
Les IA devenant de plus en plus présentes
dans les systèmes bancaires et assuran-
tiels, une couche d’orchestration entre
des IA basées sur des technologies diffé-
rentes va devenir indispensable. Ce type
d’interaction n’est pas naturel et va de-
mander des développements complémen-
taires. Les solutions intégrées provenant
d’un fournisseur unique ne sont pas sou-
haitables dans tous les cas. Par exemple,
la Commission Européenne a récemment
publié un appel à propositions pour la ré-
alisation d’une plateforme européenne
d’intégration des technologies d’IA, ce qui
est également une recommandation du
rapport #FranceIA.
Un autre aspect est celui de l’intégration
de données externes alternatives qui va né-
cessiter la mise en place de solutions tech-
niques pour inter-opérer les solutions «
na-
tives » du secteur avec des données et des
modules externes au domaine bancaire.
La confiance dans la
relation client
La question de la confiance est évidem-
ment essentielle pour des systèmes ame-
nés à prendre des décisions ou faire des
recommandations ayant un impact impor-
tant sur les individus. Pour cela, il faut
principalement améliorer la transparence
des algorithmes d’intelligence artificielle
au moyen de toutes les solutions tech-
niques possibles :
• interfaces humain-machine permettant
d’interpréter les raisonnements ;
• production d’explications, de preuves et
de garanties ;
• mise en place de systèmes fondés sur
la réputation lorsque les solutions algo-
rithmiques ne sont pas suffisantes ;
• réalisation de documentations tech-
niques permettant de comprendre les
algorithmes utilisés, en particulier dans
les solutions clé en main des fournis-
seurs de technologies.
Les systèmes capables de détecter les
fausses informations (fake news) sont
également intéressants pour les applica-
tions d’analyse et de synthèse de conte-
nus. La confiance est également fragilisée
lorsque la protection de la vie privée n’est
pas assurée : pour cela, il est indispen-
sable de respecter la réglementation qui
s’applique, en particulier la RGPD, effec-
tive en Europe à partir de fin mai 2018. Il
est nécessaire de disposer de solutions
d’anonymisation des données servant à
l’entraînement ou à la prise de décision
des IA. Enfin, l’explicabilité est également
essentielle (voir DIP 15). La responsabili-
té de prise de décision demande à être
étudiée attentivement, en particulier lors-
117

qu’une décision se révèle mauvaise et
cause des dommages à des personnes ou
à des organisations.
Reste enfin la question du juste position-
nement du curseur entre conformité, qui
demande à la fois des traitements glo-
baux, et hyper-personnalisation pour ré-
pondre le mieux aux attentes des clients.
Des travaux spécifiques sur le sujet sont
souhaités.
Garantir dans
le temps la
performance, la
cohérence et la
robustesse de la
solution à base d’IA
Comme tout équipement technologique
ou logiciel, une IA en production doit être
accompagnée de prestations de main-
tenances évolutives ou correctives pour
prendre en compte les évolutions fonction-
nelles et les bugs lors de développement.
Cependant, une IA, notamment lorsque
sont mises en œuvre des techniques de
machine learning, doit faire l’objet d’une
maintenance spécifique permettant de
s’assurer que son fonctionnement ne dé-
rive pas au cours de temps, ce qui entraî-
nerait immanquablement des résultats
non conformes aux attentes ou objectifs
attendus. En effet, très souvent, une IA
est mathématiquement un système dyna-
mique dont les résultats à l’instant « T » dé-
pendent des résultats précédents à partir
d’algorithmes itératifs prenant en compte
les données générées produites ou utili-
sées.
Il est donc indispensable de réaliser des
opérations de contrôle de cohérence et
de robustesse permettant d’identifier des
écarts éventuels par rapport à des va-
leurs/comportements étalons et de réali-
ser les corrections éventuelles tout au long
du fonctionnement de l’IA. Ces opérations
de contrôle et de maintenance doivent
être pensées et conçues by design, dès
118

la phase de spécification et de conception
de l’IA, notamment dans le cadre de so-
lutions mettant en œuvre des réseaux de
neurones dont le comportement au cours
de temps n’est pas à ce jour modélisable
et fait actuellement l’objet de nombreuses
recherches.
De plus, il est indispensable d’implémen-
ter dès la conception des fonctions garan-
tissant la transparence, la traçabilité, la
neutralité et la pertinence des activités/
exécutions de l’IA. De nombreuses ré-
flexions et développements sont actuelle-
ment menés sur ces sujets.
119

La blockchain
au service
de l’industrie
financière

3. La blockchain au
service de l’industrie
financière
3.1 PRÉAMBULE
Les institutions financières françaises s’in-
téressent déjà depuis plusieurs années à
la technologie décentralisée des chaînes
de blocs ou blockchains, et ceci est d’au-
tant plus vrai depuis trois ans. Selon une
étude PwC «
Blockchain is here. What’s
your next move ? », 600 dirigeants dans le
monde indiquent leur prise de conscience
forte sur ce sujet, et 84 % des cadres
interrogés rapportent des initiatives de
blockchain en cours, dont 15 % des initia-
tives déjà établies.
À travers des formations métiers et tech-
niques, la plupart des grandes institu-
tions ont procédé à une acculturation et
à une première évangélisation de leurs
équipes. Plusieurs prototypes (POC/Proof
Of Concept) ont été réalisés dont certains
sont en phase d’industrialisation, même
s’ils sont encore peu nombreux fin 2018.
Cela a permis de mieux comprendre cette
technologie, ses opportunités et ses
contraintes, tant en termes de métiers que
de maîtrise de ses aspects techniques.
Plusieurs grandes institutions financières
françaises font partie du peloton de tête
mondial de cette technologie et presque
toutes y travaillent. Le passage du proto-
type à l’opérationnel, la performance des
protocoles, la maîtrise du modèle écono-
mique, la gouvernance, la conformité et
la sécurité sont les enjeux d’aujourd’hui.
Des impacts sur les produits et les organi-
sations apparaissent en filigrane.
À cette fin, le Pôle FINANCE INNOVATION a
recueilli les avis de plusieurs experts au
sein de ces institutions françaises ainsi
que des spécialistes en informatique, en
droit et en organisation des entreprises.
L’objet de ce livre blanc est d’apporter
un éclairage sur les points d’accélération
afin d’aider ces institutions à conforter
leur avance et à progresser au rythme né-
cessaire face à l’évolution rapide de cette
technologie, et ce, grâce à un écosystème
porteur et ouvert
3.2 DÉFINITIONS DE LA
BLOCKCHAIN
Afin de permettre une lecture précise
et claire de ce livre blanc, il est utile de
rappeler les principales définitions et élé-
ments constituant cette technologie.
Définition du DLT et de la
blockchain
Un DLT (en anglais Distributed
LedgerTechnology/technologie de
registre distribué) est un registre
synchronisé simultanément sur un
réseau de participants en pair à pair
sans administrateur central.
La chaîne de blocs ou blockchain est
un registre distribué. Il est courant de
parler de DLT comme synonyme de
blockchain.
La blockchain est une technolo-
gie de stockage et de transmission
d’informations, transparente et
sécurisée grâce à un mécanisme de
consensus de résolution entre les
122

participants associé à des proces-
sus de cryptographie. Par extension,
une blockchain permet de constituer
une base de données sous la forme
d’un registre, en finance un livre de
comptes, distribué entre toutes les
adresses du réseau et permettant de
retracer de façon immuable et trans-
parente toutes les opérations effec-
tuées.
Elle est constituée d’une succes-
sion de blocs contenant chacun des
informations sur les transactions
effectuées entre deux ou plusieurs
participants. Chaque transaction est
vérifiée par des algorithmes avant
d’être validée et enregistrée dans un
nouveau bloc qui s’ajoute à la chaine.
Les informations inscrites ne peuvent
pas être altérées, car la traçabilité
des informations est garantie par
la constitution de la blockchain. En
effet, chaque bloc garde une trace de
la transaction précédente et se lie
au bloc suivant en respectant l’ordre
chronologique.
Les transactions enregistrées sur une
blockchain correspondent généra-
lement à des changements d’état
(changement de valeur d’un compte,
transfert d’un actif financier maté-
riel ou immatériel d’un acteur à un
autre, etc.) ainsi que des horodatages
d’évènements ou de documents.
Une des premières définitions officielles de
la blockchain en France définit cette tech-
nologie en octobre 2017 sous le terme de
«
dispositif d’enregistrement électronique
63. www.kiosque.bercy.gouv.fr/alyas/search/print/lettre-daj/8555.
partagé (DEEP63
)
». Le terme d’enregistre-
ment est à prendre au sens fort : il est
définitif, immuable, ineffaçable.
Globalement, les chaînes de blocs ou
blockchains sont des infrastructures nu-
mériques qui permettront le développe-
ment de nouveaux services, comme les in-
frastructures Internet ont permis de créer
en une dizaine d’années un ensemble de
nouveaux usages et une nouvelle éco-
nomie. En presque dix ans, un véritable
écosystème blockchain, qui ne travaille
pas que sur la seule problématique des
crypto-monnaies, s’est construit regrou-
pant plusieurs milliers de structures (en-
treprises, fondations ou simples regroupe-
ments d’individualités autour d’un projet).
123

Plusieurs
sous-ensembles
de technologies
distinctes
Les systèmes construits sur une
blockchain s’appuient sur cinq sous-en-
sembles de technologies aux propriétés
très différentes. Leurs interactions doivent
être finement analysées pour juger du ni-
veau de sûreté, de gouvernance et de pé-
rennité d’un système :
• Des technologies « dures » de cryptogra-
phie : signatures électroniques, conden-
sat ou hash, chiffrage asymétrique,
appuyées par des règles formelles de
construction du consensus entre les sys-
tèmes distribués ;
• Des technologies des sciences sociales
et économiques : théorie des jeux, mé-
canismes d’incitation, comportement de
la communauté/multitude, motivations
et objectifs réels des participants au
consensus ;
• Des technologies de programmation
basées sur de nouveaux langages per-
mettant de construire des modules
opérant sur ces chaînes avec les forces
(traitements automatisés, infalsifiables)
et faiblesses usuelles (bogues, hacks
facilités par la nouveauté de ces tech-
nologies, difficultés d’adéquation avec
des spécifications non totalement for-
malisées) ;
• Des interfaces pour intégrer une
blockchain dans l’environnement du
système d’information usuel, généra-
lement basé sur des technologies clas-
siques en développant des interfaces
homme-machine et d’entrées/sorties
des informations ;
• Des concepts plus avancés de crypto-
graphie ou de consensus complémen-
taires des blockchains, par exemple
la «
Preuve sans divulgation
» ou «
Zero
Knowledge Proof
», qui permet de prou-
ver qu’une proposition est vraie sans
dévoiler toutes les informations contri-
butives à cette preuve.
Les caractéristiques globales du système
(sécurité, résilience, puissance de trai-
tement, etc.) doivent s’évaluer sur l’en-
semble des composantes et pas unique-
ment sur les caractéristiques de la seule
blockchain placée au cœur de l’ensemble.
124

Une typologie de
blockchains selon
la nature publique
ou privée de leur
gouvernance
• Les blockchains publiques, parmi les-
quelles Bitcoin et Ethereum, offrent à
chacun la liberté de s’intégrer dans le
réseau sans aucune restriction d’ac-
cès. Les chaînes opérées sur des mil-
liers de nœuds présentent générale-
ment une bonne résilience et un accès
universel aux données enregistrées.
La gouvernance est implicite pour tous
les acteurs avec le rôle particulier des
développeurs du cœur du système et
des mineurs64
qui assurent le travail de
contrôle des transactions.
• Les blockchains privées offrent la possi-
bilité de mettre en place et de gérer des
restrictions d’accès à des participants
déterminés et d’organiser une gouver-
nance spécifique contrôlée par une enti-
té centralisée dans le réseau. Il n’existe
aucun mécanisme de consensus et les
règles de fonctionnement sont spéci-
fiques aux accords passés entre les
membres participants (différents niveaux
d’autorisation sont possibles : accès en
lecture seule, en écriture). Les solutions
qui répondent actuellement aux enjeux
de blockchains privées sont par exemple
Hyperledger Fabric d’IBM, Corda de R3
CEV ou encore une infrastructure basée
sur Ethereum, mais montée spécifique-
ment sur blockchain privée.
64. Le minage est l’activité d’un participant au consensus d’une chaîne de blocs consistant à conserver le contenu de
la chaîne, vérifier le contenu d’un nouveau bloc puis son ajout à la chaîne en respectant les protocoles définis.
125

Pourquoi utiliser une
blockchain ?
Dans un premier temps il est important
d’évaluer la pertinence de l’utilisation
d’une blockchain. De nombreux projets se
focalisent sur cette technologie bien qu’il
ne s’agisse pas toujours de la solution
la plus adaptée. Parfois il est préférable
d’identifier les raisons de ne pas avoir un
système unique et centralisé, plutôt que
de se concentrer sur les avantages de la
blockchain.
Quelques critères semblent dominants pour
s’orienter vers une technologie blockchain :
• Un grand nombre de participants in-
dépendants : la blockchain gagne en
pertinence dans des écosystèmes com-
plexes où les différents acteurs qu’ils
soient partenaires ou concurrents colla-
borent sur une même chaîne de valeur
et sont dépendants les uns des autres.
• Un besoin de confiance fort : le carac-
tère immuable de la blockchain en fait
un candidat parfait pour partager des
données et en contrôler les modifica-
tions et mises à jour entre partenaires.
• L’intermédiation à supprimer : la suppres-
sion des intermédiaires doit être pensée
notamment en termes de coût, complexi-
té et délais d’exécution des interactions.
Dans un second temps, il convient de
choisir le type de blockchain, publique ou
privée. Cela passe par la détermination
des règles de gouvernance en répondant
à quelques questions : y a-t-il des enjeux
de confidentialité ? Quels droits de lecture
ou d’écritures ? Besoin d’une base de don-
nées cryptée ?... (voir Annexe 3).
Comment ça
marche : l’exemple
du bitcoin
Sans vouloir décrire toutes les options ar-
chitecturales des blockchains, le décryp-
tage de la première chaîne Bitcoin permet
de matérialiser les principes énoncés
ci-dessus.
L’objectif de la chaîne Bitcoin est d’échan-
ger une monnaie/actif numérique en inter-
disant les doubles dépenses (un proprié-
taire de bitcoin ne peut céder une même
valeur deux fois en parallèle) tout en gé-
rant précautionneusement la création mo-
nétaire.
Les participants ont donc construit une
chaîne de blocs où chaque bloc est lié
par l’inclusion de son condensat ou hash
(résumé cryptographique) dans le bloc
suivant. Ainsi toute modification impacte
l’ensemble des blocs suivants et l’immua-
bilité d’une transaction s’accroît avec les
ajouts successifs de blocs ultérieurs. Les
identités des émetteurs et récepteurs
d’une transaction sont identifiées par une
clé publique, la clé privée restant sous le
seul contrôle de l’utilisateur. Le montant
de la transaction est enregistré et en clair
pour être lisible par tous.
Ces données permettent de s’assurer de
la propriété antérieure du montant de la
transaction par l’émetteur (et donc l’in-
terdiction de sa double dépense) grâce à
l’ensemble des mineurs, les validateurs
volontaires du réseau. Le blockchain bit-
coin compte aujourd’hui plusieurs cen-
taines de milliers de mineurs répartis
126

dans le monde. Cette diffusion large des
transactions et du registre ouvert en lec-
ture sur Internet confère à l’ensemble sa
résilience. Le rôle de mineur peut être
tenu par tout propriétaire d’un ordinateur
apte à installer un nœud de traitement dis-
ponible en open source sans aucune auto-
risation préalable.
L’unicité d’ajout d’un bloc est assurée par
un dispositif aléatoire de choix du nœud
qui réussit à résoudre un problème «
à
fonction mono directionnelle
» (solution
complexe donc longue à trouver par es-
sais-erreurs, mais facile à vérifier par la
communauté). L’approche aléatoire basée
sur la puissance de calcul pour maximiser
la vitesse des essais-erreurs vise à per-
mettre l’application des règles du logiciel
même si une partie des nœuds du réseau
souhaitent en faire autrement ; les nœuds
conformes conserveront la maîtrise des
règles tant que leur puissance de calcul
permettra de s’imposer statistiquement.
L’immuabilité est obtenue par l’associa-
tion de la distribution du registre sur un
très grand nombre de nœuds et d’un sys-
tème de création de nouveau bloc résis-
tant jusqu’à un certain point à l’intrusion
de nœuds malveillants.
La création des crypto-actifs est liée à la
création des blocs et donc strictement ré-
gulée dans le temps avec une réduction
asymptotique du nombre de bitcoins ajou-
tés en circulation : à chaque cycle, un quo-
ta de nouveaux bitcoins est ainsi versé au
propriétaire de l’adresse qui a imposé le
nouveau bloc de transactions.
La convertibilité de cette monnaie/actif
numérique en devises courantes fin 2010
a conféré à l’ensemble une gouvernance
implicite solide en faisant converger les
intérêts individuels des acteurs vers une
réussite globale du jeton inclus dans le lo-
giciel.
Un temps de cycle d’environ 10 minutes
est maintenu par l’évolution incluse dans
l’algorithme de la difficulté du problème à
résoudre pour imposer son bloc à la com-
munauté. La taille maximale du bloc a été
fixée initialement à 1 Mo pour satisfaire
autant de transferts du réseau mondial In-
ternet et éviter trop de divergences entre
ces nœuds asynchrones. Ces caractéris-
tiques permettent d’atteindre une capa-
cité maximale théorique pour l’heure de
sept transactions par seconde, trois en
pratique. Cette taille de bloc et ces perfor-
mances limitées sont en cours d’évolution
vers des capacités supérieures.
Depuis sa création début 2009, plusieurs
améliorations sont venues résoudre les
faiblesses de la solution originelle et ont
été généralement acceptées par tous les
acteurs. Néanmoins, deux divergences no-
tables ont déjà donné lieu à la création de
chaînes parallèles.
.
127

3.3LACRYPTO-ÉCONOMIE
Crypto-économie, crypto-actifs, crypto-mon-
naies, mais de quoi parle-t-on
? Que si-
gnifient ces termes
? Quels usages re-
couvrent-ils ?
L’émergence des crypto-actifs65
est une
des conséquences de la digitalisation de
la valeur, c’est-à-dire de la capacité de re-
présenter numériquement un actif et de le
transférer en toute sécurité entre individus
et sans aucun intermédiaire grâce à la
technologie. Les représentations digitales
de valeur sont appelées des «
jetons
» ou
plus fréquemment des «
tokens
». La cryp-
tographie moderne permet, le cas échéant,
de faire cette opération de manière ano-
nyme. On peut donc créer des monnaies et
des actifs financiers digitaux digitaux «
au
porteur66
».
La création des crypto-actifs repose sur la
technologie blockchain qui, par sa nature
décentralisée, inviolable et transparente,
permet le transfert des jetons en peer-to-
peer sans intermédiaire.
Il est courant aujourd’hui de parler de mon-
naie virtuelle, de monnaie électronique,
de monnaie cryptographique ou encore de
monnaie numérique sans que l’on sache
bien ce qui se trouve derrière de tels
termes. Pour la plupart des personnes qui
ne sont pas des experts des questions
monétaires, il est même probable que
toutes ces notions n’en forment qu’une
seule. L’idée (ou plutôt l’impression) qui
prédomine actuellement est celle d’une
monnaie dématérialisée dont le niveau
d’abstraction rend le monde de la banque
65. La Banque de France a statué en juillet 2018 pour retenir la qualification de « crypto-actif » et non de crypto-monnaie.
66. Rapport Landau, Les crypto-monnaies, juillet 2018.
et les mécanismes de la finance difficile-
ment compréhensible par le grand public.
Cette famille des monnaies virtuelles
s’oppose à une autre famille qui est celle
des monnaies fiduciaires et scripturales.
Dans beaucoup d’institutions bancaires
notamment, les monnaies fiduciaires
et scripturales sont perçues comme les
seules monnaies légitimes. Toutefois,
leur importance tend à diminuer de façon
spectaculaire. Avec l’apparition de l’ordi-
nateur, l’arrivée d’internet, celles de la
blockchain, de l’intelligence artificielle et
enfin du traitement quantique, l’univers
des monnaies virtuelles augmente signi-
ficativement et se positionne à côté du
territoire des monnaies classiques. Dans
une perspective historique, les monnaies
virtuelles ne datent donc pas d’hier, mais
il convient plus que jamais de savoir repré-
senter de façon juste et précise cette nou-
velle famille monétaire. Nous proposons
ici un ensemble de définitions permettant
de mieux les distinguer en faisant ressor-
tir le mouvement historique de dématéria-
lisation ET de décentralisation qui est le fil
conducteur de toutes ces nouvelles expé-
riences monétaires.
La monnaie électronique
Selon l’article L315-1 du code monétaire
et financier, la monnaie électronique se
définit de la façon suivante : « La monnaie
électronique est une valeur monétaire
qui est stockée sous une forme électro-
nique, y compris magnétique, représen-
tant une créance sur l’émetteur, qui est
émise contre la remise de fonds aux fins
d’opérations de paiement définies à l’ar-
ticle L. 133-3 et qui est acceptée par une
128

personne physique ou morale autre que
l’émetteur de monnaie électronique. Les
unités de monnaie électronique sont dites
unités de valeur, chacune constituant une
créance incorporée dans un titre ».
La monnaie électronique conserve un lien
avec les monnaies traditionnelles dès
lors que les fonds sont exprimés dans la
même unité de compte (euro, dollar…) et
que la monnaie est acceptée par d’autres
personnes que l’émetteur (en France, le
porte-monnaie électronique Monéo en
était l’exemple le plus marquant). Elle se
distingue des services de paiement sans
contact (du type ApplePay) dès lors que
s’agissant de la monnaie électronique,
l’émetteur remet au porteur de la so-
lution de paiement des unités de valeur
prépayées qui sont matériellement stoc-
kées directement sur la carte bancaire
ou sur un porte-monnaie électronique en
ligne. Ces unités de valeurs sont ensuite
utilisées pour effectuer des opérations
de paiement auprès de tiers autres que
l’émetteur. Le remboursement des unités
de monnaie électronique est effectué à la
valeur nominale des unités.
La monnaie virtuelle
Elle peut se définir comme une unité de
compte stockée sur un support électro-
nique créée par une personne (physique
ou morale) et destinée à comptabiliser les
échanges. Elle est généralement créée
par une société pour un usage spécifique
dans un univers restreint. Dès lors, elle ne
rencontre pas parfaitement les critères de
qualification de la monnaie électronique et
ne relève donc pas de la réglementation
européenne applicable. On distingue diffé-
rents types de monnaie virtuelle :
• les monnaies virtuelles non convertibles
en devises ne pouvant être utilisées que
dans des jeux vidéos par exemple,
• les monnaies virtuelles avec un flux uni-
directionnel pouvant être achetées avec
de la devise légale, mais non reconver-
tibles en devise légale (ex. : points de
fidélités, bons d’achat),
• les monnaies virtuelles avec un flux bi-
directionnel avec un cours d’achat et de
revente pouvant s’exprimer en monnaie
classique (ex : bitcoin et toutes les cryp-
to-monnaies créées sur la blockchain).
Les monnaies virtuelles ont pour point
commun d’être définies par une unité de
compte n’ayant pas de statut légal et de
ne pas être régulées par une Banque cen-
trale ni émises (créées) par des établisse-
ments financiers réglementés.
La crypto-monnaie, dite aussi
crypto-actif, crypto-devise,
monnaie cryptographique
Elle se présente sous la forme d’un jeton
(token) échangeable entre particuliers sur
le réseau Internet. Les opérateurs, les fi-
chiers et les transactions sont cryptés de
façon à ce que personne ne puisse avoir la
maîtrise du système. Les jetons sont créés
de façon endogène, comme récompense
d’un processus décentralisé de validation.
Le terme « crypto-actif » est fortement sug-
géré par les institutions d’émission, no-
tamment la BCE et la Banque de France
qui différencie les crypto-monnaies des
titres de reconnaissance de dette. Ces
banques définissent les crypto-monnaies
comme «
tout instrument contenant sous
forme numérique des unités de valeur non
monétaire pouvant être conservées ou
être transférées dans le but d’acquérir un
bien ou un service, mais ne représentant
pas de créance sur l’émetteur ».
129

La plus connue des crypto-monnaies, qui
utilisent toutes la technologie blockain,
est le bitcoin. Les crypto-monnaies décen-
tralisées ont pour point commun d’être dé-
finies par une unité de compte n’ayant pas
de statut légal, de ne pas être régulées
par une Banque centrale et de ne pas être
émises (créées) par un émetteur unique
identifié. En effet, la création de ces cryp-
to-monnaies de type bitcoin résulte de
l’utilisation d’un logiciel libre via un réseau
décentralisé de type peer-to-peer.
La monnaie numérique ou
monnaie intelligente
Elle se présente aussi sous la forme d’un
jeton (token) qui se différencie de toutes
les formes de monnaies antérieures dites
« fiat » (c.-à-d. émises par un État) ou cryp-
to du fait qu’il permet de renouveler et
d’élargir exponentiellement le champ des
usages et des opérations accessibles à la
monnaie. Traditionnellement, une monnaie
est un instrument mono-usage de paie-
ment déplacé en fonction des échanges.
La monnaie numérique innove, car son
support technologique lui permet d’em-
barquer un logiciel démultipliant le nombre
de fonctionnalités accessibles aux utili-
sateurs. On parle de monnaie intelligente
ou de monnaie dynamique dès lors qu’il
devient possible de faire entrer dans l’ins-
trument monétaire en les automatisant
une quantité illimitée d’opérations jusqu’à
présent étrangères à la monnaie.
Le web 1.0 a permis aux usagers de faire
eux-mêmes leurs virements et leurs ges-
tions de comptes. Avec le web 2.0, ils ont
ensuite financé eux-mêmes leurs projets
grâce au crowdfunding. Le web 3.0 permet
aujourd’hui à tout usager de participer à la
validation des transactions monétaires en
devenant mineur sur une blockchain. Le
web 4.0 permettra demain à tout usager
de créer lui-même sa propre monnaie pour
en faire le vecteur des valeurs qu’il désire
promouvoir. C’est au développement de
cette dernière branche du web 4.0 que
travaille aujourd’hui le projet français de
smart tokenization Money by Design.
On peut prédire déjà que le business
modèle du smart token aura une courbe
d’adoption assez semblable à celle du
smart phone qui a transformé un appareil
ne servant qu’à téléphoner en un instru-
130

ment intelligent doté de fonctionnalités illi-
mitées. L’extension des usages allant avec
l’intensification de ces mêmes usages, il
est assez aisé d’imaginer le bénéfice utili-
sateur qui résultera d’une monnaie :
• dont les unités de compte peuvent être
librement conçues par chacun ;
• dont la valeur peut faire l’objet d’une pro-
grammation au moyen d’algorithmes ;
• dont les échanges peuvent être régulés
en fonction de la volatilité, de la vitesse,
de la durée, du réseau, de la législation,
de l’utilisation ;
• dont les caractéristiques fonctionnelles
permettent de l’utiliser comme outil de
vote…
De ces quelques fonctionnalités nouvelles,
comme de toutes celles qui composeront
le futur logiciel monétaire du monde, résul-
tera un nouveau méga-marché dans lequel
disparaîtront les distinctions classiques
existant entre financement, opérations
monétaires et actifs technologiques.
L’émission de jeton dans le
cadre des Initial Coin Offerings
(ICO)
Les Initial Coin Offerings (ICO) peuvent,
selon l’AMF, être définis comme des opé-
rations de levées de fond effectuées à tra-
vers une technologie de registre distribué
ou blockchain. Ces opérations donnent
lieu à une émission de jetons pouvant être
ensuite, selon les cas, utilisés pour obte-
nir des produits ou services, échangés sur
une plateforme (marché secondaire) et/
ou pouvant rapporter un profit.
Cette nouvelle forme de financement, qui
ressemble par certains aspects aux ca-
67. www.coinmarketcap.com du 19 janvier 2019.
naux de financement plus traditionnels
(offre publique, capital-risque, crowdfun-
ding), présente toutefois des caractéris-
tiques propres, bénéficiant par exemple
des effets de réseau et de la liquidité po-
tentielle issue d’une possible cotation du
jeton sur un marché secondaire.
En conséquence, ce caractère hybride des
jetons le rend difficile à qualifier juridique-
ment. Au niveau mondial, ce mode de finan-
cement demeure encore marginal, repré-
sentant au total 22,2 milliards de dollars
de levées de fonds par émission de jetons,
principalement en 2017 et durant les trois
premiers trimestres 2018 (respectivement
6,8 et 15,2 milliards de dollars).
Il existe actuellement dans le monde envi-
ron 210067
crypto-actifs différents pour un
montant total d’environ 250 milliards de
dollars. Les principaux sont le bitcoin avec
42 % des volumes de transactions, suivi
de l’ether, 18 %, puis du ripple, 7 %.
Plusieurs types de jetons existent égale-
ment, aux caractéristiques et usages dif-
férents. Les plus fréquents sont les jetons
d’usage (utility tokens) aux multiples ap-
plications : droit d’usage d’un bien ou ser-
vice, droit d’accès, moyen de paiement,
unité de valeur d’échange au sein d’une
application ou d’un écosystème donné...
Commencent à apparaitre des jetons as-
similés à des valeurs mobilières donnant
droit à un revenu ou à une portion d’un
actif matériel ou immatériel : les jetons
d’investissement (security tokens). En
2019, les émissions de ce type de jeton
devraient se développer. Plusieurs projets
de tokenisation d’actifs immobiliers ou
d’œuvres d’art sont à l’étude.
131

Le tableau ci-dessus montre la chaîne de
la valeur des acteurs de la cryto-finance.
Les acteurs de cette technologie sont les
mineurs, les plateformes d’échange, les
conservateurs (wallets providers) et les
fournisseurs de services d’information fi-
nancière, de conseil en investissement,
de trading…
Toutefois, plusieurs risques entourent
cette nouvelle crypto-finance que nous ré-
sumons dans les points suivants :
• Escroqueries subies par les épar-
gnants
: les fraudes se font à partir de
sites Internet inspirant confiance mais
illégaux. Ceux-ci demandent aux par-
ticuliers d’envoyer leurs fonds sur des
comptes bancaires à l’étranger pour in-
vestir en bitcoin ;
• Fraudes subis par les investisseurs ICO
qui subissent la perte de leurs investis-
sements (ex. : les porteurs du projet de
l’ICO vietnamienne Pincoin se sont vola-
tilisés emportant avec eux les 600 mil-
lions dollars investis). De plus, l’origine
des fonds investissant dans les ICO est
souvent douteuse et s’apparente à du
blanchiment d’argent ou à de l’évasion
fiscale, favorisés par l’anonymat des in-
vestisseurs. Les quatre principaux pays
en termes de montants levés sont la Rus-
sie, Singapour, la Chine et Hong Kong ;
• Incidents survenus sur les plate-
formes d’échanges : un grand nombre
d’incidents est survenu sur les plate-
formes d’échange de crypto-actifs, qu’il
s’agisse de falsification de clés privées,
d’introduction de logiciels malveillants
ou de faille de sécurité des serveurs.
Les évolutions récentes
Début 2018, le rythme des projets basés
sur la blockchain ne semble pas ralentir
et la régulation du marché par les autori-
tés politiques et financières se met pro-
gressivement en place, tant pour l’usage
des DLT et des ICO que pour les usages
des crypto-actifs. Sur le plan technique,
des architectures très variées, dérivées
des modèles initiaux de blockchains, sont
imaginées pour satisfaire des contraintes
propres à des marchés précis.
Les propositions d’usages sont plus ma-
tures et se concentrent sur un portefeuille
d’applications demandant la coordination
d’un ensemble d’acteurs autour d’un pro-
cessus commun, avec déjà des premières
mises en production de prototypes testés
en 2017.
Depuis la fin de l’été 2018, la chute des
cours des crypto-actifs a entraîné la chute
du nombre des ICO et l’échec de nom-
breuses levées de fonds. Les investis-
seurs cherchent aujourd’hui à sécuriser
leurs investissements et s’intéressent
particulièrement aux security tokens as-
132
Création et levée de fonds
en crypto-monnaies
• Mineurs rémunérés en crypto-monnaies
nouvellement créées ;
• Start-ups ou jeunes entreprises
innovantes levant des fonds en
crypto-monnaies contre tokens par
Initial Coin Offering (ICO).
• Intermédiaires (mise en relation sans
risque de contrepartie - dealers ;
• Plateformes d’échange (détention ou
contrôle de fonds avec risque de
contrepartie - brokers) ;
• Distributeurs physiques de crypto-
monnaies (ATM).
• Cold wallet ou hardware wallet : appareil
électronique physique de stockage, sur
le modèle d’un coffre-fort physique ;
• Hot wallet : portefeuilles fonctionnant
sur des appareils (smartphone,
ordinateur ou tablette) connectés à
Internet.
Échange de crypto-monnaies Conservation de crypto-monnaies
Source : rapport Landau, juillet 2018

similés à des valeurs mobilières, au dé-
triment des ICO organisant l’émission de
jetons ne pouvant pas être qualifiés d’ins-
trument financier comme les utility tokens.
2019 verra l’émergence des STO (Secu-
rity Token Offerings). Il s’agira d’émissions
réalisées par des sociétés existantes, co-
tées ou non, qui émettront des tokens in-
dexés sur des actifs matériels ou immaté-
riels de la société ou donneront droit à une
part de capital ou des revenus. Plusieurs
sociétés du CAC 40 ont de tels projets à
l’étude. Les STO allient les avantages de
souplesse et rapidité des ICO tout en ap-
portant une meilleure sécurité à l’investis-
seur, car le token offert, assimilé à une
valeur mobilière, rentre dans une régle-
mentation bien connue.
Le livre blanc a identifié plusieurs DIP qui
permettront de développer la crypto-éco-
nomie et de protéger ses utilisateurs...
133

DIP 19 : favoriser
la recherche sur la
crypto-économie
Les projets de recherche peuvent s’organi-
ser autour de quatre thématiques :
La cryptographie
Elle a un quadruple usage dans les archi-
tectures de blockchain :
• Assurer les propriétés fondamentales du
registre comme l’immuabilité, l’ordon-
nancement des blocs et l’identification
des intervenants ;
• Apporter une partie de la solidité du
consensus dans le cas de la preuve de
travail ;
• Garantir la confidentialité sur tout ou
partie des données inscrites dans le re-
gistre ;
• Fournir des fonctions supplémentaires
autour du registre.
Les algorithmes de cryptographie inclus
dans la plupart des blockchains actuel-
lement proposées sur le marché depuis
les années 1970 peuvent/doivent être
constamment améliorés pour continuer à
assurer les fonctions demandées par les
blockchains tout en prenant en considéra-
tion l’amélioration de la puissance des cal-
culateurs (loi de Moore) pouvant servir à
la cryptanalyse. Une fois utilisé, tout algo-
rithme de cryptographie donne lieu à des
études de cryptanalyse pour en détecter
les limites. En parallèle, la puissance des
calculateurs continue à croître au rythme
68. SHA-1 (Secure Hash Algorithm) est une fonction de hachage cryptographique conçue par la National Security Agency
des États-Unis (NSA) et publiée par le gouvernement des États-Unis comme un standard fédéral de traitement de
l’information (Federal Information Processing Standard du National Institute of Standards and Technology (NIST)) en
1993. Elle produit un résultat (appelé « hash » ou condensat) de 160 bits. Cette fonction a évolué depuis en SHA-2, 3.
de la loi de Moore. Les algorithmes se
trouvent ainsi remis en cause régulière-
ment comme dernièrement SHA168
. L’em-
ploi de blockchain dans des contextes
financiers demandant une haute sécurité
repose essentiellement sur les caractéris-
tiques du cryptage mis en œuvre.
Par ailleurs, l’avènement annoncé de cal-
culateurs quantiques particulièrement
adaptés à certains calculs intervenant en
cryptologie peut brutalement remettre en
cause les caractéristiques de ces algo-
rithmes comme le chiffrage asymétrique
au cœur de l’identité des intervenants
dans une blockchain. Des solutions de
cryptographie quantique sont en cours
d’élaboration, mais leurs applications aux
blocs antérieures restent à définir.
En parallèle, l’adjonction d’algorithmes, par
exemple les preuves à divulgation nulle de
connaissance (i.e. Zero Knowledge Proof), a
considérablement amélioré les fonctionnali-
tés des blockchains en ouvrant des possi-
bilités de contrôle des transactions tout en
assurant la confidentialité des données. De
nouveaux apports fonctionnels peuvent être
offerts par d’autres classes d’algorithmes
de cryptographie qu’il faudra redécouvrir et
adapter au contexte des blockchains em-
ployées dans les fintechs.En parallèle, la
simplification des algorithmes actuels de
cryptographie peut être réalisée par les cher-
cheurs, la recherche de mise en œuvre effi-
cace pouvant améliorer, à coûts identiques,
certains paramètres des blockchains (la-
tence, capacité maximale, etc.).
Le consensus
La notion de consensus est au centre
134

de la décentralisation des blockchains. Il
doit à la fois garantir l’égalité des parties
prenantes tout en assurant l’unicité des
ajouts au registre. Le consensus résulte le
plus souvent d’une complémentarité entre
un algorithme fixé dans le logiciel et des
règles implicites ou explicites de gouver-
nance entre les acteurs de la blockchain.
Des exemples opérationnels sont donnés
par les chaînes publiques qui résistent de-
puis maintenant plusieurs années, mais des
limites apparaissent dans la sécurité de no-
tion de consensus distribué. Par exemple, la
couche réseau pair à pair apparaît comme
particulièrement fragile et les règles impli-
cites des chaînes publiques demanderaient
à être formalisées pour en apprécier les
conditions de pérennité et leurs limites.
L’utilisation de blockchains en consor-
tiums très larges doit encore faire preuve
de sa résistance aux attaques qui ne man-
queront pas d’intervenir au fur et à me-
sure des mises en œuvre dans des sec-
teurs stratégiques. La mise en œuvre de
blockchain de consortium impose donc un
pilotage de ces architectures pour en dé-
tecter le plus tôt possible les risques, les
fragilités et les attaques.
Le sujet doit être abordé dans le domaine
de l’économétrie appliquée aux relations
au sein des groupes d’acteurs autour
d’une même blockchain et selon une ap-
proche plus classique sur les systèmes
informatiques distribués.
Des smart contracts aux langages de mo-
délisation des contrats et des processus
En 2014, Vitalik Buterin appliqua la notion
de smart contract (fonctions auto-exé-
cutantes) à une blockchain en lançant
Ethereum. Plusieurs utilisateurs se sont
emparés du concept en proposant des
applications concrètes qui montrent tout
le potentiel de ces programmes capables
de traitements sur le registre avec les
mêmes caractéristiques : traitements dis-
tribués pour des logiciels archivés de fa-
çon immuable dans le registre avec une
confiance distribuée assurée par l’en-
semble des parties prenantes.
Ces smarts contracts ne sont littéralement
ni «
smart
» ni des contrats à proprement
parler, mais restent une technologie pro-
metteuse. Leur histoire récente a montré
des limites avec des accidents aux consé-
quences chiffrées en millions de dollars :
le code logiciel étant immuable, la moindre
erreur ou divergence entre les spécifica-
tions et la réalisation présente des im-
pacts majeurs sur l’évolution du contenu
du registre. Ce risque limite aujourd’hui
un large usage de ces outils dans des
applications réelles pourtant porteuses
de productivité, de qualité et de nouveaux
services dans des environnements opéra-
tionnels répartis entre plusieurs entités.
Les blockchains de consortiums doivent
apporter des niveaux de sécurité, de puis-
sance de traitement satisfaisants et aux
caractéristiques démontrables dans ces
environnements distribués sans devoir ré-
aliser et attendre des tests exhaustifs qui
prendraient plusieurs années.
Des outils de simulation, de vérification et
de preuve formelle des logiciels employés
dans les smart contracts doivent être dé-
veloppés et expérimentés en tirant profit
des centres de recherche français et de
leur écosystème aux compétences recon-
nues au niveau mondial. Ces outils passe-
ront par la création ou l’amélioration des
langages spécifiques (langage contrôlé ou
« domain specific language ») autorisant
ainsi vérification et preuve formelle. Les
étapes suivantes passeront par la spéci-
135

fication et le développement de langage
de modélisation couvrant des concepts
d’open workflow et de modélisation de
contrats (ex. : DAML, voir DIP 25).
Cela permettra une approche plus ai-
sée pour les opérationnels et les fonc-
tions support (juridique, contrôle interne,
conformité et régulateur). Le workflow des
processus est défini pour ce langage avec
devoirs et obligations de l’ensemble des
parties participantes à l’ensemble de la
chaîne. L’inscription des transactions et
des événements sera enregistrée dans le
GDL (Global Synchronization Layer) de la
chaîne utilisée.
De nouvelles architectures
L’approche globale pour une blockchain
de consortium peut s’appuyer sur une ar-
chitecture plus variée que les réalisations
en chaînes publiques, à la fois par une
nécessaire intégration dans les systèmes
d’information des parties prenantes et par
des choix différents en matière de com-
promis entre sécurité, distribution décen-
tralisée, passage à l’échelle et latence.
Le compromis choisi privilégiant la sta-
bilité de la chaîne Bitcoin et la sécurité
des échanges par rapport aux possibilités
de puissance de traitement des transac-
tions peuvent être finement adaptés de
certains cas d’usage interne à un groupe
de parties prenantes. Par ailleurs, plu-
sieurs blockchains coopéreront nécessai-
rement dans une même entreprise pour
construire des services plus complexes
que les mises en œuvre publiques.
Des solutions pour l’interconnexion et
l’interopérabilité de plusieurs blockchains
entre elles doivent pouvoir émerger puis
être validées et testées. Le bloc séquen-
tiel n’est pas la seule solution de repré-
sentation du registre et des solutions de
graphes acycliques, palliant certaines
faiblesses des premières architectures,
sont proposées : ces chaînes basées sur
des graphes acycliques affichent des puis-
sances au-delà du millier de transactions
par seconde. D’autres structures peuvent
émerger, associées à des caractéristiques
nouvelles et largement plus performantes
que celles de blockchains initiales.
Recommandations
Un programme de formation et de vulga-
risation
Un programme de formation et informa-
tion pourra être lancé par le Pôle FINANCE
INNOVATION et des laboratoires de l’IN-
RIA, l’université PSL et les universités de
Saclay sur des sujets comme les fonc-
tions de base de cryptographie, l’informa-
tique distribuée et la crypto-économie. Les
laboratoires français d’informatique, de
cryptographie et d’économie sont parfaite-
ment au niveau pour offrir des savoir-faire
qui permettront d’apporter des fonctions
nouvelles aux fintechs sous réserve de la
création de liens avec les industriels et
institutions du secteur et une coopération
effective autour de projets concrets.
Des programmes de recherche croisant
les compétences
L’innovation viendra de la mise en contact
et de la confrontation des porteurs de cas
d’usages précis en fintech avec les pôles
de recherche en cryptologie, en informa-
tique distribuée et en économétrie de l’IN-
RIA, de PSL, de la TSE et X sur la base d’un
programme de recherche construit sur les
éléments cités au paragraphe précédent.
Le croisement des compétences est impé-
ratif pour le succès de ces programmes.
Cela implique de disposer des compé-
136

tences nécessaires pour chacun des mail-
lons de la chaîne de valeur qui utilise la
blockchain et donc de fournir un effort
important de formation dans tous les do-
maines de cette technologie, de la modéli-
sation au codage, du contrôle et des tests
au pilotage de la mise en application opé-
rationnelle, du juridique à la conformité.
Par ailleurs, le besoin en compétences est
varié. De nombreux enseignements de la
blockchain ont été mis en place (X, PSL
Mines, CNAM, universités de la Sorbonne
et de Clermont-Ferrand, Eureka, ESGI,
etc.), mais restent peu connus et devraient
faire l’objet d’une promotion plus active,
voire d’une «
certification
». Universités,
grandes écoles, lycées technologiques,
organismes de formation professionnelle
et internes aux entreprises, SSII et OPCA
doivent être mobilisés et former dès à
présent les enseignants et experts de
demain afin que la France soit aux avant-
postes des technologies digitales, dont la
blockchain, notamment dans le domaine
financier.
Un recensement/prévision des métiers
émergents de la blockchain est amorcé et
doit fournir les grandes lignes nécessaires
des spécialisations à venir :
• Métiers techniques : développeurs block-
chain et smart contract, ingénieurs des
systèmes distribués, experts en crypto-
graphie et sécurité réseaux décentrali-
sés, designers de solutions blockchain ;
• Métiers de la finance : analystes cryp-
to-actifs et ICO, gérants de fonds en
crypto-actifs, traders sur des plate-
formes d’échanges crypto, métiers de
conservation des crypto-actifs ;
• Métiers juridiques : experts juridiques en
technologie ;
• Métiers de la conformité : chargé de la
conformité blockchain, auditeur blockchain.
137

DIP 20 : développer
les ICO (Initial
Coin Offering)
en protégeant
l’investisseur
Les principes qui véhiculent les ICO
En l’absence de réglementation sur le su-
jet (et dans l’attente du vote définitif de la
loi PACTE, voir partie 4 relative aux enjeux
réglementaires), les ICO sont aujourd’hui
guidées par l’application de bonnes pra-
tiques créées par les utilisateurs et por-
teurs de projets, empruntant à ce qui se
fait plus classiquement en matière d’émis-
sion d’instruments financiers ou dans le
cadre d’IPO (Initial Public Offering, soit
l’introduction en bourse). La plupart de
ces bonnes pratiques sont reprises par
l’AMF qui modifiera son règlement général
et qui publiera une instruction permettant
de détailler la nature et les modalités de
l’organisation et de la structuration d’une
ICO afin qu’elle puisse recevoir son visa69
.
L’objectif reste de fournir un maximum
d’informations aux souscripteurs de je-
tons afin que, dans cet univers marqué
par des incertitudes tant juridiques que ré-
glementaires, ils puissent investir en toute
connaissance de cause de leurs droits, de
leurs obligations et des risques liés. L’ob-
jectif est également de sécuriser, autant
que possible, la collecte, l’utilisation et la
conservation des crypto-monnaies par les
émetteurs ainsi que l’émission des jetons
attribués aux investisseurs.
69. Pour aller plus loin, voir partie 4 « Enjeux réglementaires ».
Enjeux
• La nécessaire prudence des banques
en matière d’ouverture et de fonction-
nement de compte de sociétés ayant ré-
alisé une ICO ne permet pas pour le mo-
ment la normalisation de ces dernières.
Certaines ICO ont pu présenter à ce jour
les aspects d’un effet de « bulle », aussi
est-il nécessaire de bien distinguer les
levées de fonds des tentatives de dé-
tournement qui ont été constatées ;
• Les bonnes pratiques applicables dans
le cadre d’une ICO devront être affinées
et précisées pour supprimer le déficit
d’information actuel que subissent les
investisseurs, notamment dans les do-
maines suivants : modalités de sous-
cription des jetons, règles de conversion
des crypto-monnaies et d’attribution
des jetons, modalités de séquestre et
de restitution des crypto-monnaies le
cas échéant, gouvernance post-ICO,
gestions de la liquidité et de la volatilité
des jetons et du marché secondaire ;
• L’absence de maturité des acteurs et des
techniques utilisées dans le cadre de la
réalisation des ICO et la multiplication
des projets ne facilitent pas l’adoption
et la normalisation de ce type de finan-
cement malgré son succès. Une morali-
sation des acteurs est nécessaire. Les
acteurs impliqués dans le cadre d’une
ICO doivent pouvoir être évalués, notés
et contrôlés. Les fraudes doivent être dé-
tectées plus facilement et les fraudeurs
identifiés et découragés.
Recommandations
• La normalisation des relations entre
les banques et les émetteurs réalisant
138

une ICO passe par la satisfaction des
obligations de connaissance client (en
anglais, KYC « Know Your Customer ») et
des procédures de LCB-FT (lutte contre
le blanchiment des capitaux et le finan-
cement du terrorisme). Cela peut être
réalisé par une normalisation des pro-
cédures KYC et LCB-FT réalisées dans
le cadre des ICO et une clarification de
l’information adressée par les places
de marchés aux banques lorsque des
crypto-actifs convertis en monnaie
scripturales sont virés par ces places
de marché sur les comptes des émet-
teurs : mise en place de procédures de
connaissance client (KYC) basées sur
un reporting unifié (émetteur/échange/
banque) imposant aux places de mar-
ché (ou aux prestataires de services
de paiement avec lesquelles elles ont
signé des accords de coopération) de
communiquer l’information adaptée aux
contraintes réglementaires de connais-
sance client et de LCB-FT. Cette norma-
lisation passe également par la néces-
sité de procéder à l’identification des
origines des fonds dans le cadre d’une
ICO, trop rarement réalisée ;
• Dans un souci de normalisation du
fonctionnement des ICO, il revient au
régulateur de préciser et d’imposer aux
émetteurs l’adoption de techniques spé-
cifiques aux particularités des jetons
permettant la gestion de leur liquidité,
de leur volatilité et de leur évaluation.
Il convient également de préciser les
mécanismes de séquestre, de conver-
sion, de restitution et d’utilisation des
réserves ainsi que des modalités de ré-
alisation d’audit post-ICO permettant la
constatation de la réalisation de miles-
tones assurant le déblocage des cryp-
to-monnaies collectées dans le cadre
de l’ICO.
Enfin, la moralisation des acteurs inter-
venant dans le cadre d’une ICO peut être
encouragée par :
• l’obtention d’un agrément du régulateur
ou d’associations professionnelles repré-
sentatives sur la base d’une évaluation et
du respect d’un certain nombre de condi-
tions d’honorabilité et d’expérience ;
• pour d’autres, l’adoption d’une charte
de bonnes conduites ;
• en tout état de cause, par l’identifica-
tion, la classification des fraudeurs et
la sanction des agréés qui contrevien-
draient à leurs obligations, comme il est
aujourd’hui envisagé dans le projet de
loi PACTE.
Recommandations à court terme
• Normaliser les relations bancaires avec
les mises en place de procédures et de
méthodes permettant de gérer la liquidi-
té des jetons via des accords avec des
teneurs de marchés (market makers) et
apporteurs de liquidité en lien avec les
places de marché ;
• Caractériser l’utilité, les conditions et
les modes d’utilisation des réserves de
jetons (transparence) ;
• Préciser les mécanismes
de conversion monnaies
nationales/cr ypto-actifs/jetons
assurant une actualisation des cours
plutôt que la prise en compte d’un cours
moyen crypto/euro ou bitcoin/euro ou
d’un cours fixé à l’avance ;
• Officialiser et démocratiser des méca-
nismes de fonctionnement des « stable-
coins
», c’est-à-dire un jeton adossé à
un actif sous-jacent (par exemple une
monnaie fiat) et permettant de limiter la
volatilité des jetons ;
• Mettre en place de mécanismes de
suspension des échanges dans le cas
d’une trop forte volatilité des jetons.
139

Recommandations à plus long terme
• Mettre en place une méthode et une
procédure de rating des jetons par des
agences d’évaluation certifiées, obéis-
sant à des cahiers des charges précis
et obéissant à des règles strictes de
gestion de conflits d’intérêts ;
• Instaurer l’équivalent d’un fichier FI-
BEN (Fichier Bancaire des Entreprises)
pour noter les émetteurs ayant initié
des ICO. En parallèle, officialisation par
l’AMF d’une liste noire ou « scams » ;
• Créer une certification des prestataires
de services proposant des audits post-
ICO incluant un cahier des charges des
modalités de périodicité et de déroule-
ment de l’audit ainsi que le contenu du
reporting et des modalités de publica-
tion (charte audit post-ICO) ;
• Développer la moralisation des conseil-
lers et des ambassadeurs (sur la base
de ce qui a été fait pour les apporteurs
d’affaires en matière de gestion d’ac-
tifs) via l’édiction d’un code de bonne
conduite.
140

Focus
Les principes de
valorisation des ICO
Depuis le lancement des ventes de je-
tons ou d’opérations d’ICO ces dernières
années, l’idée de mettre au point des
méthodes d’évaluation permettant de dé-
terminer avec précision le prix futur d’un
jeton est devenue un sujet d’intérêt et de
débat croissant. Des experts tentent de
créer des modèles précis de prévision des
prix des jetons et se heurtent à de multi-
ples problématiques :
• Tout d’abord, l’analyse empirique
manque en effet cruellement et créer
un modèle de prédiction, quel qu’il soit,
exige des preuves empiriques rigou-
reuses. La plupart des ICO financées
sont encore en cours d’élaboration.
Comme certains de ces projets ne se-
ront publiés qu’en 2019 ou 2020, l’éva-
luation actuelle repose sur un grand
nombre d’hypothèses (pénétration du
marché, courbes d’adoption par les
clients…) ;
• Deuxièmement, la plupart des modèles
d’évaluation actuellement à l’étude (et
utilisés) sont essentiellement des ver-
sions réajustées de modèles d’évalua-
tion de titres financiers. Or, les jetons
ne présentent pas les mêmes carac-
téristiques et, de plus, sont tous diffé-
rents ;
• Troisièmement, les jetons ont des pro-
priétés monétaires et des objectifs
fonctionnels, ce qui constitue une va-
leur économique intrinsèque. Chaque
70. Benjamin Graham est l’auteur du livre « Security Analysis » et « The Intelligent Investor » est souvent considéré comme
le père de l’investissement intelligent.
projet utilisant des jetons fonde sa
communauté ayant ses propres attri-
buts d’approvisionnement en devises
et sa vitesse de circulation qui souvent
ne sont pas pris en compte dans la
construction des modèles d’évaluation
ni même clairement abordés dans le
white paper des projets.
Méthodologie modulaire d’évaluation
des tokens
Compte tenu des problèmes énumérés
ci-dessus, la communauté blockchain doit
reconnaître la nécessité d’un nouveau
modèle d’évaluation pour ce véhicule d’in-
vestissement émergent. Une telle métho-
dologie nécessite un cadre établi avec ses
propres définitions et de déterminer au
préalable les variables du modèle.
Des chercheurs de BNP Paribas et de la
CDC Recherche (Caisse des Dépôts et
Consignations) ont développé une nouvelle
méthodologie de valorisation des jetons.
Ils ont abordé la question de l’analyse des
caractéristiques techniques des ICO en se
concentrant sur les smart contracts qui,
en constituant le modèle de gouvernance
de l’ICO, ont un impact direct sur l’offre et
donc le prix des jetons. La démarche s’ins-
pire de celle de Benjamin Graham70
qui a
permis de séparer la valeur intrinsèque
d’une action de sa valeur spéculative.
Le rapport «
Cryptoasset valuation : iden-
tifying the variables of analysis » détaille
donc les variables techniques à prendre
en compte lors de l’analyse d’un livre
blanc (white paper) de l’ICO par les inves-
tisseurs et détaillant les limites des smart
contracts. À l’aide des données fournies
par ChainSecurity et Stratumn, une liste
141

de variables techniques est fournie afin
de construire un modèle d’évaluation res-
pectant la granularité de l’écosystème, la-
quelle comprend :
• attributs de base du codebase (langue
et version) ;
• système de gestion d’identité pour la
vente des tokens ;
• facteurs d’échelle ;
• conformité aux normes ERC20 ;
• présence de conditions négligées ;
• utilisation de modificateurs ;
• limites des fonctions ;
• valeurs de rétribution des fonctions ;
• débits excédentaires et insuffisants ;
• réentrée et réorganisation des at-
taques ;
• variables liées à GITHUB/Etherscan, etc.
Cette liste de variables techniques pour-
rait être utilisée pour construire des mo-
dèles d’évaluation symbolique adaptés au
contexte, examinant et comparant les mé-
thodes d’évaluation actuelles.
En revanche, le rapport ne fournit pas de
modèle d’évaluation et s’attache plutôt à
ce qui doit être privilégié pour commencer
à créer les éléments constitutifs des mo-
dèles d’évaluation des jetons.
La deuxième partie du rapport se concentre
sur l’identification des variables monétaires
nécessaires à l’élaboration d’une méthodo-
logie de valorisation des jetons.
L’ultime objectif est de déterminer les
variables utiles à l’évaluation des jetons
est de créer une Méthodologie Modulaire
d’Évaluation. Comme les jetons sont très
différents selon le type de service fourni,
un modèle d’évaluation «
taille unique
»
n’est pas réaliste. Un modèle d’évalua-
tion modulaire accompagné d’une liste
exhaustive de variables est donc à privilé-
gier en choisissant les plus adaptées au
respect des spécifications des jetons. Ce
n’est qu’en obtenant de tels paramètres
et en construisant une boîte à outils de
variables qu’il sera possible d’établir une
taxonomie standard et d’aider les investis-
seurs dans leurs décisions de placement.
L’absence d’un cadre structurel permet-
tant aux investisseurs de déterminer la
pertinence d’un investissement a favorisé
la baisse de confiance dans les ventes
de jetons qui ont diminué. Aujourd’hui, la
plupart des investissements dans des ICO
sont devenus des accords d’agrément et
le financement du capital-risque gagne ra-
pidement du terrain. En octobre 2018, le
financement des ICO et du capital-risque
traditionnel était pour chacun de 600 mil-
lions de dollars. Pour remédier à cette si-
tuation et permettre aux ICO d’agir comme
le nouveau véhicule d’investissement
qu’elles sont, un nouveau cadre d’évalua-
tion doit être créé, testé et développé et
auquel la communauté crypto doit avoir
accès.
142

DIP 21 : sécuriser
les portefeuilles
numériques
et adapter les
fonctionnalités de
conservation des
crypto-actifs
Une des problématiques fondamentales
sur le marché des crypto-actifs aujourd’hui
concerne la notion de conservateur, c’est-
à-dire la possibilité pour une entreprise de
sécuriser des crypto-actifs (via la conser-
vation des clés privées) au nom de ses
clients. Comment les portefeuilles de
crypto-actifs peuvent-ils répondre à ces
besoins ? Quels sont les enjeux en termes
de régulation à considérer ?
Enjeux
Les enjeux sont les suivants :
Sécurité du portefeuille
La sécurité du portefeuille en crypto-ac-
tifs est essentielle : si une entreprise qui
conserve des fonds pour le compte de ses
clients est la cible d’une action malveil-
lante, les fonds peuvent être perdus.
Audit de l’entreprise
Une entreprise qui se voit confier des
fonds doit, à tout moment, pouvoir être au-
ditée par une autorité régulatrice vérifiant
le stock et la propriété des crypto-actifs
qu’elle conserve.
Retrait des fonds
Un tel mécanisme de conservation doit
pouvoir garantir que les clients peuvent
récupérer leurs fonds dans des limites de
temps raisonnables.
Recommandations
Sécurité du portefeuille
Notre première recommandation est l’uti-
lisation d’un portefeuille le plus sécurisé
possible. On citera ici deux possibilités :
• la première est l’utilisation d’un porte-
feuille hors ligne « cold wallet » qui n’est
pas accessible en ligne à tout moment.
Il peut s’agir ainsi d’un portefeuille
stocké sur une clé USB conservée dans
un coffre et qui n’en est sortie que lors-
qu’une transaction doit être effectuée.
Cette solution a comme désavantages
que le portefeuille n’est pas immédiate-
ment disponible pour effectuer la tran-
saction et qu’il peut être mis en défaut
si la clé USB est connectée à un ordina-
teur infecté.
• La deuxième possibilité est l’utilisation
d’un portefeuille sécurisé physique. On
pourra citer notamment les solutions
de l’entreprise française Ledger, no-
tamment le Ledger Nano S ou le Ledger
Vault.
• Une couche de sécurité additionnelle
qu’il faut considérer est la possibilité
de créer des portefeuilles multi-signa-
tures. Dans ce cas, pour envoyer les
fonds, le conservateur doit signer une
transaction avec son portefeuille et le
client avec le sien. Cette solution est la
meilleure en termes de sécurité, dans
la mesure où le conservateur ne peut
en aucun cas s’accaparer les crypto-ac-
tifs sous sa garde. Cette solution pré-
sente deux désavantages : si l’un des
deux portefeuilles est perdu, les fonds
sont à jamais inaccessibles et la néces-
sité de demander deux signatures pour
chaque transaction implique un délai
supplémentaire.
143

Audit de l’entreprise
• En matière d’audit, il est souhaitable
que la réglementation puisse imposer
la mise en place de pistes d’audit per-
mettant à l’établissement conservateur
de démontrer à tout moment qu’il dis-
pose bien des crypto-actifs qui lui ont
été confiés et qu’il est en mesure d’éta-
blir la correspondance entre chaque
portefeuille de crypto-actif géré et le
client à qui il appartient (le titulaire du
portefeuille).
• Dans ce cadre-là, il peut être envisagé
de créer une licence ou un agrément de
«
dépositaire
» de crypto-actifs, permet-
tant de fournir au public une liste des
établissements et prestataires de ser-
vices qui respectent des standards de
sécurité et de fiabilité et sont soumis à
la réglementation française (voire euro-
péenne).
144

3.4 ÉCOSYSTÈME ET
PLATFORMES EN PLACE
DIP 22 : identifier
et décliner les
bonnes pratiques
de consortia pour
développer des
solutions de place
L’étude des différents cas d’usage montre
que les initiatives individuelles n’ont pas
de valeur ajoutée significative pour les
entreprises et que les initiatives de place
sont plus prometteuses. Une blockchain
de consortium est contrôlée par un en-
semble de nœuds présélectionnés repré-
sentant des acteurs ayant un intérêt à col-
laborer ensemble sur une même chaine
de valeur.
Il existe plusieurs initiatives de consortia
de blockchains, la plus connue étant le
projet R3 (Corda). Néanmoins, elles sont
confrontées à plusieurs difficultés :
• Stratégiques : rassembler autour d’un
même projet informatique plusieurs en-
treprises parfois concurrentes, ayant
des agendas et des processus diffé-
rents, constitue un véritable enjeu. In-
tervient de plus un retour sur investis-
sement (ROI) pas toujours justifié par
rapport au système centralisé qui fonc-
tionne déjà et non encore amorti ;
• Techniques : la technologie open
source, pas toujours mature, ne garan-
tit pas la scalabilité et la confidentialité
des données.
L’objectif de ce DIP est d’identifier les
bonnes pratiques pour réussir un projet de
place au sein d’un consortium. Cela passe
par l’expérimentation d’un cas d’usage
sous forme de Proof Of Concept. Une fois
validé, on peut envisager son passage à
l’échelle et son industrialisation.
Expérimenter le cas d’usage sous forme
d’un proof-of-concept
Avec le lancement de POC (Proof Of
Concept), de MVP (Minimum Viable Pro-
duct) ou encore d’applications pilotes,
l’enjeu est d’identifier les besoins mé-
tiers auxquels le projet blockchain doit
répondre. Un cas d’usage simple, adapté
à une architecture distribuée sur un pé-
rimètre restreint et à coût limité afin de
s’approprier la technologie, permet de tes-
ter la faisabilité technique et de valider les
choix architecturaux. La validation du PoC
permet parfois de convaincre des spon-
sors ou partenaires de rejoindre le projet.
Après avoir validé le besoin métier, il faut
le traduire en spécifications et formaliser
la proposition de valeur qui passe par le
calcul du ROI.
Le principe d’un consortium nécessite de
réunir plusieurs participants, une dizaine
au moins pour le démarrage. L’un des
facteurs déterminants de succès est le
partage d’intérêts et d’objectifs communs
avec une feuille de route allant jusqu’à la
phase d’industrialisation.
Cela implique de déterminer les règles
de gouvernance en répondant à quelques
questions (quels enjeux de confidentia-
lité, droits de lecture ou d’écritures, be-
soin d’une base de données cryptée…
?)
afin de permettre de sélectionner la
blockchain la plus appropriée et d’éviter
les changements de cap ou les malenten-
dus en cours de route. Il est enfin essen-
tiel d’allouer les ressources matérielles et
145

humaines nécessaires, à commencer par
les compétences. La maîtrise de la tech-
nologie blockchain est indispensable pour
réussir cette première phase de PoC dans
de bonnes conditions : développeurs,
architectes de solutions distribuées, ex-
perts en cybersécurité des blockchains et
des smart contracts. Cela passe par le re-
crutement, la formation ou le partenariat
avec des spécialistes (startups, consul-
tants expérimentés).
71. www.acord.org/standards-architecture/acord-data-standards.
Du PoC à l’industrialisation
Plusieurs projets sont restés à l’étape du
PoC du fait de nombreux freins, notam-
ment juridiques, techniques et de gouver-
nance, cette dernière devant être réglée
avec le consortium.
La recommandation est de créer une
structure ad hoc pour la mise à l’échelle
du PoC en définissant les caractéristiques
dans le tableau ci-dessous71.
.
146
La forme juridique
La forme juridique importe peu, mais les
acteurs doivent définir le cadre contrac-
tuel de cette structure :
• Le statut juridique de la structure.
• Les acteurs, leur rôle et leurs respon-
sabilités.
• L’évolution future de la structure.
• Le processus d’intégration des nou-
veaux membres non fondateurs.
• Les droits de la propriété intellectuelle.
• Les modalités de financement de la
structure : coûts de développement,
d’implémentation, de fonctionnement
et de maintenance.
• Le modèle économique pour l’accès à
la blockchain et le mode de rétribution
de chacun (tarification à la transac-
tion, abonnement annuel etc.).
• Vérifier la conformité à la réglementa-
tion en vigueur ou à venir. Pour les cas
d’usage B2C qui impliquent la relation
avec le client, Il y a des contraintes
supplémentaires sur le traitement des
données personnelles et la protection
du consommateur.
• Si besoin obtenir dès la phase d’expé-
rimentation l’accord ou la labélisation
des autorités de régulation (Banque
de France, AMF, ACPR, CNIL…).
Choix de la blockchain et implémentation
Le choix publique vs. privée ?
• Vérifier que les choix technologiques
du prototype sont toujours valides et
les adapter au besoin.
• S’assurer que la blockchain choisie
est mature avec une communauté ins-
tallée, notamment pour le cas des
blockchains open source (le dyna-
misme et la réactivé d’une communau-
té peut être déterminante) afin d’ap-
porter la confiance nécessaire sur la
pérennité de la solution.
• Mise en place de procédures de tests
robustes pour assurer la cybersécurité
des programmes développés (notam-
ment pour les smart contracts).
• Disposer d’une veille technologique et
d’un benchmark partagé et régulière-
ment mis à jour des principales solu-
tions (Corda, Ethereum, Hyperledger...).
• Faciliter l’usage pour le client final en
particulier sur les modalités d’accès
et la gestion des clés.
• Anticiper l’intégration informatique de
la plateforme au sein des DSI des ac-
teurs : sociétés de gestion, investis-
seurs, distributeurs, dépositaires, ad-
ministrateurs de fonds…
• Favoriser une démarche projet itérative
et agile en pour l’implémentation.
• Adopter un standard de données exis-
tant (ACORD70
dans B3i par exemple).
Gouvernance
Dans le cadre du consortium, le parte-
naire technologique qui représente la
structure ad hoc aide à la définition et à
l’application des règles de gouvernance.
• Définir les acteurs de cette structure
ad hoc. Il est important que les ac-
teurs qui ont réalisé le prototype
restent impliqués dans la création de
la structure afin de garder une conti-
nuité et capitaliser sur l’expérience
acquise.
• Définir les rôles des acteurs et les mo-
dalités d’échange des flux financiers
et de données.
• Définir les droits d’accès, de lecture et
d’écriture.
• Définir les modalités de partage des
coûts d’implémentation et de la ges-
tion du changement entre les partici-
pants au consortium (coût de mise en
production du prototype ; coût d’inté-
gration dans chacun des systèmes
d’information des participants ; coût
de formation et de montée en compé-
tence sur la technologie des équipes,
coûts d’expérimentation liés au
manque de connaissance et de recul
sur la technologie).
Il est recommandé d’intégrer les acteurs
au fur et à mesure et non simultanément.
Interfaçage et interopérabilité
• Prévoir l’intégration dans les systèmes
d’information de chacun des acteurs
du consortium.
• L’interfaçage permet de collecter des
informations à travers des API, appli-
cations mobiles, capteurs connectés
ou portails web.
• Prévoir les possibilités d’interopérabili-
té entre blockchain (il n’y aura pas
une seule blockchain universelle).
Données et confidentialité
• Déterminer les droits de lecture ou
d’écriture.
• La réglementation en vigueur et cer-
tains prérequis métier peuvent parfois
présenter d’importantes limites sur
ces sujets mais il existe aujourd’hui
des solutions qui permettent de lever
partiellement ou complètement ces
contraintes comme les empreintes nu-
mériques ou les zero-knowledge-proofs
qui conservent de façon confidentielle
certaines données inscrites sur une
blockchain publique.
Capacité transactionnelle,
scalabilité et services associés
• Les volumes de transactions à traiter
par seconde et la capacité d’une
blockchain à accueillir de nouveaux
participants peuvent fortement varier
d’une solution à l’autre et doivent être
étudiés dès la phase de conception.
• Il est également important d’envisager
les différents services associés pour
garantir le bon fonctionnement du
réseau, par exemple le back-up des
clés privées des utilisateurs ou des
outils de rapport et d’audit pour l’utili-
sation des données.

Autres points critiques
Disposer des compétences nécessaires
• Monter en compétence sur les techno-
logies (acculturation, évangélisation).
La blockchain est une technologie re-
lativement nouvelle en perpétuelle évo-
lution et il est primordial de s’informer
constamment sur les évolutions techno-
logiques et législatives ;
• Identifier des talents techniques et les
accompagner dans l’expertise ;
• Constituer une équipe pluridiscipli-
naire : il est essentiel de combiner les
expertises métiers, technologiques, ju-
ridiques et managériales ;
• Collaborer avec des organismes publics
(BPI…) ou professionnels (FBF, FFA,
AFG) ou participer aux initiatives euro-
péennes (JEDI) ;
• Anticiper les contraintes réglemen-
taires : du fait de leur évolution, le pro-
jet risque de ne pouvoir être déployé. Il
faut donc être attentif aux réglementa-
tions en fonction du cas d’usage, qu’il
soit B2B ou B2C. À noter que, pour ce
dernier, il existe plus de contraintes ré-
glementaires relatives à la protection
du consommateur final. De plus, l’enre-
gistrement des données personnelles
sur des blockchains publiques peut éga-
lement poser problème dans le cadre
du RGPD (voir partie 4 sur les enjeux
juridiques). Les autorités de régulation
comme la Banque de France, l’AMF ou
la CNIL émettent de nombreuses notes
informatives.
Assurer la maintenance de la solution
À la différence d’un programme classique,
les blocs de la blockhain sont exécutés sur
un ensemble de participants du réseau,
rendant complexe le processus de débo-
gage de l’application. Les modifications
apportées restent en effet inscrites dans
la blockchain, aussi un smart contract bo-
gué restera stocké. Il faudra en créer un
nouveau et attendre la propagation des
changements pour corriger la situation, à
la différence des applications classiques
où les versions antérieures sont directe-
ment écrasées par les nouvelles.
Ne pas négliger la cybersécurité
Le caractère immuable et partagé de la
blockchain peut entrainer de graves consé-
quences en cas de failles ou d’erreurs, en
particulier pour les smart contracts. Les
audits de ces derniers doivent être régu-
liers, tant les erreurs et failles peuvent
avoir de lourdes conséquences (cf. le pro-
jet sur le DAO).
147

Focus
Le projet Madre,
blockchain de la
Banque de France
pour le registre
des identifiants
créanciers SEPA : les
facteurs de succès
La Banque de France a déployé en dé-
cembre 2017 la première blockchain
d’une Banque Centrale. Grâce à elle, la
Banque de France délivre les Identifiants
Créanciers SEPA aux banques en quelques
secondes, au lieu d’environ 15 jours pré-
cédemment. Les Identifiants Créanciers
SEPA sont destinés aux entreprises qui
souhaitent réaliser un prélèvement direct
sur les comptes de leurs clients.
Le projet a été initié mi-2016 dans le LAB
de la Banque de France dans le cadre
de sa démarche d’innovation. La mise
en production a été faite 18 mois plus
tard, conjointement avec deux premières
banques de la Place. À ce jour, six banques
disposent d’un nœud de cette blockchain
et trois autres banques seront raccordées
début 2019.
Plusieurs facteurs ont permis le dévelop-
pement rapide du projet et de dépasser
la phase du POC pour une mise en œuvre
opérationnelle :
Un cas d’usage adapté à une technolo-
gie distribuée...
Le cas d’usage retenu était relativement
simple, ce qui a représenté un facteur de
succès certain. La volumétrie est modé-
rée (une centaine d’identifiants créée par
jour) et la gestion distribuée est adaptée
au processus métier : la Banque de France
est passée d’un mode de gestion où elle
était propriétaire du registre à un mode de
gestion en co-propriété avec les banques,
ce qui correspond au schéma de respon-
sabilité de ce référentiel de place.
Une technologie qui contraint à sortir du
cadre...
Par nature, la blockchain change le cadre
de réflexion et de questionnement. Elle
facilite des approches disruptives et un
changement de modèle.
Une démarche de co-construction agile
et la volonté d’aller vite
La Banque de France a mené les diffé-
rentes phases du projet : prototypage
dans le LAB, développement de l’applica-
tion et tests avec les banques, mise en
production en mode agile avec une équipe
regroupant des compétences métiers,
techniques et juridiques. Dans un souci de
co-construction et pour pallier le manque
de maturité de l’ensemble des acteurs,
toutes les difficultés ont été partagées en
temps réel et le processus de résolution
de problème mené de manière conjointe
entre tous. Une startup (Blockchain
Partner) a apporté ses compétences sur
la technologie et a été associée à toutes
les phases du projet.
Le LAB de la Banque de France a permis
d’accélérer le projet, en faisant travailler
startup et interlocuteurs métiers autour
d’un objectif commun et en s’assurant
que le produit était nécessaire et suffi-
sant pour une mise en production. Si l’on
considère qu’innover n’est pas seulement
avoir de nouvelles idées, mais aussi aban-
148

donner les anciennes, la vitesse imprimée
au projet peut également être considérée
comme un facteur clé de succès : elle
oblige à l’adaptation sans pour autant lais-
ser la possibilité de revenir à un cadre de
référence existant.
Une gouvernance simple du processus
métier
La mise en œuvre d’une blockchain, met-
tant en œuvre par nature un mode distri-
bué, nécessite de définir des règles de
gouvernance claires pour définir les res-
ponsabilités des acteurs dans la gestion
opérationnelle du dispositif. Un facteur de
succès est de considérer un cas d’usage
où la gouvernance en place n’est pas trop
complexe. C’est le cas de la gestion des
Identifiants Créanciers SEPA, dans lequel
le schéma de fonctionnement et de par-
tage de responsabilités reste relativement
simple et basé sur la relation contractuelle
entre les acteurs.
Un leadership affirmé
Forte d’un appui au plus haut niveau de
l’entreprise, la Banque de France a joué
ce rôle de leadership en proposant ce cas
d’usage aux banques et en conduisant
l’ensemble des étapes jusqu’à la mise
en production effective. Sous l’impulsion
de son Chief Digital Officer et des respon-
sables du projet, elle a montré, dans une
démarche d’innovation ouverte, un mode
de fonctionnement différent dans le cadre
de la gestion de registres de place.
La Banque de France a montré en dé-
ployant MADRE qu’elle était un acteur
central de l’innovation dans le secteur
financier. Elle a acquis une compétence
avancée sur la mise en œuvre de la tech-
nologie blockchain, ce qui lui permet d’en-
gager des discussions avec les acteurs
bancaires pour envisager de nouveaux
cas d’usages, liés au partage sécurisé
d’autres informations avec les banques.
Il faut noter que ce projet est un cas simple
n’intégrant pas les freins usuels d’une
mise à l’échelle : la scalabilité puisqu’ils
sont moins d’une vingtaine, la confidentia-
lité des données puisqu’il s’agit d’identi-
fiants SEPA et qu’il ne stocke pas de don-
nées personnelles.
149

L’application de
la blockchain
à l’industrie de
l’assurance
L’industrie de l’assurance est un secteur
majeur de l’économie, d’une part par le
montant de la prime globale collectée qui
a atteint 5 trillions de dollars en 201772
et,
d’autre part, par le rôle important qu’elle
joue dans la protection des personnes et
des entreprises.
Néanmoins, malgré une hausse globale
des primes, les résultats techniques pâ-
tissent en raison de la dégradation sen-
sible de la sinistralité, du poids de la ré-
glementation et d’une baisse des primes
72. Swiss Re (2018) www.swissre.com/media/news_releases/nr_20180705_sigma_3_2018.html.
73. Aon (2017): Reinsurance market outlook, September 2017.
74. McKinkey (2017) www.mckinsey.com/industries/financial-services/our-insights/insurance-2030-the-impact-of-ai-on-
the-future-of-insurance.
75. Ryan (2018) www.inc.com/kevin-j-ryan/industries-ready-for-disruption-2018.html.
dans des marchés matures et très concur-
rentiels73
.
Ainsi, plusieurs études dont le rapport
McKinsey sur les évolutions de l’assu-
rance à horizon 2030, paru en avril 201874
,
et l’étude de Ryan sur les secteurs prêts
pour la disruption, parue en janvier 201875
,
ont identifié les assurances comme l’un
des cinq principaux secteurs prêts à faire
l’objet de transformations profondes grâce
aux nouvelles technologies. La blockchain
est perçue comme la technologie idéale
pour transformer un secteur en recherche
de solutions afin d’améliorer son efficacité
opérationnelle.
Plusieurs cas d’usage ont été identi-
fiés. Dans la gestion de sinistres où la
blockchain est idéale pour apporter une
preuve, la situer dans le temps et même
la géolocaliser, des initiatives telles que
150
Influenceurs (fédérations...)
Experts
Partenaires
Régulateurs/Agence de notation
Assurés Distributeurs
Réseaux
assureurs
Banques
Courtiers
Grossistes
Assureurs/
Mutuelles
Co-assurance
Pools/
Gouvernements
Réassurance
vie/Non-vie
speciality
Rétrocession
Réassurance
Personnes
Entreprises
Nouveaux entrants (Insurtechs)
Flux Souscription et donnée Transfert de risques aux marchés de capitaux Échanges liés à la conformité
Flux gestion de sinistre Nouveaux services proposés par les nouveaux entrants (insurtechs)
Capital alternatif
Courtiers
de
réassurance
Assurance Intermédiaire Réassurance Rétrocession
Figure 8 : la cartographie des acteurs et flux de l’assurance (source : Fathia Grandjean, 2018)

Chainly76
pour l’Auto et Monuma77
pour les
objets de valeur ont été analysées. La
blockchain a également été testée sur des
smart contracts pour digitaliser un contrat
d’assurance ou de réassurance (ex. : la
digitalisation de Cat Swap78
et Cat Bonds
depuis 201779
). On notera également les
initiatives portées par un consortium tel
que celui de la loi Hamon80
en France, d’un
consortium italien pour une plateforme
d’assurance pour les risques entreprise81
ou encore d’un consortium internatio-
nal B3i82
visant à digitaliser les contrats de
réassurance.
Trois grands types de flux
La chaîne de valeur de l’assurance repré-
sentée par le schéma ci-dessus illustre un
grand nombre d’acteurs et d’échanges,
classés en trois grandes catégories :
• Ceux liés à la relation client et à la sous-
cription du risque, que ce soit en B2C
ou B2B, et qui impliquent les assureurs
et d’autres parties prenantes (cour-
tiers, distributeurs, partenaires…) ;
• Ceux liés à la gestion des sinistres entre
clients, assureurs, parties prenantes et
réseaux d’experts ;
• Les institutionnels : régulateurs, agences
de notation…
Les points critiques améliorables avec la
blockchain
• La souscription d’une police d’assurance
est caractérisée par des échanges récur-
rents de données à la volumétrie consé-
quente : une des principales caractéris-
76. www.packndrive.com.
77. www.monuma.fr.
78. www.artemis.bm/blog/2016/06/15/nephila-allianz-work-on-blockchain-catastrophe-risk-trading.
79. www.artemis.bm/blog/2018/09/10/solidum-in-first-blockchain-cat-bond-listing-on-an-exchange.
80. www.ffa-assurance.fr/en/content/trial-inter-insurer-blockchain-exchange-secure-data.
81. www.capgemini.com/news/industry-consortium-creates-first-blockchain-basedsolution-for-the-corporate-insurance-
market-in-italy-to-improve-customer-service-in-therisk-assessment-phase.
82. www.b3i.tech/home.html.
83. www.argusdelassurance.com/institutions/lutte-contre-la-fraude-265-m-recuperes-par-les-assureurs-en-2015.
tiques de l’assurance est la notion de
renouvellement. Une police d’assurance
(B2C) ou un traité de réassurance (B2B)
est généralement conclu pour une durée
de un an et se renouvelle chaque année.
À chaque souscription ou renouvellement,
des volumes importants de données sont
échangés pour pouvoir évaluer le risque
et le tarifer. Ces échanges volumineux
nécessitent des traitements lourds et
surtout longs pour aller du client aux pre-
neurs de risque ultimes. Les données
sont souvent caduques ou nécessitent
encore une mise à jour dès leur réception
en bout de chaîne par les réassureurs et
les rétrocessionnaires.
• Une relation client tendue dans un
environnement concurrentiel et une
matière assurable limitée : dans les
marchés matures des États-Unis et
de l’Europe occidentale, les assureurs
multiplient les initiatives pour réduire
les prix, augmenter les couvertures et
améliorer la relation et les services ap-
portés aux clients, mais ceux-ci restent
encore peu satisfaits.
• Une gestion de sinistre coûteuse et
exacerbée par la fraude : l’augmenta-
tion de la sinistralité pèse lourdement
sur le résultat technique des acteurs de
l’assurance. En 2015, la fraude à l’as-
surance a représenté un coût d’environ
2,5 M€ pour l’assurance dommages
seule, soit environ 5 % des primes, et
le chiffre continue de progresser83
.
• Le coût de plus en plus lourd de la
conformité : les entreprises et mu-
151

tuelles d’assurance et leurs partenaires
sont soumis à de nouvelles réglementa-
tions qui pèsent sur l’activité. Solvabili-
té II, DDA, RGPD, pour ne citer qu’eux,
sont autant de chantiers qui pèsent sur
les ressources des assureurs.
Recommandations
Favoriser des plateformes de place inté-
grant les différents acteurs de la chaîne
de valeur (intermédiaires, assureurs, réas-
sureurs) autour de grandes typologies de
cas d’usage (IARD, assurance-vie…) via
une approche consortium.
L’objectif d’une telle plateforme de place
est de mesurer en temps réel l’état des
engagements et des sinistres de chacun
des acteurs. Cette plateforme doit éga-
lement disposer d’une infrastructure ou-
verte pour permettre à d’autres acteurs
de l’écosystème de s’intégrer (insurtechs
pour améliorer les parcours client via
des solutions de déclaration de sinistre,
réparateurs pour estimer les coûts du si-
nistre, acteurs traditionnels pour la partie
contractuelle et transactionnelle).
Cette plateforme permettra notamment :
• Des échanges instantanés, transpa-
rents et fluides : la souscription de la
police s’effectuera via un smart contract
accessible par l’assureur et le distribu-
teur de manière instantanée et, par la
suite, par le réassureur qui aura une
vision transparente des risques dans
les portefeuilles transférés. En cas de
sinistre, les données d’un constat de
dommage seront également visibles
de manière instantanée par toutes les
parties prenantes. En cas d’aggravation
84. www.ffa-assurance.fr/en/content/trial-inter-insurer-blockchain-exchange-secure-data.
du risque suite à un accident corporel
par exemple, la mise à jour de l’infor-
mation sera dynamique et transmise en
quelques secondes plutôt qu’à la mise
à jour de portefeuille qui peut prendre
plusieurs mois. Cette actualisation per-
mettra une meilleure évaluation des si-
nistres, une tarification juste, une éva-
luation des engagements en temps réel
ainsi qu’une estimation plus précise
des provisions et des besoins en réas-
surance ;
• L’implication des principaux acteurs
du marché facilitée par le choix dans
un premier temps de cas d’usage « non
compétitifs
» où chacun trouvera des
avantages (ex. : fédérer l’ensemble des
initiatives liées à la gestion de sinistre
et la prévention de la fraude sur une
blockchain unique pour éviter de renfor-
cer la compétition, tel qu’observé dans
le cas de la Loi Hamon84
) ;
• L’extension de la couverture à d’autres
pays, vu le caractère international de
l’assurance.
152

Recommandation sur
l’interopérabilitédes
blockchains
Promise à un fort potentiel, la multiplicité
des protocoles et des applications de la
technologie peut constituer un obstacle à
ce que la blockchain s’impose de façon
pérenne et universelle. La mise en œuvre
de plateformes ad hoc favorisant l’intero-
pérabilité devrait à cet effet se répandre.
Enjeux
La maturité technique
Voici bientôt dix ans que la blockchain
existe. À l’origine, elle était utilisée pour
effectuer des transactions en crypto-ac-
tifs avec le plus connu, le bitcoin et son
protocole associé, Bitcoin. D’autres pro-
tocoles ont par la suite été développés,
certains basés sur le modèle de preuve
de travail (proof of work), d’autres sur
celui de preuve de participation (proof of
stake), d’autres encore sur de nouveaux
types d’algorithmes de consensus (PoA,
DPoS etc.).
Une nécessité pour la pérennité
Les atouts des blockchains peuvent être mi-
norés opérationnellement si des standards
d’interopérabilité ne sont pas définis à court
terme. Reposant sur des logiques de ré-
seaux, les blockchains vont devoir commu-
niquer entre elles et agréger les utilisateurs
afin de prendre leur pleine mesure.
85. www.hyperledger.org/announcements/2018/10/01/enterprise-ethereum-alliance-and-hyperledger-to-advance-the-
global-blockchain-business-ecosystem.
86. www.blocksy-wiki.symag.com.
87. En informatique, un état agnostique est une ressource généralisée au point d’être interopérable au sein de systèmes
distincts.
Un enjeu non exclusivement technique
De nombreuses initiatives sont d’ailleurs
annoncées pour favoriser l’interopérabilité
entre blockchains, comme le partenariat
annoncé entre Entreprise Ethereum Al-
liance et Hyperledger le 1er
octobre 201885
ou la solution BlockSY qui adopte une
stratégie Multi et Cross Chain86
.
L’interopérabilité n’est pas qu’un enjeu
technique, mais aussi économique et juri-
dique. Il découle de celui de la création de
plateformes agnostiques87
aux protocoles.
Pour favoriser l’interopérabilité, la standar-
disation et la régulation des échanges pour-
ront s’effectuer à l’échelle d’une industrie
ou plus largement au niveau international.
Le bénéfice permettra alors de faire com-
muniquer et interagir les blockchains entre
elles. Au-delà de l’aspect technologique,
l’accent est également mis sur le fait que
la régulation internationale est nécessaire
(au niveau européen d’abord) et que le lan-
cement d’initiatives publiques peut être un
levier de standardisation.
À l’instar d’Internet et ses protocoles
d’échanges, il est urgent et nécessaire
d’établir des standards ou des normes d’in-
teropérabilité afin de pouvoir construire les
couches applicatives. Ce développement
peut constituer un levier pour les blockchains
en créant et en combinant de nouveaux ser-
vices comme, par analogie, Internet a per-
mis de généraliser le e-commerce.
Recommandations
• Favoriser l’émergence de standards
techniques par des acteurs privés (ex. :
153

Symag Blocksy, notamment avec le Pôle
de recherche de Sofia Antipolis, Stra-
tumn…) ou para-publics (ISO, Afnor...)
pour l’interopérabilité entre protocoles
blockchains ;
• Promouvoir le déploiement des plate-
formes françaises d’interopérabilité et
d’interfaçage utilisateurs (Crédit Impôts
Recherche, etc.) ;
• Développer les tests et utilisations par
l’État de solutions blockchain pour les
traitements fiscaux, électoraux, moné-
taires et l’amélioration de la vie quo-
tidienne des citoyens et entreprises
(actes, cartes grises, etc.).
88. Nakamoto, S. (2008). Bitcoin : A Peer-to-Peer Electronic Cash System, disponible sur www.bitcoin.org/bitcoin.pdf.
3.5 LES
TRANSFORMATIONS
PORTÉES PAR LA
BLOCKCHAIN
L’efficacité
opérationnelle
La première blockchain d’envergure, celle
du bitcoin, s’est fait connaître grâce aux
possibilités de paiement qu’elle offrait. His-
toriquement, la création du protocole Bitcoin
est corrélée avec l’émergence de la crise
financière de 2008. L’idée initiale était de
disposer d’un système de cash électronique
pair-à-pair, c.-à-d. ne nécessitant d’intermé-
diaire de confiance quelconque, une banque
la plupart du temps.La perte de confiance
dans les institutions a matérialisé la né-
cessité, pour ceux qui ne voulaient plus en
être dépendants, de disposer d’un nouveau
moyen de transférer de l’argent de pair à
pair et de manière transparente et sécuri-
sée : le Bitcoin était né.
Ceprotocoledesystèmedecashélectronique
pair-à-pair proposé par Satoshi Nakamoto af-
fiche dès fin 2008 son ambition de pouvoir
remplacer l’architecture bancaire tradition-
nelle là où le « coût de la médiation augmente
les frais de transaction, limitant dans la pra-
tique la taille minimale d’une transaction et
empêchant la possibilité des petites transac-
tions occasionnelles88
». La généralisation de
l’utilisation de la blockchain devrait permettre
à la fois d’effectuer des mouvements inter-
nationaux à moindres frais et de faciliter le
développement des micro-paiements.
154

DIP 23 : déployer
l’utilisation de la
blockchain pour
les mouvements
internationaux
Un vaste marché
Le marché des mouvements internatio-
naux est un marché très important. La
Banque Mondiale estime que les paie-
ments internationaux (ou remittances) de
travailleurs ayant migré à l’étranger vers
leurs familles d’origine représentent en-
viron 441 milliards de dollars89
en 2015
pour les pays en voie de développement,
soit environ trois fois les statistiques of-
ficielles des 25 pays recensés, et pour
certains pays plus de 10 % de leur PIB
(Philippines, Liban, Sénégal…)90
avec un
impact très fort sur certaines communau-
tés (accès à la santé, l’éducation, etc.). Le
flux total de ces paiements s’élevait alors
à 601 milliards de dollars pour l’ensemble
du globe91
, un chiffre qui sous-estime pro-
bablement la réalité.
Les inefficiences des systèmes en place
Les frais de transaction prélevés sur les
paiements internationaux restent encore
très élevés, avec une moyenne globale
actuelle à presque 8 % du montant de
la transaction pour les petits montants,
parfois bien plus entre pays en voie de
développement ou difficiles d’accès,
89. Migration and Remittances - Factbook 2016 – Foreword, p.vii. Third Edition. www.worldbank.org/en/research/brief/
migration-and-remittances.
90. https://data.worldbank.org/indicator/BX.TRF.PWKR.DT.GD.ZS?year_high_desc=true).
91. Migration and Remittances - Factbook 2016 - Highlights, p.xii. Ce même rapport dit que le «
vrai [chiffre est
vraisemblablement] beaucoup plus important »..
92. Migration and Remittances - Factbook 2016 - Highlights, p.xii. Ce même rapport dit que le «
vrai [chiffre est
vraisemblablement] beaucoup plus important ».
comme l’Afrique subsaharienne ou les
îles du Pacifique92
. De plus, certaines
transactions peuvent mettre plusieurs
jours à être complétées par opposition
à des temps beaucoup plus courts pour
les blockchains même publiques (p. ex.
une dizaine de minutes tout au plus pour
l’inscription dans un bloc et la première
confirmation).
Les difficultés d’adoption pour les
particuliers
L’utilisation par les particuliers de
blockchains publiques telles que Bitcoin
pour effectuer des paiements internatio-
naux n’est pas sans poser différents pro-
blèmes et risques :
• la volatilité des crypto-actifs par rapport
aux monnaies nationales de l’émetteur
et du destinataire ;
• la non-possibilité de recours face à une
éventuelle erreur (p. ex. mauvaise adresse
du destinataire) ;
• la perte des clés privées ;
• …
De plus, la demande croissante pour l’uti-
lisation d’une blockchain publique (p. ex.
celle du bitcoin) peut amener à des conges-
tions temporaires du réseau qui peuvent
faire exploser les frais de transaction asso-
ciés. Dans ce cas, il peut être encore plus
économique d’utiliser le réseau bancaire
traditionnel. Enfin, les réseaux de paiement
actuels bénéficient encore de l’inertie des
habitudes et de la très faible acceptabilité
des crypto-actifs par les marchands ; ainsi,
il existe encore peu d’utilisateurs prêts à
abandonner leurs cartes de crédit.
155

Les opportunités pour de nouveaux
marchés et de nouveaux entrants
On estime qu’il y a aujourd’hui encore
dans le monde 1,7 milliard de personnes
majeures dites «
non bancarisées
» (c.-à-d.
qui n’ont ni compte en banque, ni de four-
nisseur mobile de monnaie93
). Certains
services, comme BitPesa au Kenya94
, uti-
lisent la pénétration croissante des smart-
phones afin de fournir à leurs clients à la
fois l’équivalent d’un compte bancaire et
un service de paiement international de/
vers l’étranger qui ne s’appuie pas sur l’in-
frastructure bancaire des pays traversés.
On note un fort développement de diffé-
rents intermédiaires et d’outils ergono-
miques, des crypto-échanges aux wallets,
afin de fournir aux usagers :
• une interface simple avec leur compte
bancaire en monnaie nationale fiduciaire ;
• des transferts intégrés et simples en
crypto-actifs une fois sur le réseau.
Par exemple, l’application de paiement
Circle utilise la technologie blockchain
pour transférer rapidement l’argent de
ses clients autour du monde. Ces derniers
n’ont affaire qu’à de la monnaie nationale
et ne voient pas l’architecture back end de
blockchain qui permet à Circle de garan-
tir des paiements internationaux avec de
faibles commissions de change.
Les monnaies virtuelles des banques
centrales
Il faut également noter que les paiements
internationaux et les transferts entre
banques devraient pouvoir bénéficier du
déploiement des monnaies virtuelles des
banques centrales. Plusieurs projets na-
tionaux sont en cours. Par exemple, le pro-
93. P.4. The Global Findex Database – 2017 – Measuring Financial Inclusion and the Fintech Revolution. World Bank
Group. Il est à noter que ce chiffre semble en baisse avec notamment l’introduction croissante des smartphones
dans des pays où l’infrastructure bancaire est encore très morcelée ou inexistante.
94. https://www.bitpesa.co.
jet Ubin en Asie, qui inscrit sur un registre
distribué des jetons considérés comme
équivalents au dollar singapourien (SGD),
est à suivre attentivement alors que de
nombreuses banques centrales travaillent
sur ce sujet.
Micro-paiements et smart contrats
Le développement des jetons/crypto-ac-
tifs et des blockchains rend aussi possible
une multitude de micro-paiements liés à
des usages de consommation de plus en
plus granulaires (p. ex. payer pour une
chanson par opposition à un album) et dis-
tribués (la chanson achetée sera simulta-
nément disponible sur tous les appareils
connectés du consommateur). Structurés
par des smart contracts, les micro-paie-
ments devraient permettre une consom-
mation de plus en plus adaptée et intel-
ligente (p. ex. des droits d’auteur indexés
sur des métriques d’usage pourraient être
immédiatement répartis entre artistes
d’un collectif en fonction de termes encap-
sulés dans un smart contract). Pour le mo-
ment, le modèle économique de solution
de petits paiements par blockchain reste
à démontrer face aux grands systèmes
centralisés et en temps réels européens,
comme STET Core par exemple.
Recommandations
Le monde des paiements devrait connaître
une révolution sur les 5-10 prochaines an-
nées en :
• Facilitant l’utilisation de la blockchain
pour des micro-paiements organisés
par des smart contracts à partir de
quelques cas d’usage ;
156

• Lançant des enquêtes auprès des uti-
lisateurs pour évaluer l’inertie de leurs
habitudes, la dynamique de leurs préfé-
rences et en déployant des heuristiques
d’ergonomie optimale ;
• Développant une grille d’analyse com-
parative pour les différents modes de
paiement (ex. temps de transaction,
frais du réseau et des opérations de
conversion, possibilité de recours en
cas d’erreur opérationnelle, etc.) et en
comparant les solutions existantes et
leurs différents canaux pour des cas
d’usage précis (ex.. envoyer de l’argent
du Mexique en Corée du Sud).
157

DIP 24 : création d’un
crypto-euro propre à
la zone euro pour les
paiements de gros et
de détail
Il existe aujourd’hui plus de 2000 cryp-
to-actifs différents sur le marché. Les plus
connus restent encore ceux du top 10 des
capitalisations avec le bitcoin en tête de
liste, le «
père des crypto-actifs
». Tous
n’ont pas le même objectif et la vocation à
être un moyen d’échange de valeur, mais
pour le bitcoin, il s’agit de son ADN.
De l’autre côté, les crypto-actifs sont par-
fois en compétition avec les monnaies
nationales dites souvent «
fiats
». Les
monnaies nationales sont soit fiduciaires,
c’est-à-dire sous la forme de billets et de
pièces, soit scripturales sous la forme
d’écritures informatiques tenues dans les
systèmes d’information centralisés des
banques. En Europe, selon les chiffres de
l’OCDE, 91 % de la masse monétaire est
scripturale. Ces monnaies sont émises
par les États et leur création et leur ges-
tion déléguées aux banques centrales.
Les cours des monnaies nationales sont
influencés en partie par les politiques
monétaires des États, les balances des
échanges commerciaux entre pays et fixés
par les marchés de change. En Europe,
c’est la Banque Centrale Européenne qui
est en charge de l’euro pour le compte
des 19 pays de la zone euro. Pour autant,
même si la BCE pilote tout le processus
monétaire, ce sont ensuite les banques
commerciales des États qui gèrent les
flux d’argent entre les particuliers ou les
entreprises grâce aux systèmes de paie-
ment et par les mécanismes du crédit.
Ainsi, les banques commerciales relaient
la politique monétaire de la banque cen-
trale, participent à la création monétaire
et tiennent les comptes des particuliers et
des entreprises qui n’ont pas de comptes
ouverts auprès de la banque centrale et
n’ont pas accès à la monnaie banque
centrale. Seuls les établissements de cré-
dit détiennent des comptes auprès de la
banque centrale et ont accès à la monnaie
banque centrale.
Il existe deux types de paiement électro-
nique, ceux dits de détail et ceux de gros.
Les premiers portent sur les transac-
tions de petits montants, typiquement le
paiement par chèque, carte de crédit ou
virement. Les deuxièmes concernent les
transactions sur de gros montants, par
exemple les transferts interbancaires. Les
systèmes de paiement peuvent fonction-
ner sur une base RBTR (règlement brut en
temps réel) ou bien faire appel à la com-
pensation.
Enjeux
Les enjeux sont essentiellement de deux
ordres. Dans quelle mesure un crypto-euro
reposant sur une blockchain et accessible
aux particuliers et entreprises permettrait
de résoudre certaines limites du système
bancaire actuel
? Pour le marché de gros,
le principal intérêt d’un crypto-euro serait
de permettre aux marchés financiers s’ap-
puyant sur des plateformes blockchain de
réaliser un règlement livraison en monnaie
banque centrale comme c’est actuellement
le cas pour les marchés réglementés.
Afin de pouvoir mettre en œuvre un cryp-
to-euro (sous une forme ou une autre), dif-
férents écueils devront être résolus :
158

• Les crypto-actifs comme le bitcoin ont
une volatilité extrêmement élevée et
ne répondent pas toujours aux trois
principes fonctions d’une monnaie :
intermédiaire d’échange (capacité
d’éteindre les dettes et les obligations,
notamment fiscales), réserve de valeur
et unité de compte ;
• Les transactions sur le bitcoin sont
pseudonymes, les utilisateurs sont ca-
chés derrière un couple clé privée/clé
publique qui ne permet pas de disposer
de l’identité des membres réalisant les
transactions. L’obligation de KYC sur la
blockchain Bitcoin n’est pas gérée et
pose des problèmes de compliance en
regard de la réglementation en vigueur
dans le système bancaire ;
• Le recours à un crypto-euro se substi-
tuant au paiement en espèces (liquide)
pour les particuliers pose en outre un
problème politique : doit-il garder le
caractère anonyme des paiements ef-
fectués en espèce ou bien (pour les
problématiques KYC soulevées plus
haut) doit-il devenir traçables par les
autorités
? La fin du cash papier pose
de graves problèmes de protection de
la vie privée ;
• Par construction, les blockchains (pu-
bliques en tout cas) reposent sur le
principe même de transparence des
transactions, ce qui pose donc un pro-
blème de confidentialité ;
• Enfin, les blockchains sont aujourd’hui
des systèmes de règlement brut en
temps réel (RBTR) impliquant de s’assu-
rer que le cash (ou les titres) sont bien
disponibles pour un bon dénouement
des transactions. Or, le système finan-
cier actuel repose sur des mécanismes
de crédit qui peuvent parfois être ris-
qués, mais permettent aussi d’appor-
ter de la liquidité pour que le système
continue à fonctionner, notamment en
cas de stress bancaire. Ces considéra-
tions sont à prendre en compte dans
toute réflexion sur le développement
d’un crypto-euro.
Il convient actuellement de noter, en rela-
tion avec l’actualité récente (voir la suspen-
sion de l’accord avec l’Iran ou encore les
amendes records infligées à la BNPP ou à
Siemens) que l’émergence des crypto-ac-
tifs questionne le statut de référence/éta-
lon international dont jouit le dollar améri-
cain depuis l’abandon de l’étalon-or dans
les années 1970. Il peut y avoir un enjeu
de souveraineté crucial pour la France et
l’Europe de considérer l’idée d’un étalon
monétaire international non dépendant
d’un État pour pouvoir agir en toute indé-
pendance sur le plan économique et géo-
politique. Plus spécifiquement, des enjeux
se concentrent sur l’utilisation d’un futur
crypto-euro dans la distribution de détail
et dans le commerce de gros.
Le crypto-euro
Les particuliers et entreprises ne peuvent
disposer d’un compte à la banque cen-
trale et donc des garanties qu’elle apporte
aux fonds qui lui sont confiés, même si les
clients qui déposent leur épargne dans les
banques commerciales ont des garanties
sur leurs dépôts au cas où la banque fe-
rait faillite, l’État couvrant jusqu’à certains
montants les fonds déposés. Cependant,
en cas de faillite de l’État et donc du sys-
tème monétaire local, cela ne fonctionne
plus.
Le taux de bancarisation en Europe est
d’environ 70 %. Une part importante des
transactions se fait en espèces et est
donc non-traçable, ce qui pose de nom-
breuses questions en matière de blan-
chiment, de trafic et d’évasion fiscale. La
mise en place d’un crypto-euro permettrait
159

d’augmenter le taux de personnes banca-
risées en leur fournissant un moyen de
réaliser des paiements à moindre coût,
totalement sécurisé et transparent tout en
augmentant la traçabilité des transactions
à l’échelle européenne et donc en limitant
les risques de blanchiment et d’évasion
fiscale.
Les délais des paiements (de gros ou de
détail) pouvaient, jusqu’au déploiement
en cours des virements instantanés, être
longs (parfois plusieurs jours) et a fortiori
coûteux pour les banques commerciales
du fait des mécanismes de compensation
nécessaires dans le processus quotidien
d’échanges interbancaires. Ces coûts se
répercutent sur les frais bancaires pour
les clients.
Un euro-jeton utilisé pour dénouer des
transactions effectuées sur des plate-
formes blockchain
• Les mécanismes de règlement livraison
sur les marchés financiers sont déjà
très efficaces et permettent de dénouer
des transactions en monnaie banque
centrale (Systèmes T2S et Target 2 ;
• Les plateformes en cours de dévelop-
pement sont toutes confrontées à cet
écueil et réfléchissent à l’usage de
monnaie banque commerciale pour dé-
nouer la partie devise des transactions.
Le recours à la monnaie banque com-
merciale pourrait être vu comme une
régression par rapport à la situation ac-
tuelle, car moins sûre. Un tel recours
pose de toute manière la question de
l’interfaçage d’une blockchain aux sys-
tèmes de paiement existants ;
• La création de nouvelles plateformes
blockchain de tenue de registre et de
transactions permettant d’échanger des
instruments financiers pose la question
du recours à la monnaie banque cen-
trale pour dénouer les transactions ef-
fectuées sur ces plateformes ;
• Le développement d’un crypto-euro pou-
vant servir pour dénouer la partie cash
des futures plateformes blockchain
constituerait une réelle avancée.
Recommandations
La création d’un jeton servant de monnaie
officielle, émis par la Banque Centrale Eu-
ropéenne, un «
jeton-euro
», semble être
la meilleure réponse à apporter pour ré-
pondre aux enjeux soulevés. (Le Canada a
déjà fait une tentative intéressante en ce
sens, mais elle a été suspendue pour le
moment en juin 2017).
Pour cela, différentes actions sont pos-
sibles :
• Continuer les expérimentations tech-
nologiques sur les limites actuelles de
la technologie (pseudonymat, publicité
des transactions notamment).
• Penser aussi aux implications politiques
plus larges et participer à l’élaboration
du cadre adéquat pour en débattre ;
• Mobiliser les infrastructures de marché
sur le sujet des marchés financiers : Eu-
ronext, Euroclear, LCH Clearnet, STET,
Liquidshare;
• Accompagner les réflexions de la
Banque de France en collaboration avec
la BCE pour favoriser le leadership fran-
çais sur la question des «
Monnaies Di-
gitales de Banque Centrale ».
160

DIP25:développerun
modèle standardisé
basé sur les smart
contracts et appliqué
aux transactions
boursières
Le processus actuel implique de nombreux
acteurs, étapes et flux selon le schéma
ci-dessous :
• Exécution d’une transaction : les cour-
tiers agissent pour le compte d’un ache-
teur et d’un vendeur pour soumettre
des ordres à la bourse ;
• La compensation : les ordres sont en-
voyés à la chambre de compensation
pour la résolution du contrat ;
• Règlement et livraisons : le règlement/
livraison des titres est réalisé.
Enjeux
• Plusieurs versions de la transaction sont
enregistrées sur les différents systèmes
utilisés par tous les participants ;
• Le processus de règlement et de livraison
est long, environ deux à trois jours, ce qui
mobilise capital et liquidité ;
• Les informations et les instructions sur
les comptes changent régulièrement : de
nouveaux comptes sont ouverts, fermés
et les dépositaires changent…
• Le risque opérationnel est accru (in-
terprétation erronée, exécution incor-
recte).
Recommandations
Les transactions, dont le volume et la com-
plexité augmentent, doivent être correcte-
ment traitées afin de réduire les risques
pour tous les acteurs impliqués (cf. figure
ci-dessous).
En raison du nombre d’intermédiaires,
une nouvelle approche serait de définir
un modèle de workflow standardisé sur
l’ensemble du processus de bout en bout
basé sur les smart contracts. Celui-ci se-
rait validé et partagé par l’ensemble des
participants. L’implémentation pourra gé-
rer les transactions automatisées en uti-
lisant un enregistrement source unique et
synchronisé.
161
Exécution
Compensation
Règlement
1. Ordre d’achat 1. Ordre de vente
2. Ordre placé
en bourse
2. Exécution et pricing
4. Réconciliation
4. Confirmation, taux de marge
et tenue de position
4. Confirmation, taux de marge
et tenue de position
6. Obligation de règlement
dont netting
6. Obligation de règlement
dont netting
5. Détail de l’ordre
Bourse
Chambre de compensation
Dépositaire Dépositaire
7. Instruction de paiement
7. Instruction de paiement
4. Réconciliation

Ce modèle s’appuierait sur un langage de
modélisation de smart contracts et modé-
liserait l’ensemble des transactions granu-
laires de bout en bout en y intégrant les
droits et obligations de toutes les parties.
Ce langage doit codifier sans ambiguïté des
accords complexes, concrets et réels. Il en
résulte un processus précis, rapide et sans
frictions pour tous les participants à la tran-
saction, avec les avantages suivants :
• Tous les participants sont soumis à
des processus et des règles de marché
communs permettant une interprétation
et une application cohérentes ;
• L’harmonisation et l’automatisation des
workflows réduisent les erreurs et les
couts opérationnels ;
• Les règlements sont mieux sécurisés en
introduisant des contrôles de prétran-
saction ;
• Les émetteurs peuvent annoncer et si-
gner de manière cryptographique des
événements, réduisant ainsi les risques
d’interprétation erronée ou d’exécution
incorrecte et supprimant le besoin de
validation par des tiers ;
• Les participants sont notifiés simultané-
ment en temps réel dès qu’un événement
se produit ;
• Les processus et les délais complexes
sont mieux modélisés.
En conséquence, le déroulement des tran-
sactions est rationalisé, la correction est
assurée et chaque participant est certain
de disposer des informations à jour grâce
à la source immuable, fiable et unique fi-
gurant dans le grand livre. Dans le même
temps, la conception du grand livre garan-
tit la confidentialité, les données n’étant
visibles que pour les parties ayant le droit
de lecture.
L’implication de tous les acteurs devrait
être progressive, en commençant dans
un premier temps par les processus de
compensation et de règlement/livraison
et, dans un second temps, en adressant
les courtiers dont les comptes blockchain
passeraient des commandes pour leurs
clients sous forme de smart contracts.
Une blockchain privée, dans laquelle les
nœuds seraient contrôlés par un consor-
tium composé de courtiers et des chambres
de compensation, est à considérer. Même
si cette dernière solution sera plus com-
plexe et nécessitera une coordination entre
un grand nombre de participants, elle ap-
portera le plus grand avantage en termes
de réduction du temps nécessaire au cycle
de vie des transactions de quelques jours
à quelques minutes.
D’autres fonctionnalités peuvent être ajou-
tées : la chambre de compensation peut par
exemple définir un délai d’exécution ou créer
des comptes sur marge pour les membres
compensateurs, avec des règles personnali-
sées définies dans les smart contracts.
En outre, la blockchain sert à la fois de
plateforme de compensation et de plate-
forme de règlement, éliminant ainsi le
besoin de réconciliation entre différents
acteurs.
162

3.6 L
’OPTIMISATION
DU PARTAGE DE
L
’INFORMATION ENTRE
ACTEURS
DIP 26 : utiliser la
blockchain pour
gérer l’identité et
l’authentification
Nous vivons actuellement grâce à la digi-
talisation une rupture dans notre matière
d’interagir avec les individus, les sociétés
et les services. Face à ces changements
dans nos échanges, nos modes de ges-
tion de notre identité et d’authentification
montrent de sérieux points de faiblesses
et une obsolescence dangereuse.
Les témoignages de fraudes, usurpations
d’identité, falsifications, fuites de don-
nées, etc. se multiplient et sont autant
d’arguments d’évolution. En parallèle, la
réglementation et les États s’adaptent et
se durcissent pour prendre en compte ces
nouvelles pratiques et protéger au mieux
les données personnelles des citoyens. De
même, ces derniers prennent progressive-
ment conscience des risques numériques
et font preuve d’une défiance croissante
vis-à-vis de tout service qui collecterait leurs
données personnelles. Côté entreprises,
les nouvelles règles leur imposent de ras-
sembler de plus en plus de preuves authen-
tiques et d’informations sur leurs clients
pour s’assurer que ces derniers sont bien
ceux qu’ils prétendent être et se prémunir
des fraudes et usurpations d’identité.
La situation devient donc de plus en plus
contradictoire avec, d’un côté, des clients
qui souhaitent et doivent protéger leurs
données personnelles et, de l’autre, des
entreprises qui leur réclament de plus
en plus d’informations pour leurs activi-
tés et qui recours de plus en plus à des
procédures d’authentifications afin de se
conformer à la réglementation et se proté-
ger des cyberattaques.
Enjeux
La mise à disposition de services et
parcours 100 % digitaux tend à devenir
la norme pour l’ensemble des entre-
prises orientées consommateurs (B2C).
Le consommateur doit pour chacun de
ces services fournir un certain nombre
d’informations personnelles, de preuves
d’identité et d’autres documents justi-
ficatifs, ce qui complexifie l’expérience
utilisateur. La collecte et la détention de
telles informations sont fortement ré-
glementées, notamment dans le cadre
du RGPD et des règles bancaires de
connaissance client.
Dissémination et duplication des don-
nées clients
À chaque fois qu’il souscrit à une nouvelle
offre, le client doit envoyer au fournisseur
de service l’ensemble des informations
personnelles et pièces justificatives re-
quises. Il devient rapidement impossible
de savoir :
• Avec qui les informations ont été parta-
gées ;
• Quelle est la politique de protection et
d’utilisation des données mise en place
par le service ;
• Quels documents ont été fournis ;
• Quand a eu lieu la dernière mise à jour ;
• ....
Par ailleurs, la donnée en elle-même étant
devenue un actif d’une grande valeur, les
163

fournisseurs de services n’hésitent pas à
demander à leurs utilisateurs des informa-
tions qui n’ont que peu de lien avec leurs
activités et les services offerts.
Complexification de l’expérience
utilisateur
Les processus de renseignement et vé-
rification d’identité sont devenus systé-
matiques et plus ou moins répétitifs aux
yeux des consommateurs. Pour chaque
connexion à un nouveau site web ou ap-
plication mobile, le client renseigne les
mêmes informations personnelles et four-
nit les mêmes pièces justificatives, rendant
l’expérience utilisateur de plus en plus
pénible. L’amélioration et la fluidification
de ces processus sont d’ailleurs un défi
que rencontrent les grandes entreprises
face à l’arrivée de startups qui profitent
de ces points de friction pour intégrer de
nouveaux marchés, grâce à la promesse
d’expériences utilisateurs inédites.
Hausse de la vulnérabilité
Le partage massif des informations et do-
cuments personnels nécessaires à la va-
lidation de l’identité augmente d’autant le
nombre d’entreprises et serveurs pouvant
être attaqués. Chaque fournisseur de ser-
vice est censé être responsable du stoc-
kage et de la protection de ces données.
La fuite de données et les cyberattaques
ne sont que le reflet de la faiblesse de
ces mesures de protection et des lacunes
existantes. Le risque de cyberattaques est
d’ailleurs devenu ces derniers mois l’une
des principales craintes des entreprises.
Aucun secteur technologique n’est épar-
gné, ainsi, par exemple des clés privées
en ligne donnant accès aux actifs, voire à
l’identité des détenteurs de crypto-actifs,
ont été visées par des cyberattaques et
ont pu être dérobées. À ce jour, les clés
privées stockées hors ligne semblent pro-
tégées de ces attaques.
Recommandations
Face à ce nouveau paradigme, il devient
urgent de :
• Redonner aux individus la pleine pos-
session et le contrôle de leurs données
personnelles en leur fournissant des
applications leur permettant de les gé-
rer et de les contrôler en toute sécurité ;
• Assurer aux entreprises des niveaux
d’authentification élevés pour lutter
contre la fraude ;
• Garantir l’irréversibilité des anonymisa-
tions de données notamment par croi-
sements multibases ;
• Permettre la conservation et une utilisa-
tion simple des clés privées donnant ac-
cès à l’identité et aux actifs enregistrés
dans une blockchain ;
• Favoriser pour les entreprises la trans-
parence complète sur l’utilisation de
leurs données clients ;
• Permettre le partage d’informations au-
thentifiées entre plusieurs acteurs, sans
s’appuyer sur une plateforme centrale.
Aucun système ni aucune institution n’ont
aujourd’hui réussi à mettre en place une
solution digitale centralisée qui permette
d’atteindre l’ensemble de ces prérequis.
En effet, les entreprises sont très réti-
centes à partager leurs données-clients et
à faire confiance à des tiers.
Les solutions implémentées dans les
technologies blockchain pourraient per-
mettre également de répondre à ce besoin
de décentralisation, tout en garantissant
sécurité, confiance et transparence pour
l’ensemble des participants. En effet, cou-
plées à d’autres technologies existantes
164

(coffre-fort électronique sur le cloud, cryp-
tographie asymétrique, preuve sans divul-
gation/Zero Knowledge Proof, etc.) elles
permettraient de créer des identités numé-
riques et des méthodes d’authentification
qui respectent la vie privée des consom-
mateurs et répondent aux exigences des
institutions et des entreprises.
Pour rendre possibles le déploiement et
l’acceptation de ces identités numériques,
il est fondamental que l’initiative et l’inno-
vation soient poussées par les États ou
des acteurs indépendants de confiance et
non par des fournisseurs de service qui y
verraient un but lucratif.
Des innovations et expérimentations ont
déjà été lancées, renforçant la nécessi-
té pour l’Europe et la France de préser-
ver leur souveraineté. Il existe déjà une
gestion des identifiants numériques au
travers de France Connect, de l’ANTS et
de la Direction Générale des Finances Pu-
bliques (site www.impots.gouv.fr) pour les
particuliers. Le projet de Carte d’Identité
Numérique française en cours de mise en
place devrait permettre de faciliter d’ici
deux ou trois ans l’usage de telles pièces
dans les blockchains.
Parmi les options possibles, les expéri-
mentations suivantes permettraient de
valider les différents concepts et briques
technologiques et de rester dans la course
à la maîtrise de ces technologies disrup-
tives. Plusieurs pays ont fait en la matière
des annonces récentes :
• Utiliser une technologie qui permette
la gestion de l’identité par l’individu et
qui soit reconnue par l’autorité de nom-
mage garantissant la confidentialité/
anonymat selon le contexte ;
• Construire un modèle d’identifiants at-
tributifs (et non déclaratifs), intégré par
l’État, qui permette d’opérer directe-
ment sur un service en ligne accessible
de n’importe où, n’importe quand et à
partir de tout terminal (smartphone, or-
dinateur…) ;
• Utiliser la technologie blockchain pour
gérer les étapes critiques (accès, trans-
ferts, traitements) liées à la gestion
de données personnelles (bancaires,
médicales…) et créer des applications
plus performantes, moins redondantes,
interopérables par conception et intrin-
sèquement respectueuses de la confi-
dentialité de l’individu ;
• Utiliser des jetons à usage unique, ir-
réfutables et infalsifiables, pour réaliser
les opérations d’identification et d’au-
thentification de documents et certifier
les demandes d’accès (services de
paiement, gestion de contrats, etc.).
Les secteurs de la santé, des banques et
des assurances, particulièrement sensibles
à la protection des données et soumis à
des réglementations strictes, sont parmi
les meilleurs candidats pour réaliser de pre-
miers tests, comme :
• Gérer les obligations de connaissance
client résultant des exigences législa-
tives et réglementaires imposées aux
institutions financières (KYC – voir ci-
après),
• Demander à l’État (ASIP) de gérer les
carnets de vaccination des citoyens sur
une blockchain (permissionnée ou de
consortium),
• Déployer des services à forte valeur
ajoutée pour le citoyen et utilisant des
données médicales chiffrées, à l’instar
du projet Kidner sur le don croisé de rein
(recherche de correspondance sans di-
vulgation de données critiques pour dé-
couvrir une possibilité de transplantation
et diminuer le temps d’attente sur liste),
• Mettre en place des bases de données
165

– et non des silos de données – à l’inté-
grité élevée, permettant :
• de diminuer les risques de corrup-
tion ou de mauvaises pratiques (par
exemple, en matière d’essais cli-
niques, pour permettre une valida-
tion sécurisée de chaque étape du
protocole) ;
•
d’améliorer les performances des
avancées en intelligence artificielle
(80 % de la performance de l’IA est
liée à la qualité du registre de don-
nées utilisées) ;
• d’améliorer les capacités de mobilité
des patients (n’importe quel méde-
cin, si autorisé par le patient, peut
accéder au dossier médical peu im-
porte où, même si le patient n’est
pas dans sa ville d’origine ou s’il ar-
rive inconscient aux urgences).
166

DIP 27 : améliorer la
connaissance client
(KYC) en créant une
infrastructure de
place
Identité, authentification et
connaissance client/intermédiaire
L’identité numérique des clients est utili-
sée fréquemment par les établissements
financiers, les grands facturiers, les as-
sureurs et les organismes publics. Pour
les entreprises et les banques, d’autres
données d’identification sont utilisées et
varient selon les besoins et le traitement
subséquents.
Il est donc demandé fréquemment aux
clients particuliers ou entreprises de sai-
sir à de multiples reprises les mêmes
données lors de la contractualisation ou
des opérations relatives à un contrat. Cela
est fastidieux pour les clients et coûteux
pour les organismes devant saisir, vérifier
et confirmer les données ainsi saisies et
stockées. Les risques de fausses décla-
rations, d’erreurs de saisies, de manque
de vérification et de perte sont non négli-
geables.
Par ailleurs, l’obligation de connaissance
client (KYC) ou de connaissance des in-
termédiaires (KYI) s’impose aux établisse-
ments financiers. Elle nécessite la saisie,
mais surtout la vérification des données
d’identité et d’identification. Ce processus
est fastidieux et onéreux, tant pour les
clients que pour les établissements. De
95. www. bitcoin.fr/labchain-un-premier-cas-detude.
plus, ce sont généralement toujours les
mêmes informations qui sont requises.
Il y a donc un besoin à ce jour non satisfait
d’un moyen d’échange d’identité client,
simplifié, fiable, rapide, infalsifiable, invio-
lable, stable, traçable et à bas coût, per-
mettant l’authentification du client ou des
intermédiaires et la conformité aux règles
de KYC.
Le point clé est le point d’entrée initial
des données, lequel doit être absolument
fiable et reconnu comme tel. Cela peut
être l’État, les banques, les assureurs,
certains facturiers qui ont la possibilité
d’effectuer les vérifications nécessaires
sur la personne, sa résidence, sa situa-
tion financière élémentaire, comme cité
antérieurement.
Les solutions centralisées sont lourdes et
coûteuses. Toutefois, les grands groupes
échangeant entre leurs entités des don-
nées clients (avec leur consentement)
sont également intéressés par des solu-
tions facilitant l’enrôlement des clients.
Les blockchains publiques, mais surtout
privées, répondent aux contraintes évo-
quées plus haut.
Le projet de place du consortium LabChain,
dont le premier cas d’étude a été consacré à
l’identité numérique et aux problématiques
KYC95
, a été lancé en ce sens par la CDC
avec la participation de nombreux acteurs
financiers. Plusieurs pays ont par ailleurs
avancé en la matière (Estonie, Espagne
avec Alastria et Niuron). La plupart des
grands groupes bancaires ont une réflexion
ou des tests en cours via des blockchains,
167

pour la plupart privées, sur les échanges
de connaissances clients ou intermédiaires
(SWIFT) ou avec de nouvelles structures
(Granada, KYCTrust CapGemini/R3, etc..).
Les points critiques sont nombreux,
mais non insurmontables
• La solution technique : le choix du pro-
tocole de la blockchain, à priori privée,
afin de pouvoir contrôler les ayants droit
à entrer les données et éviter leur stoc-
kage hors UE. Les règles de consensus
restent à définir. Le choix des algo-
rithmes de cryptage est également un
élément de la fiabilité du système tout
comme le choix du stockage de don-
nées et des droits d’accès ;
• La différence de besoin entre la connais-
sance clients particuliers et entreprises ;
• La définition commune des données :
une première liste a déjà été faite pour
les particuliers par le LabChain de la
CDC. Des questions restent à traiter :
notes issues de fichiers types FICP,
PPE, IBAN de compte client en vue des
prélèvements, etc. ;
• Le modèle économique : mesure du
coût des saisies, facturation des bénéfi-
ciaires, rémunération des fournisseurs,
partage des coûts d’infrastructure
entre les participants du réseau privé
(les blockchains privées sont a priori à
privilégier pour éviter les coûts et la vo-
latilité des crypto-actifs des blockchains
publiques comme celle du bitcoin) ;
• Les participants fournisseurs de don-
nées : qui autorise-t-on ? Avec quels en-
gagement et responsabilité ?
• La conformité au RGPD en matière de
droit à l’effacement, lequel peut sem-
bler contradictoire avec l’immuabilité
des données enregistrées sur la chaîne ;
• Les bénéficiaires : par nature, tous les
fournisseurs/contrôleurs d’entrée des
données et les entreprises de l’Union Euro-
péenne répondant aux contraintes RGPD et
acceptant les règles techniques et écono-
miques de l’échange. Faut-il donner accès
aux GAFA et au commerce en ligne ou se
limiter aux aspects financiers ou publics
?
• La capacité à vérifier les entrées clients
et les faux positifs pour laquelle l’intel-
ligence artificielle pourrait être utilisée
en complément ;
• La cybersécurité du système face aux
attaques et aux détournements notam-
ment des clés privées ;
• La volonté des acteurs majeurs à parti-
ciper et se faire confiance, notamment
dans le cadre d’un consortium national
(les données clients constituent une
ressource pour chaque banque, les-
quelles ne souhaitent pas les mettre en
commun avec leurs concurrentes).
Recommandations
• Mettre à disposition une solution simple
sur mobile et PC permettant d’activer
sa clé privée et de suivre ses consente-
ments : des solutions existent déjà à l’état
de test sur mobile pour les particuliers
;
• Établir une charte d’usage et de surveil-
lance/gouvernance et la création de nœud
d’audit, notamment pour le régulateur
;
• Mettre en place une/des infrastructure(s)
de place permettant d’échanger les iden-
tités et leurs preuves, reconnue(s) par
l’État et respectant les réglementations
Connaissance Client/LCB-FT/RGPD et en
permettant le contrôle ;
• Définir un cadre juridique organisant la
mise en œuvre et l’utilisation d’une in-
frastructure de place pour rassurer les
acteurs sur la conformité de leur partici-
pation au dispositif ;
• Définir un standard interbancaire de don-
nées clients particuliers et entreprises
en vue des échanges ;
168

• Créer une structure de contrôle des par-
ticipants à la chaîne des échanges.
• Définir des normes de sécurité et cy-
bersécurité de la chaîne et des smarts
contracts ;
• Accélérer le déploiement, après retour
sur le pilote développé par le LaBchain,
auprès des établissements financiers
pour la connaissance des particuliers
et l’étendre aux personnes morales ;
• Disposer d’une réglementation per-
mettant l’usage de la blockchain pour
l’échange de données d’identité des
clients et compatible avec la réglemen-
tation sur les données personnelles ;
• Créer une gouvernance adéquate (AFNOR
ou ISO), éventuellement sur le modèle
du GIE CB/Paylib pour gérer les normes,
les agréments et les facturations.
169

DIP 28 : la traçabilité
appliquée au
commerce
international
trade finance)
Les principaux acteurs du trading et du fi-
nancement de matières premières sont à
la recherche de rentabilité et de sécurité
dans leurs transactions, principalement
en raison d’un manque de confiance entre
les acteurs. L’accent était mis sur les pro-
cessus post-transaction («
post trade
») du
fait de :
• L’absence d’une expérience utilisateur
post-transaction totalement intégrée en
raison de la fragmentation du marché
et d’un nombre élevé d’intermédiaires
dans le monde entier ;
• L’inefficacité opérationnelle due à
l’échange de documents originaux en
version papier, à des données redon-
dantes et aux duplications des récon-
ciliations. L’étude BCG96
de 2017 a
montré que seulement 10 à 15 % des
traitements des données par les princi-
paux acteurs avaient une valeur ajoutée,
le reste étant principalement constitué
de duplication et de réconciliation de
données dans divers systèmes d’infor-
mation privés ;
• Un processus chronophage, augmen-
tant ainsi le besoin en fonds de roule-
ment, notamment pour les négociants ;
• Un métier risqué entraînant des provi-
sions élevées et des pertes financières.
Cela nécessite une importante exper-
tise de chaque acteur pour se prémunir
96. Boston Consulting Group.
de documents falsifiés, de fausses dé-
clarations, de déclarations de biens en
double, etc..
Avant 2017, de nombreuses initiatives pri-
vées ont sans succès tenté de s’attaquer
à ces problématiques, chaque acteur ne
pouvant lutter que contre ses propres inef-
ficacités.
Recommandations
Avec le recul, quelques bonnes pratiques
peuvent être retenues pour mener à bien
ce type de projet :
• S’appuyer sur la co-création, source de
richesse et offrant un taux d’efficacité
beaucoup plus élevé en s’attaquant aux
inefficacités du secteur plutôt qu’aux
inefficacités individuelles de chaque
membre du consortium ;
• Structurer l’approche avant de lancer
les travaux est déterminant pour créer
dès le départ un référentiel partagé et
imaginer ensemble une solution com-
mune ;
• Mener la réflexion et développer une
expérimentation avec le même groupe
de participants afin de créer plus de
valeur au sein du consortium. Cela im-
plique un projet plus long, mais assure
un cadrage plus concret de la solution
en amont du choix de mise en œuvre ;
• Mélanger les deux approches et structu-
rer un projet de groupe ainsi : identifier
les points de difficulté et la vision com-
mune, imaginer ensemble la solution et
expérimenter conjointement avant de
choisir la manière dont le groupe sou-
haite implémenter la solution ;
• Créer un groupe avec des objectifs, un
mandat et une organisation clairs et
dotés de ressources dédiées, dispo-
170

sant d’une expérience des technologies
blockchain, des modèles économiques
et d’architecture de plate-forme digitale,
du métier et de la gestion de projet ;
• Utiliser la blockchain s’appliquant natu-
rellement aux objets digitalisés pour as-
surer la traçabilité de biens physiques
et développer des solutions adaptées à
la diversité des produits à suivre (RFID,
étiquettes, patch… sur des emballages,
conteneurs, véhicules…).
171

Focus
de grandes banques
françaises dans
le financement
du commerce
international et le
crédit documentaire
Après une première étape réussie de pro-
totypage, l’utilisation de la blockchain a
nécessité la mobilisation de tous les ac-
teurs du consortium, tant sur le volet tech-
nologique que sur celui du business mo-
del, avec une avancée concomitante sur
les deux sujets.
Deux projets menés en parallèle
Un premier prototype a été réalisé et pré-
senté lors de la semaine de « International
Petroleum » à Londres en février 2017 par
un premier groupe d’acteurs du négoce et
du financement de matières premières.
Il a permis de rassembler les principaux
acteurs du marché pétrolier. La question
était alors : suite à cette expérimentation,
le DLT peut-il être un levier permettant de
répondre aux problèmes anciens de cette
industrie
? Plusieurs banques françaises
ont activement contribué à des consor-
tia internationaux (Voltron, Marco Polo,
UTN…). L’objectif était de :
• Confirmer que les principaux acteurs
partagent les mêmes problèmes listés
ci-dessus;
• Comprendre et tester l’appétence du
secteur pour résoudre conjointement
ces problèmes.
Cela a permis de :
• Évaluer la possibilité de numériser le
contrat de vente et son financement sur
une infrastructure distribuée;
• Évaluer la maturité de la technologie
pour la mise en production à l’échelle
de l’attente des acteurs et identifier les
exigences non fonctionnelles de mise
en service;
• Encadrer et structurer l’approche (ani-
mation d’ateliers, suivi de planification
et développement du prototype) avec
des équipes communes aux ressources
dédiées.
Ces plateformes digitalisent le contrat de
vente, automatisent son traitement et le
contrat de financement (lettre de crédit) et
traitent une transaction en direct avec les
principaux acteurs du processus (vendeur,
acheteur, banques, inspection, transpor-
teurs et agences gouvernementales).
Le constat d’un prototype de la Société
Générale fait apparaitre une amélioration
d’un facteur 5 de l’efficacité du processus
de bout en bout grâce à la saisie unique
des données par le propriétaire des don-
nées, le partage en temps réel des infor-
mations et une sécurité accrue grâce à la
transparence de la DLT.
Les bonnes pratiques:
• S’appuyer sur la co-création, source de
richesse et offrant un taux d’efficacité
beaucoup plus élevé en s’attaquant aux
inefficacités du secteur plutôt qu’aux
inefficacités individuelles de chaque
membre du consortium,
• L’approche adoptée par les consortia
était très importante pour favoriser
une compréhension commune, un ter-
rain d’entente au sein du groupe pour
penser ensemble et faire grandir la
confiance.
172

3.7ENJEUX
RÉGLEMENTAIRES
Dispositions
réglementaires
impactées par
la technologie
blockchain
Dispositions réglementaires et bancaires
Initialement créées pour permettre de
la création de la crypto-monnaie bitcoin,
les technologies blockchain se sont ré-
pandues principalement pour les usages
connexes d’échange de valeurs sans inter-
médiaire de confiance et de levée de fond
(Initial Coin Offerings/ICO).
Face à l’importance croissante, à l’en-
gouement, et aux enjeux financiers de ces
usages très spéculatifs qui ont entraîné
des tentatives de fraude, une reconnais-
sance et une réglementation deviennent
indispensables pour ne pas geler l’inno-
vation et gêner les investisseurs par des
discours trop alarmistes.
Certaines autorités de régulation ont fait
part de leurs inquiétudes quant à la volatilité
du cours des crypto-monnaies, telles que :
• La FCA (Financial Conduct Authority – ré-
gulateur anglais) a pu mettre en avant
le risque fort de fraude et de volatilité
de ces crypto-actifs ;
• L’Organisation internationale de Com-
97. Communiqué de presse AMF, Achats de Bitcoins : l’AMF et l’ACPR mettent en garde les épargnants, 4 décembre
2017 (hwww.amf-france.org/Actualites/Communiques-de-presse/AMF/annee-2017?docId=workspace%3A%2F%2FS
pacesStore%2Fc2dfeaab-35c0-4fdf-9a1b-d4601eff2097).
98. Voir annexe.
mission de Valeur (OICV) a également
communiqué sur le risque spéculatif ;
• L’Autorité des Marchés Financiers (AMF)
et l’Autorité de Contrôle Prudentiel et de
Résolution (ACPR) ont mis en garde les
épargnants sur les risques d’investisse-
ment sur des actifs spéculatifs à forte
appréciation et volatilité tels que le bit-
coin97
.
La France, qui aspire à devenir une réfé-
rence en tant que place d’innovation pour
les blockchains, crypto-actifs et ICO, en-
tend donc mettre en place un nouveau
cadre réglementaire sécurisant pour le
développement d’un écosystème français
robuste.
Il convient de rappeler à titre liminaire que
l’adoption en septembre 2018 de l’article
26 du projet de loi Projet de loi relatif à la
croissance et la transformation des entre-
prises (dite loi PACTE) par l’Assemblée Na-
tionale, ainsi qu’une partie de ses amende-
ments, ne constitue que le point de départ
du processus législatif du projet de loi
PACTE qui pourra faire l’objet d’évolutions
au gré des futures lectures effectuées
dans le cadre du processus législatif.
L’Assemblée nationale a adopté le 28
septembre l’amendement n° 2492 recti-
fié de la loi PACTE, lequel propose entre
autres une définition des actifs numé-
riques comprenant les jetons ainsi que
les crypto-actifs98
. La définition d’actifs
numériques qui est proposée permet de
délivrer une appréciation nationale des
notions de jetons et de crypto-monnaies.
Le texte crée également deux nouvelles
173

catégories d’acteurs :
• Les émetteurs de jetons ;
• Les prestataires de services sur actifs
numériques.
Enfin, le projet de loi PACTE tend égale-
ment à lever l’une des principales difficul-
tés pour les nouveaux acteurs du secteur
des crypto-actifs : l’accès aux services
bancaires. À ce titre, il est proposé de
garantir un accès sans entraves aux ser-
vices de comptes de dépôt et de paiement
proposés par les établissements de crédit
(i) aux émetteurs de jetons ayant obtenu le
visa de l’AMF et aux Prestataires de ser-
vices sur actifs numériques (qui seront en-
registrés à auprès de l’AMF ou qui auront
obtenu l’agrément de l’AMF).
1. ICO : pour une protection des acteurs et
des investisseurs
Le projet de loi PACTE contient en son ar-
ticle 26 une proposition de réglementation
des ICO. Le gouvernement souhaite ainsi
protéger les investisseurs contre les abus
qui se sont multipliés lors des ICO en met-
tant en place des contrôles, lesquels se-
raient effectués par l’AMF.
Par application de ce texte, constituerait
donc un jeton «
tout bien incorporel repré-
sentant, sous forme numérique, un ou plu-
sieurs droits pouvant être émis, inscrits,
conservés ou transférés au moyen d’un
dispositif d’enregistrement électronique
partagé permettant d’identifier, directe-
ment ou indirectement, le propriétaire du-
dit bien ».
La mise en place d’une ICO (ou offre au pu-
blic de jetons) consiste à proposer au public,
sous quelque forme que ce soit, de sous-
crire à ces jetons. Préalablement à toute
99. Projet de loi pour la croissance et la transformation des entreprises, Étude d’impact, p. 346.
offre de jetons au public, les émetteurs de
l’ICO peuvent solliciter un visa de l’Autorité
des marchés financiers. Le visa de l’AMF,
bien que non obligatoire puisque le choix est
laissé aux émetteurs de le solliciter ou non,
devrait être de nature à rassurer les inves-
tisseurs en leur permettant de distinguer les
acteurs légitimes et à inciter ces derniers à
mener leurs projets en France99
.
Les émetteurs qui auront demandé le visa
de l’AMF devront satisfaire certaines exi-
gences mises en place par le texte. L’Au-
torité des marchés financiers vérifiera si
l’offre envisagée présente les garanties
exigées d’une offre destinée au public et,
notamment pour l’émetteur des jetons, sa
constitution sous la forme d’une personne
morale établie ou immatriculée en France, la
communication à l’AMF du document d’infor-
mation et des projets de communications à
caractère promotionnel destinées au public,
la mise en place de moyens permettant le
suivi et la sauvegarde des actifs recueillis
dans le cadre de l’offre, l’information des
souscripteurs sur les résultats de l’offre et,
le cas échéant, de l’organisation d’un mar-
ché secondaire des jetons. Ces obligations
pourront être complétées à l’avenir par mo-
dification du règlement général de l’AMF.
Les dispositions du projet de loi PACTE
assouplissent les conditions d’investisse-
ments dans les crypto-actifs en (i) créant
un visa attestant du sérieux des ICO et en
(ii) autorisant les fonds spécialisés à in-
vestir dans les crypto-actifs.
Recommandations
Pour développer la réglementation en ma-
tière d’ICO :
174

• La possibilité de procéder à un canton-
nement des fonds reçus pour le compte
des utilisateurs sur un compte dédié,
afin de préserver la sécurité des moyens
de paiement ainsi fournis et de protéger
les usagers, similaire à celui imposé par
l’ACPR pour les établissements exemp-
tés d’agrément soumis à déclaration ;
• La possibilité de disposer d’un compte
sous la forme de compte de cantonne-
ment/assurance/garantie aux fins pour
les émetteurs, agréés ou non, de dis-
poser d’un accès similaire aux services
bancaires, tout en garantissant une
séparation entre les biens propres de
l’émetteur et ceux qu’il aurait recueillis
à l’issue d’une ICO ;
• D’une manière générale, un élargisse-
ment du droit au compte octroyé aux
émetteurs de jetons bénéficiant d’un visa
de l’AMF à l’ensemble des plateformes.
Ces recommandations supposent intrin-
sèquement une clarification du statut ju-
ridique des échanges décentralisés et la
mise en œuvre d’une coopération entre
les autorités de régulation d’un côté et
les différentes communautés de l’écosys-
tème de la blockchain de l’autre.
2. Cryptoactifs et lutte anti-blanchiment/
financement du terrorisme
Le caractère anonyme des crypto actifs
contribue malheureusement à son utilisa-
tion dans le cadre du financement d’acti-
vités criminelles et du contournement des
règles relatives à la lutte contre le blanchi-
ment des capitaux. En conséquence, les
transactions effectuées en crypto actifs
se voient soumises aux directives euro-
péennes relatives à la lutte contre le blan-
chiment et le financement du terrorisme
100. https://publications.banque-france.fr/sites/default/files/medias/documents/focus-16_2018_03_05_fr.pdf.
101. https://acpr.banque-france.fr/sites/default/files/20140101_acpr_position_bitcoin.pdf.
(4e
Directive de Lutte contre le Blanchi-
ment des Capitaux et le Financement du
Terrorisme, modifiée par la 5e Directive
anti-blanchiment adoptée le 30 mai 2018).
La 5e
Directive soumet donc aux obliga-
tions LCB-FT les acteurs proposant (i) des
services d’échange de crypto-actifs contre
de la monnaie ayant cours légal et (ii) les
acteurs proposant la conservation pour le
compte de leurs clients des clés crypto-
graphiques privées permettant de détenir,
stocker ou transférer les crypto-actifs.
Au-delà des risques LCB-FT, la conservation
des crypto actifs est également sujette à
des cyber risques importants et n’offre au-
cune protection en matière de sécurité de
ces avoirs. Comme le souligne la Banque
de France, il existe des risques avérés de
piratage des portefeuilles électroniques
permettant le stockage des crypto actifs.
Dans ce contexte, les détenteurs n’ont au-
cun recours en cas de vol de leurs avoirs
par des pirates informatiques.
Les épisodes répétés de fraudes impor-
tantes (piratage de Coincheck en janvier
2018 pour 534 millions de dollars, fail-
lite en 2015 de MtGox 3, première plate
forme mondiale d’échange de bitcoins),
illustrent la vulnérabilité de l’écosystème
des crypto actifs et le niveau élevé des
risques associés, en l’absence de méca-
nismes de garantie100
.
Depuis 2014 en France, l’activité des
plateformes de conversion des crypto ac-
tifs contre monnaie ayant cours légal, qui
jouent le rôle d’intermédiaire entre ache-
teur et vendeur, est considérée comme
un service de paiement101
nécessitant un
175

agrément de prestataire de service de
paiement. Toutefois, comme rappelé en
2018, cette exigence découle du rôle d’in-
termédiaire et de la gestion pour le compte
de tiers de comptes tenus et libellés dans
une monnaie ayant cours légal, non de la
prestation associée aux crypto-actifs à
proprement parler.
Au-delà de cette approche, la Banque de
France et l’ACPR102
préconisent depuis
quelque temps, un élargissement de l’en-
cadrement réglementaire applicable aux
prestations associées aux crypto-actifs,
par la mise en place d’un statut de presta-
taires de services en crypto-actifs.
Ce sera donc chose faite avec le projet
de loi PACTE qui vise à mettre en place
un régime relatif aux intermédiaires sur
les marchés des actifs numériques et à
leur appliquer les dispositions de la cin-
quième directive relative à la lutte contre
le blanchiment de capitaux et le finance-
ment du terrorisme. Il tend à instaurer un
environnement favorisant l’intégrité, la
transparence et la sécurité des services
concernés, tout en assurant un cadre ré-
glementaire sécurisant pour le développe-
ment d’un écosystème français robuste.
Au-delà de la transposition de la directive
anti-blanchiment, le projet de loi crée une
nouvelle catégorie de prestataires finan-
ciers spécifique au secteur des crypto-ac-
tifs : les Prestataires de services sur ac-
tifs numériques.
Cette nouvelle catégorie de prestataires
concerne les acteurs proposant les ser-
vices sur actifs numériques suivants :
• Le service de conservation pour le
102. https://publications.banque-france.fr/sites/default/files/medias/documents/focus-16_2018_03_05_fr.pdf.
compte de tiers d’actifs numériques ou
d’accès à des actifs numériques, le cas
échéant sous la forme de clés crypto-
graphiques privées, en vue de détenir,
stocker et transférer des actifs numé-
riques (ex. : les wallets d’actifs numé-
riques) ;
• Le service d’achat ou de vente d’actifs nu-
mériques en monnaie ayant cours légal
;
• Le service d’échange d’actifs numériques
contre d’autres actifs numériques ;
• L’exploitation d’une plateforme de né-
gociation d’actifs numériques ;
• Les services suivants : la réception et la
transmission d’ordres sur actifs numé-
riques pour le compte de tiers
; la ges-
tion de portefeuille d’actifs numériques
pour le compte de tiers
; la prise ferme
d’actifs numériques
; le placement ga-
ranti/non garanti d’actifs numériques.
Les prestataires de services sur actifs nu-
mériques sont enregistrés par l’Autorité
des marchés financiers qui vérifie si leurs
dirigeants et leurs bénéficiaires effectifs
possèdent l’honorabilité et la compétence
nécessaires à l’exercice de leurs fonc-
tions.
Pour la fourniture à titre de profession ha-
bituelle d’un ou plusieurs des services sur
actifs numériques, les prestataires établis
en France peuvent solliciter un agrément
auprès de l’Autorité des marchés finan-
ciers. Cette faculté apporte une réponse
pragmatique au défi posé par le marché
émergent des crypto-actifs, tout en tenant
compte du faible nombre d’acteurs pré-
sents en France à ce stade. Le caractère
facultatif de l’agrément permet d’envoyer
un signal positif quant à la capacité des
autorités publiques à prendre en compte
176

l’évolution rapide de ce marché et d’attirer
d’ores et déjà les acteurs sérieux.
La délivrance de l’agrément sera assurée
par un guichet unique auprès de l’AMF qui
sollicitera l’avis de l’ACPR sur certaines
questions. Les obligations imposées aux
acteurs qui sollicitent l’agrément font
l’objet de règles adaptées aux différents
métiers visés, ce afin de tenir compte des
risques et spécificités propres à chacun
d’entre eux. La nomenclature des presta-
taires de services sur actifs numériques
couvre en outre un large champ d’activités
afin de permettre à un maximum d’acteurs
de solliciter un agrément.
Dans un délai de deux ans à compter de
la promulgation de la loi PACTE, le Gou-
vernement, après avoir recueilli les avis
de la Banque de France, de l’Autorité
de contrôle prudentiel et de résolution
et de l’Autorité des marchés financiers,
remettra au Parlement un rapport visant
à évaluer la mise en œuvre des disposi-
tions de la loi et notamment concernant
la nécessité ou pas de rendre obligatoire
l’agrément, au vu de l’avancement des
débats européens et du développement
international du marché des actifs nu-
mériques.
Recommandation
• La création d’un statut de prestataires
de services sur actifs numériques per-
mettant de les soumettre à des règles
portant notamment sur la sécurité des
opérations et sur la protection de la
clientèle et la lutte contre les infrac-
tions BC-FT.
Protection des données
103. www.cnil.fr/fr/blockchain-et-rgpd-quelles-solutions-pour-un-usage-responsable-en-presence-de-donnees-
personnelles.
La blockchain, par son absence de centra-
lisation et la multiplicité de ses acteurs,
rend difficile la conformité au RGPD, mais
surtout complexifie l’identification des
rôles de chacun en matière de traitement
de données.
La CNIL (Commission Nationale de l’In-
formatique et des Libertés) a communi-
qué en septembre 2018 ses premiers
éléments d’analyse sur l’utilisation de la
blockchain dans le contexte des données
personnelles. Elle propose une réflexion
sur trois questions, ponctuée de proposi-
tions techniques pour une mise en confor-
mité optimale de l’utilisation de la techno-
logie avec le cadre réglementaire existant.
À titre liminaire, il convient de rappeler les
données à caractère personnel identifiées
par la CNIL comme pouvant être conte-
nues dans une blockchain103
.
• Les identifiants des participants et des
mineurs, à savoir la suite de caractères
alphanumériques constituant la clé pu-
blique du compte du participant. Bien
qu’inutilisables sans leur association
avec la clé privée que le participant est
le seul à connaitre, les identifiants sont
nécessairement publics pour permettre
l’utilisation de la blockchain ;
• Les données complémentaires : toutes
autres données complémentaires stoc-
kées sur la blockchain variant suivant
l’objet de celle-ci (ex. : enregistrement
de diplômes, cartes d’identité…).
i. La qualification des intervenants sur une
blockchain à l’aune du RGPD
Le modèle décentralisé de la blockchain
ainsi que la pluralité des acteurs inter-
venants sur cette dernière posent tout
177

d’abord la question du rôle de chacun
dans un contexte de traitement des don-
nées personnelles. En effet, la forme
prise par la blockchain, son mode de gou-
vernance ou l’accès octroyé aux données
font varier l’identification des personnes
responsables du traitement.
À ce titre, la CNIL estime que le partici-
pant doit être qualifié de responsable du
traitement dans deux situations :
• Lorsqu’il est une personne physique et
que le traitement des données person-
nelles est une activité professionnelle
ou commerciale (a contrario la personne
physique ne saurait être qualifiée de
responsable du traitement des données
lorsque son activité sur la blockchain
est strictement personnelle) ;
• Lorsqu’il est une personne morale et
qu’il inscrit une donnée à caractère per-
sonnel sur la blockchain.
La CNIL estime de plus que les acteurs qui
interagissent sur la blockchain ne doivent
pas tous être qualifiés de responsables de
traitement. Il convient en effet d’effectuer
une analyse du rôle joué par l’intervenant
dans la détermination des finalités du
traitement et des moyens mis en œuvre
pour l’exécution des traitements. Ainsi, la
simple validation des transactions, effec-
tuée par des mineurs, ne constitue pas un
traitement de données.
La détermination des finalités joue un rôle
prépondérant dans la qualification de res-
ponsable de traitement ou de sous-trai-
tant. Ainsi, les développeurs de smart
contracts traitant des données à caractère
personnel pour le compte du responsable
de traitement tendraient vers une qua-
lification de responsables des données
lorsqu’ils participent à la détermination
des finalités. À défaut, les développeurs
seraient qualifiés de sous-traitants s’ils
participent au traitement, mais n’en déter-
mine pas les finalités ou de simples four-
nisseurs de solution si leur rôle se limite à
la conception de l’algorithme.
2. La gouvernance et l’inscription de la
donnée : des choix primordiaux
Le choix de la forme de la blockchain (pu-
blique, privée ou hybride) n’est pas sans
incidence. À ce titre, la CNIL souligne la
difficulté dans le cadre des blockchains
les plus ouvertes (publiques) de mettre en
œuvre des clauses contractuelles types
ou contraignantes, dans la mesure où le
responsable des traitements peut diffici-
lement exercer un contrôle sur les inter-
venants, qu’il s’agisse des utilisateurs ou
des mineurs.
De plus, les participants peuvent être
situés dans un pays en dehors de l’UE,
soulevant des interrogations sur les diffi-
cultés tant de soumission que d’applica-
tion aux règles particulières en matière de
transfert hors UE. L’orientation de la gou-
vernance de la blockchain apparait donc
comme stratégique pour la conformité au
RGPD.
L’un des principaux caractères de la
blockchain est son immuabilité. Ainsi,
les données inscrites dans les blocs ne
peuvent être techniquement modifiées ou
supprimées. La CNIL identifie à ce sujet
une difficulté quant à la compatibilité entre
la blockchain et le principe de minimisa-
tion des données qui exigent une collecte
pertinente et précise des données pour
une durée de conservation déterminée.
À cet égard, la CNIL émet une recomman-
dation sur la technique employée pour
l’enregistrement. En effet, l’enregistre-
ment des données sur une blockchain
178

au travers d’un enregistrement crypto-
graphique104
ou sous la forme d’une em-
preinte ou encore a minima d’un chiffré
permettrait de garantir, à défaut d’une
conservation déterminée, une confidentia-
lité élevée de la donnée.
La CNIL énonce une exception possible à
cet enregistrement contraignant des don-
nées lorsque (i) la finalité du traitement
le justifie et (ii) qu’une analyse d’impact
démontrerait que les risques résiduels se-
raient acceptables.
Ainsi, tant la gouvernance que l’inscription
des données constituent des choix essen-
tiels dans la création d’une blockchain,
mais ne sauraient être généralisés.
Chaque utilisation des données et de la
blockchain est à apprécier au cas par cas.
3. L’assurance d’un exercice effectif de ses
droits
La transparence de la technologie de la
blockchain va dans le sens du droit à l’infor-
mation des personnes, ainsi que le droit d’ac-
cès et le droit à la portabilité. Cependant, si
la CNIL constate la compatibilité technique
de la blockchain avec les droits énoncés pré-
cédemment, elle met également en avant
l’impossibilité technique de mise en œuvre
du droit à la demande d’effacement, sauf à
ce que la donnée inscrite sur la blockchain
soit un engagement cryptographique, une
empreinte ou un chiffré. Dans ce cas, la don-
née peut être rendue quasi inaccessible par
le responsable du traitement.
De plus, s’agissant du droit à la demande
de rectification, l’absence de possibili-
té de modification des données inscrites
dans le bloc, le responsable de traitement
104. Un «
engagement cryptographique
» est un mécanisme qui permet de figer une donnée de telle sorte qu’il soit
possible, avec des éléments supplémentaires, de prouver ce qui a été figé, et à la fois impossible de la retrouver ou
de la reconnaître à partir de cette seule version « engagée ».
doit procéder à la mise à jour des données
par inscription de la donnée dans un nou-
veau bloc.
Enfin, s’agissant du droit à la limitation et
à une intervention humaine, il serait pos-
sible d’en trouver une application dans
l’utilisation de la blockchain au travers de
smart contracts. En effet, ces derniers
permettraient de prévoir en amont dans
le programme une limitation, mais égale-
ment d’imposer la possibilité d’une inter-
vention humaine pour être exécutés.
Sont identifiées à ce stade comme
points critiques suivants :
• La qualification de sous-traitant versus
responsable de traitement ;
• La prévisibilité dès la mise en place
de la blockchain du mode de gouver-
nance, des limitations, du mode d’en-
registrement des données ainsi que
des options des smart contracts le cas
échéant, en fonction de la forme de la
blockchain publique/privée ;
• Un respect aménagé du RGPD à défaut
d’une conformité pleine et entière ;
• La proposition de guidelines dès la
création de la blockchain pour une pro-
tection des données.
Preuve digitale et responsabilité
1. Preuve
Une des applications les plus promet-
teuses la technologie blockchain est
l’utilisation des registres qu’elle déploie,
lesquels sont en théorie immuables et
infalsifiables aux fins d’enregistrer et de
mettre à disposition des preuves horoda-
tées irréfutables. Les mises en applica-
tion se multiplient pour la certification de
diplômes, la gestion de cadastres, le dé-
179

pôt de brevets, etc.
Cependant, il demeure aujourd’hui des in-
certitudes sur la valeur juridique de ces
preuves enregistrées sur des blockchains.
1. Réglementation existante
La réglementation existante permet d’ores
et déjà d’aborder la technologie blockchain :
• L’article 1366 du Code civil dispose que
«
l’écrit électronique a la même force
probante que l’écrit sur support papier,
sous réserve que puisse être dûment
identifiée la personne dont il émane et
qu’il soit établi et conservé dans des
conditions de nature à en garantir l’in-
tégrité ». L’intégrité et l’identification de
l’utilisateur sont deux éléments pou-
vant être attestés par la blockchain,
dans ce cas, les éléments enregistrés
sur la blockchain pourraient constituer
des preuves électroniques au sens du
Code civil.
• Les conventions de preuve permet-
tant aux parties signataires de modi-
fier les règles de preuve (charge de la
preuve, objet de la preuve, modes de
preuves) si ces dernières sont valable-
ment conclues. Cet accord entre les
parties n’exclut pas une référence à un
protocole électronique comme mode
de preuve et pourrait dès lors faire ré-
férence à une blockchain comme sys-
tème attestant par exemple de la réalité
de leur engagement ou de la réalisation
d’une transaction.
• Les minibons sont des bons de caisse
spécialement conçus pour le finance-
ment participatif. Au regard des disposi-
tions qui précèdent, la blockchain (« dis-
positif d’enregistrement électronique
»)
sert de preuve pour deux finalités diffé-
rentes :
• En tant que preuve d’inscription dans
un registre, les bons de caisse sont
inscrits au nom de leur propriétaire
dans une blockchain ;
• En tant que preuve du transfert de
propriété, la simple inscription de la
cession dans le dispositif tient lieu
de contrat de cession.
• S’agissant des titres financiers, le
Code monétaire et financier prévoit
depuis l’ordonnance du 8 décembre
2017 que tous les titres financiers
non cotés sur Euronext ou Alternext
peuvent désormais être représentés
ou transmis par la blockchain avec
les mêmes effets que l’inscription en
compte de titres financiers, bien que
la blockchain ne soit pas un compte
titre. La France est ainsi le premier
pays européen qui encadre par voie
législative l’inscription et le transfert
de titres non cotés par blockchain, en
faisant de cette technologie un sup-
port de preuve de l’existence et du
transfert de ces derniers.
Ainsi, le législateur a d’ores et déjà inté-
gré la technologie de la blockchain dans
sa fonctionnalité de registre partagé.
2. Proposition(s)
La loi PACTE a tenté d’être force de propo-
sition aux fins de conférer à la blockchain
davantage de valeur probatoire. En effet,
un amendement, malheureusement retiré
avant discussion, avait été déposé pour
clarifier la valeur juridique des preuves en-
registrées sur un dispositif électronique
d’enregistrement partagé. Cet amen-
dement visait à reconnaître la valeur de
preuve à tout fichier numérique enregistré
dans une blockchain, de nature publique
ou privée, afin de sécuriser les opérations
effectuées par les entreprises utilisant
cette technologie.
La France est pionnière dans la reconnais-
sance de l’inscription sur la blockchain
comme une preuve, mais cette consé-
180

cration demeure circonscrite à une mi-
norité de domaines. Afin de favoriser et
de protéger l’expérimentation des entre-
prises, il conviendrait d’élargir le spectre
des domaines de reconnaissance de la
blockchain comme mode de preuve.
Recommandation
• La reconnaissance générale de preuve
de l’inscription d’éléments dans la
blockchain, que ce soit en tant que
preuve entre les parties que de preuve
judiciaire pouvant être soumise à l’ap-
préciation du juge lors d’un litige.
2. Smart contracts
Il convient de rappeler que les smart
contracts ne constituent pas des contrats
au sens juridique du terme. Un smart
contract est en effet un logiciel ou un
protocole informatique permettant l’exé-
cution automatique d’une action (sans in-
tervention humaine) pouvant être détermi-
née par un contrat. Dès lors, bien que les
smart contracts ne constituent pas des
engagements contractuels, ils possèdent
des implications avec le droit des contrats
de deux façons :
• Soit le smart contract est le support
d’exécution d’un contrat préalablement
établi ;
• Soit l’exécution du contrat au travers du
smart contract implique des questions
de responsabilité contractuelle ou de loi
applicable par exemple.
Le recours à ces outils pourrait per-
mettre une gestion automatique de cer-
tains contrats de financement (crédit,
leasing ou location) ou encore l’exécu-
tion de polices d’assurance. En effet,
à la survenance d’un évènement déter-
miné, le smart contract pourrait enclen-
cher le remboursement automatique de
l’assuré.
À ce titre, il est important de mettre en
avant que l’exécution d’un smart contract,
par son automaticité et son immuabili-
té sur la blockchain, peut impliquer des
conséquences malheureuses en cas de
changement dans la situation des parties.
Cependant, le smart contract demeurant
un programme informatique, ses carac-
téristiques peuvent évoluer dès lors que
celles-ci sont programmées à l’avance.
Afin de garantir une exécution du smart
contract souple et répondant à la volon-
té des parties, la possibilité d’intégrer
dans sa programmation toutes les options
possibles, notamment pour faire évoluer
l’exécution en fonction de l’évolution de
la relation contractuelle, doit être prise en
compte au moment de la rédaction du pro-
tocole algorithmique.
Recommandations
• Rédiger un guide d’utilisation proposant
des recommandations d’actions et des
pièges à éviter, permettant d’établir un
smart contract personnalisé en fonction
de chaque application et chaque partie ;
• Structurer une arborescence évolutive
des conséquences du smart contract
avant l’implémentation et en fonction des
chemins effectués lors de l’exécution ;
• Établir des clauses types à intégrer
dans un smart contract au sein d’une
banque de clauses afin de compléter le
catalogue des recommandations pour
garantir une utilisation éclairée de ces
protocoles informatiques.
3. Responsabilité
La responsabilité varie nécessairement
en fonction de la forme de la blockchain
choisie. Dans le cas d’une blockchain
privée, les intervenants sont identifiés,
voire sélectionnés. À l’inverse, dans une
181

blockchain publique n’importe quel utilisa-
teur contribue à la construction du réseau.
Ainsi, l’identification des membres du ré-
seau et de leurs responsabilités en cas
de fraude ou de bug dans l’utilisation de
la blockchain serait nécessairement diffé-
rente en fonction de sa typologie.
Plusieurs questions en matière de responsa-
bilité doivent être soulevées et qui ne com-
portent à ce jour pas de solutions claires.
Tout d’abord, la sécurité dans l’utilisation
de la blockchain repose sur son fonction-
nement basé sur le consensus pour la va-
lidation des transactions. Par hypothèse,
le réseau pourrait accepter une transac-
tion frauduleuse dès lors qu’elle présente
toutes les caractéristiques matérielles né-
cessaires à cette validation. Il peut être
soulevé ici la question de la responsabilité
du réseau. Or, ce dernier n’ayant pas de
personnalité morale, se pose alors une
seconde question sur la responsabilité
qui pourra être effectivement engagée, et
contre quel membre du réseau.
Une autre question de responsabilité est
celle qui devra être soulevée en cas de
défaut ou dénouement malheureux d’un
smart contract. En effet, l’exécution au-
tomatique de ce dernier entraîne, dans le
cas d’une cession par exemple, un trans-
fert direct de l’actif ou du jeton concerné
dès que les conditions de son exécution
sont réunies. Une solution pour permettre
le contrôle de ce transfert est d’ajouter
des règles au sein du smart contract pour
encadrer davantage ce transfert automa-
tique, ou du moins prévoir dans le proto-
cole automatique une faculté de restitu-
tion si certaines conditions sont remplies.
Enfin, les interrogations en matière de
responsabilité se cristallisent autour de
l’engagement effectif de celle-ci. En effet,
pour engager la responsabilité d’une par-
tie, encore faut-il connaître la juridiction
compétente, et qu’une voie de recours soit
ouverte. Or, la technologie blockchain étant
internationale et transfrontalière à la diffé-
rence des juridictions et des législations,
des points de rattachement à un État et à
ses instances juridictionnelles devront être
déterminés pour permettre de tels recours.
Recommandation
• L’insertion dans le smart contract d’élé-
ments allant dans le sens d’un ratta-
chement à une juridiction ou un droit ap-
plicable particulier, à défaut de prise de
position par les états ou les instances
internationales sur ces points,
Une réglementation
182

adaptée à
l’innovation
(« compétitivité »)
Accès au marché et concurrence
Une réglementation adaptée à l’innova-
tion se doit de garantir l’accès au mar-
ché et maintenir une concurrence entre
les acteurs. Ainsi, alors que certaines
blockchains se positionnent comme des
concurrents directs au secteur bancaire et
financier, les dispositions permettant l’ou-
verture d’un compte au sein des banques
françaises pourraient restreindre la possi-
bilité pour ces néo-acteurs de s’implanter.
En effet, il peut être imaginé que par ex-
cès de zèle dans l’application de la régle-
mentation, certaines institutions refusent
le droit à l’ouverture de compte afin de li-
miter la concurrence. Il convient à ce titre
de mettre en place des garde-fous pour
maintenir l’innovation et la diversité des
acteurs dans ce domaine.
De plus, l’attractivité et le développement
de la France comme un acteur incontour-
nable de l’implantation des structures
blockchain impliquent de valoriser les
compétences existantes. Ainsi, les en-
treprises comme Ledger, relocalisant sa
production physique de coffres-forts en
France du fait de ses compétences en
matière de sécurité, doivent être mises
en avant et protégées. De la même ma-
nière, des structures telles que Lightning,
proposant une alternative moins consom-
matrice d’énergie, fluidifiant les transac-
tions du bitcoin et délivrant une réponse
105. Le forum shopping (élection de juridiction) est une pratique de droit international privé qui consiste à saisir la
juridiction la plus susceptible de donner raisons à ses propres intérêts (Wikipédia).
aux questions environnementales de la
blockchain, doivent être captées et voir
leur développement encouragé.
Recommandations
Elles peuvent être faites au titre de l’accès
au marché et de la concurrence et s’arti-
culent autour de l’ambition des initiatives
législatives pour faire de la France un pôle
attractif de l’innovation. À ce titre, il ap-
parait important d’inciter l’installation en
France sous différentes formes telles que
la simplification des formalités administra-
tives, l’incitation fiscale, la possibilité de
bénéficier d’un crédit d’impôt conditionné
par l’innovation ou plus simplement de bé-
néficier de subventions pour que les com-
munautés blockchain soient domiciliées
en France.
Harmonisation législative
L’harmonisation législative au niveau in-
ternational, et surtout européen, est un
enjeu majeur. Il est difficile d’appréhender
des relations et des situations d’échanges
pour lesquelles les juridictions compé-
tentes et le droit applicable n’existent pas
encore, mais dont les implications sont
planétaires. Il existe de plus un risque de
« forum shopping105

» en matière de régle-
mentation.
Certains États européens se dotent ac-
tuellement de législations attractives
pour les membres de la communauté
blockchain, pouvant entraîner une fuite
de ses acteurs, mais également une
augmentation du risque juridique. À titre
d’exemple, Malte dispose de trois projets
de loi couvrant les trois principaux piliers
de la réglementation nécessaire afin de lui
183

permettre de devenir l’eldorado de la tech-
nologie blockchain et des crypto-monnaies
(régime de registre, place blockchain en
collaboration avec l’autorité des marchés
financiers maltaise, réglementation des
monnaies virtuelles).
Enfin, l’Autorité des services financiers
de Malte (MFSA) a publié des documents
concernant la mise en place d’un «
Test
d’instrument financier
» pour définir la na-
ture des jetons vendus lors d’une ICO. Bien
que ces dispositions soient similaires à
celles prévues par le droit français, il peut
être constaté la mise en œuvre d’une plu-
ralité de réglementations au sein de l’UE
sur le sujet blockchain, pouvant mener à
une concurrence entre les États.
Afin d’assurer une meilleure efficacité de
la réglementation, il apparait souhaitable
de développer une coordination euro-
péenne et internationale. Compte tenu du
caractère dématérialisé des crypto-actifs
et de l’utilisation de technologies liées au
monde de l’internet qui facilitent la fourni-
ture de services de façon transfrontalière,
l’hétérogénéité des règlementations natio-
nales pourrait empêcher une pleine maî-
trise des risques induits.
Ainsi, il apparaît nécessaire aujourd’hui de
porter le débat sur la régulation des cryp-
to-actifs au niveau international. Le 7 fé-
vrier 2018, les ministres de l’Économie
et des Finances et les banquiers centraux
français et allemands ont saisi le G20 à
cet effet.
La démarche principale, avant même
que ne soit proposée une harmonisation
législative au niveau international ou eu-
ropéen, demeure celle de la coopération
entre les autorités de régulation et les dif-
férentes communautés de l’écosystème
des blockchains.
L’adéquation des
184

règles fiscales et
comptables
Fiscalité
La fiscalité des crypto-actifs (aujourd’hui
intégrée dans une directive de 2014, par-
tiellement annulée en 2018) et a été revue
dans la loi de Finance 2019 (article 41) et
ne taxe les gains qu’au moment de la ces-
sion et en distinguant les revenus réguliers
des revenus occasionnels.
L’analyse qui avait été délivrée par l’ad-
ministration fiscale s’agissant du bitcoin
permettait de penser qu’elle pourrait
s’appliquer à l’ensemble des crypto-mon-
naies. En matière de réalisation de profits,
il convient de distinguer si les transferts
s’effectuent entre personnes physiques
ou personnes morales.
Dans le premier cas, la qualification varie
en fonction de l’habitude de la réalisation
de telles opérations. Ainsi, la réalisation
de profits au travers de ces monnaies se-
rait considérée comme un BIC si l’échange
est réalisé à titre habituel ou de BNC si
celui-ci est réalisé à titre occasionnel.
Dans le second cas, si les opérations
sont réalisées par une personne morale,
hypothèse qui pourrait être retenue pour
les groupements de mineurs, le régime
fiscal serait alors celui de l’IS. Cependant,
la revente de crypto-monnaie ne pourrait
pas bénéficier du régime des plus-values à
long terme. La loi de finance 2019 précise
dès lors le régime fiscal :
• Les plus-values réalisées à titre occasion-
nel par les particuliers lors de la cession
106. https://curia.europa.eu/jcms/upload/docs/application/pdf/2015-10/cp150128fr.pdf.
d’actifs numériques font l’objet d’une
imposition forfaitaire à un taux de 30 %
(dont 12,8 % d’impôt sur le revenu) ;
• les cessions n’excédant pas 305 euros
par an sont exonérées d’impôt ;
• Les échanges sans soulte entre cryp-
to-monnaies n’entraînent normalement
pas d’imposition,
Les gains de « minage » et d’achat-revente
à titre habituel ne sont pas directement
concernés par cette nouvelle mesure et
devraient rester imposés respectivement
dans la catégorie des BNC et des BIC.
Les personnes physiques, les associa-
tions et les sociétés n’ayant pas la forme
commerciale, domiciliées ou établies en
France, sont tenues de déclarer, en même
temps que leur déclaration de revenus ou
de résultats, les références des comptes
d’actifs numériques mentionnés à l’article
150 VH bis ouverts, détenus, utilisés ou
clos auprès d’entreprises, personnes mo-
rales, institutions ou organismes établis à
l’étranger. En matière de soumission des
opérations sur crypto-monnaies à la TVA, il
y a aujourd’hui une absence de position de
l’administration fiscale, et cela, quelle que
soit la crypto-monnaie. Une hypothèse peut
être avancée selon laquelle les opérations
au travers de crypto-monnaies pourraient
être considérés comme occasionnelles par
Bercy, ce qui les exclurait naturellement du
champ d’application de la TVA.
La Cour de Justice de l’Union Européenne
(CJUE), dans son arrêt du 22 octobre 2015
« David Hedqvist106

», a apprécié les opéra-
tions réalisées par conversion de monnaie
nationale en bitcoin comme bénéficiant
de l’exonération de TVA dès lors que les
185

opérations sur devises non traditionnelles
constitueraient des opérations financières.
Cette appréciation vaut uniquement pour
le bitcoin pour des services consistant en
l’échange de devises traditionnelles contre
la devise virtuelle bitcoin. Il ne précise pas
le traitement TVA des transactions dont le
bitcoin est le moyen de paiement.
Recommandation
L’administration fiscale doit établir des
règles claires afin que les transactions im-
pliquant des crypto-actifs puissent bénéfi-
cier de la même sécurité juridique que les
autres transactions.
Comptabilité
L’intégration par la comptabilité de la tech-
nologie de la blockchain comme support
et outil est au cœur des préoccupations
de l’ANC, laquelle a mis en place d’un
groupe de réflexion sur la blockchain et
la comptabilité par l’ANC : thème des 7e
états généraux de la recherche comptable
de l’ANC.
Certains constats apparaissent au titre de
cette réflexion. Ainsi, il a pu être souligné
que la transformation numérique de l’éco-
nomie, au-delà des opportunités qu’elle
génère, fait face à un problème de recon-
naissance comptable et de financement
de ses activités. Certes, la comptabilité
peut répondre en partie sur les aspects
«
reconnaissance
», mais, à ce stade, il
semble que des indicateurs extracomp-
tables doivent être également mis en
107. Règlement homologué par arrêté du 26 décembre 2018 publié au Journal Officiel du 30 décembre 2018.
108. Une fourche est un événement qui se produit lorsque le code source d’une blockchain existante est modifié, puis
scindé en une nouvelle blockchain. La fourche la plus connue est celle de la crypto-monnaie litecoin qui est basée
sur la blockchain bitcoin, copiée et modifiée afin que le placement du litecoin puisse être indépendant.
109. Un airdrop (largage) est la distribution, généralement gratuite, de jetons d’un cryptoactif afin d’attirer de nouveaux
utilisateurs.
110. Forme mixte ou hybride des trois types de jetons existants : les jetons de paiement (cryptomonnaie « pure »), les
jetons d’usage/utility tokens et les jetons d’investissement/security tokens.
place afin de mieux refléter les opérations
liées à l’activité du numérique. Cela pour-
rait laisser la place à une «
normalisation
élargie
» dont les frontières restent à défi-
nir. L’acquisition des données (big data)
par les différents acteurs de l’économie
du numérique semble au cœur du sujet.
L’ANC vient de publier le règlement N°
2018-07 du 10 décembre 2018107
modi-
fiant le règlement n° 2014-03 relatif au
plan comptable général modifié. Ce règle-
ment se prononce sur le traitement des
jetons qu’il définit comme étant « tout bien
incorporel représentant, sous forme nu-
mérique, un ou plusieurs droits, pouvant
être émis, inscrits, conservés ou trans-
férés au moyen d’un dispositif d’enregis-
trement électronique partagé permettant
d’identifier, directement ou indirectement,
le propriétaire dudit bien
». À noter toute-
fois qu’il reste à préciser le traitement des
fourches108
, des airdrops109
et des jetons
mixtes110
.
Recommandation
• Proposer des indicateurs comptables et
extracomptables permettant de donner
une image fidèle des opérations liées
à l’activité du numérique, avec une
normalisation qui devrait posséder un
caractère international au vu des im-
plications mondiales de la technologie
blockchain.
3.8 CONCLUSION
186

Les initiatives se multiplient pour mettre
en place un cadre réglementaire, juridique
fiscal et comptable adéquat pour les nou-
veaux usages basés sur les technologies
blockchains. Ces initiatives ne se limitent
d’ailleurs pas à la France ou à l’Europe et
sont partagées mondialement, que ce soit
via le rattachement à des réglementations
existantes (p. ex. cas des États-Unis), des
réglementations ad hoc (France et Malte),
la mise en place d’environnements de
tests (Suisse) ou bien l’interdiction simple
(Chine ou Corée). Cependant, cet effort de
réglementation doit être approfondi aux
fins de couvrir des thématiques plus larges
et de s’inscrire dans une dynamique de
stimulation de l’innovation. Certains freins
propres aux acteurs demeureront, comme
les contraintes de mises à l’échelle, de
protection de la vie privée et des données
personnelles. Malgré tout, un équilibre doit
être trouvé entre protection et incitation.
De plus, cette dynamique d’encadrement
de la blockchain ne doit pas être faite au
détriment de l’attractivité d’un cadre juri-
dique qui serait trop contraignant. En ef-
fet, un décalage peut être constaté entre
ces nouvelles règles, visant à ne pas bri-
der l’innovation tout en protégeant les in-
vestisseurs, et les recommandations des
principaux acteurs et experts. Ces écarts
sont accentués par la faible maturité de
ces technologies et la vitesse de leurs
évolutions qui complexifient d’autant la
compréhension et la capacité à légiférer
à temps.
L’importance et le potentiel des blockchains
doivent en revanche ne jamais être perdus
de vue afin que nos entreprises puissent
poursuivre leurs activités et expérimen-
111. Rapport de la mission d’information commune sur les chaines de blocs (blockchain) présenté par Mme Laure de La
Raudière et M. Jean-Michel Mis (décembre 2018).
tations et maintenir leur compétitivité à
l’échelle internationale.
À ce titre, il convient de soulever une dernière
interrogation sur l’infrastructure supportant
une blockchain. En effet, bien que dématé-
rialisée, la blockchain repose avant tout sur
la création d’algorithmes et une technique
de minage. Or, pour l’heure, les structures
physiques supportant l’émergence et le
développement de cette technologie ne se
situent pas sur le territoire national, mais
à l’étranger. Le développement d’applica-
tifs sur les technologies ne saurait garantir
la souveraineté nationale si l’infrastructure
technique peut être à tout moment contrô-
lée, saisie ou arrêtée par des puissances
étrangères, étatiques ou économiques. La
France doit disposer au sein de ses terri-
toires de centres de développement algorith-
miques, de fermes de minage, de centres de
stockage de données et nuage/cloud, etc.
La France possède une opportunité de lea-
dership sur les applications blockchain. Elle
peut, grâce aux régimes optionnels mis en
place, faciliter l’émergence de plateformes
DLT intermédiaires en crypto-actifs et qui
soient leaders mondiaux sur les applica-
tions métiers. Pour cela, le pragmatisme
devra guider ses décisions en matière de
fiscalité afin de ne pas freiner une innova-
tion aussi disruptive qu’Internet il y a près
de 30 ans. À ce propos, il est bon de no-
ter que ne pas reproduire les erreurs com-
mises à l’époque du Minitel et des débuts
d’Internet est en substance la conclusion
du rapport de la mission d’information sur
la blockchain111
présenté le 12 décembre
2018. Celui-ci préconise notamment de
lancer des expérimentations dans l’admi-
nistration et de redéployer, à l’occasion de
187

la loi de finances 2020 si la proposition est
retenue par le Gouvernement, 500 millions
d’euros dans le secteur sur trois ans pour
faire de la France une « blockchain nation ».
Cette question de compétitivité entre les
pays se pose d’autant plus que les futures
problématiques de la blockchain ne por-
teront pas sur la sécurité, mais sur l’em-
preinte énergétique de telles technolo-
gies. Or, l’utilisation de fermes de minage
étrangères faisant fonctionner des ordina-
teurs hors d’âge et gourmands en électri-
cité constituera à terme un problème à la
fois économique et éthique.
Il existe actuellement des solutions al-
lant dans ce sens, telle que la technolo-
gie développée notamment par Lightning
permettant de développer une «
deuxième
couche » qui fonctionne sur une blockchain
(le plus souvent bitcoin). Elle permet théo-
riquement des transactions rapides entre
les nœuds participants avec une consom-
mation énergétique moindre. Le dévelop-
pement de telles applications et le main-
tien de l’attractivité sur le sol français des
architectures physiques de la blockchain
seront les enjeux de demain pour notre in-
dépendance tant politique qu’énergétique.
Annexes
188

Annexe 1. Glossaire
Transaction : étape élémentaire de change-
ment d’état dans le cadre d’une procédure.
Bloc : Structure des données regroupées
pour un traitement global. Le bloc contient
les données et un en-tête.
Chaîne de blocs (blockchain) : registre
distribué avec des blocs contrôlés, validés et
structurés par seuls ajouts, l’ordonnancement
étant assuré par des liens cryptographiques.
Système distribué : système avec des com-
posants portés par un réseau d’équipe-
ments informatiques avec des procédures
de coordination entre les nœuds du réseau
pour assurer un objectif commun.
Registre (ledger) : données stockées de
façon définitive et généralement la repré-
sentation numérique de transactions.
Registredistribué :systèmed’enregistrement
des données issues de transactions géré par
plusieurs nœuds (en écriture/lecture) avec un
mécanisme de coordination entre les nœuds
assurant la synchronisation des données.
Nœud : élément du réseau de pairs qui
portent une chaîne de blocs avec des rôles,
des propriétés et des responsabilités définies
par la gouvernance de la chaîne de blocs.
Plateforme avec une technologie de re-
gistre distribué : ensemble d’équipements
et de logiciels assurant les stockages et
les traitements associés à une chaîne de
blocs.
Consensus : accord entre les nœuds du
réseau portant la chaîne de blocs sur la
validité d’une transaction et sur l’ordonnan-
cement des blocs ajoutés dans la chaîne.
Mécanisme de consensus : règles et pro-
cédures définissant la méthode d’obten-
tion du consensus entre les parties pre-
nantes d’une chaîne de blocs.
Gouvernance : règles implicites ou expli-
cites, pouvant se mettre en œuvre par l’in-
termédiaire de logiciels exécutés par les
nœuds, dirigeant et contrôlant l’usage et
les fonctionnalités d’une chaîne de blocs.
Elle est le cadre de référence des droits
et responsabilités des parties prenantes
avec pour objectif d’encourager un com-
portement souhaitable de ces dernières.
Avec permission/de consortium (permis-
sioned) : chaîne de blocs où la participa-
tion au mécanisme de consensus est sou-
mise à autorisation.
Ouverte/publique (permissionless) : chaîne
de blocs où la participation au mécanisme
de consensus n’est soumise à aucune au-
torisation.
Chaîne de blocs privée : chaîne de blocs
où les rôles des parties prenantes sont
définis et autorisés par une autorité.
Chaîne de blocs publique : chaîne de blocs
où les rôles des parties prenantes sont
définis par une gouvernance implicite sans
autorité ni contrôle a priori.
Minage : activité d’un participant au
consensus d’une chaîne de blocs consis-
tant à conserver le contenu de la chaîne
et vérifier le contenu d’un nouveau bloc
et son ajout à la chaîne en respectant les
protocoles définis.
Gratification : distribution d’un jeton associé
à la chaîne de bloc accordée lors de la valida-
tion d’un bloc ajouté à la chaîne. Elle assure
la cohésion des parties prenantes qui garan-
tissent la conformité des données ajoutées
et le maintien de la chaîne de blocs.
Actif digital : actif numérique représenté
sous forme unique par un jeton pouvant
être géré par une chaîne de blocs (créa-
tion, transferts de propriété, destruction).
Fourche (fork) : création de deux chaînes
devenant définitivement indépendantes à
partir d’une chaîne de bloc initiale.
Immuabilité (immutable) : caractéristique
d’une chaîne de blocs dont les enregistre-
ments ne peuvent qu’être ajoutés sans
possibilité d’annulation ou d’effacement
par des moyens usuellement connus.
Hors chaîne (off-chain) : opérations (stockage,
traitements) réalisées hors des nœuds de
189

la chaîne.
Dans la chaîne (on-chain) : opérations ré-
alisées par les nœuds de la chaîne dans
le cadre du mécanisme de consensus.
Oracle : service assurant l’accès à des in-
formations externes pour les nœuds d’une
chaîne de blocs.
Smart contract : programme informatique
enregistré dans un registre distribué et
exécuté sur une chaîne de blocs avec un
mécanisme de consensus gérant son exé-
cution et enregistrant ses effets dans la
chaîne de blocs.
Jeton (token) : représentation d’un actif
numérique dont un système assure sa
gestion (création, transferts, destruction) ;
une chaîne de blocs peut assurer cette
gestion de façon distribuée.
Annexe 2. Liens pour
approfondir le sujet
• http://documents.worldbank.org/curated/
en/177911513714062215/pdf/122140-
WP-PUBLIC-Distributed-Ledger-Technology-
and-Blockchain-Fintech-Notes.pdf
• www.gartner.com/smarterwithgartner/
the-cios-guide-to-blockchain
• www.ecb.europa.eu/pub/pdf/other/
virtualcurrencyschemesen.pdf
• www.weforum.org/agenda/2015/12/
how-blockchain-technology-could-
change-the-world
• w w w. c i g r e f . f r / w p / w p - c o n t e n t /
uploads/2017/06/Livre-blanc-Blockchain-
pour-entreprises.pdf
• https://systematic-paris-region.org/wp-
content/uploads/2017/07/Systematic-
LB-Blockchain-HD.pdf
• www.louisbachelier.org/lecteur-pdf/
?pid=52647
• www3.weforum.org/docs/WEF_Realizing_
Potential_Blockchain.pdf
• www.institutsapiens.fr/wp-content/
uploads/2018/02/Note-Bitcoin-07-
f%C3%A9vrier.pdf
• www.thedigitalnewdeal.org/wp-content/
uploads/2017/06/the_digital_new_
deal-org-JEANNEAU-Clement-LAge-
DuWebDecentralise.pdf
• https://hbr.org/2017/01/the-truth-
about-blockchain
• https://papers.ssrn.com/sol3/papers.
cfm?abstract_id=2977811
• w w w. a n n a l e s . o r g / r i / 2 0 1 7 / r i _
aout_2017.html
• www.telecom-paristech.org/article/revue-
telecom-183-drones-jusqu-ou-nous-
emmenent-ils-blockchain-la-nouvelle-
revolution-numerique/22/12/2016/2307
• www.thedigitalnewdeal.org/wp-content/
uploads/2017/06/the_digital_new_
deal-org-JEANNEAU-Clement-LAge-
DuWebDecentralise.pdf
• www.anc.gouv.fr/files/live/sites/anc/
files/contributed/ANC/1.%20Normes
%20françaises/Reglements/2018/Reglt
_2018_07/2018-07_%20recueil_ICO_.pdf
Annexe 3. Benchmark des
solutions blockchain
Les grandes différences intrinsèques
entre blockchain doivent être fortement
monitorées pour répondre aux besoins.
Une blockchain publique permettra d’utili-
ser les réseaux existants, mais soulèvera
des problèmes de confidentialité, d’utilisa-
tion utilisateur par les clients et de protec-
tion des clés privées contre les attaques.
Les blockchains privées et de consortium
ont l’avantage d’offrir un contrôle plus
strict, mais présentent un niveau de sé-
curité généralement inférieur, un coût de
maintenance plus élevé et peuvent être
compliquées à déployer avec des entre-
prises parfois concurrentes et aux agen-
das et stratégies divergents.
190

Annexe 4. Benchmark de
quelques solutions blockchain
Bitcoin Ethereum Ripple Consortium
R3 Corda
Hyperledger
Fabric
Hyperledger
Sawtooth
Publique Oui Oui Oui Non Non Non
Open
Source
Oui Oui Seulement en
partie
Oui Oui Oui
Asset Oui BTC Oui ETH Oui XRP Non Non Non
Consensus PoW PoW/PoS Ripple Protocol
Tolérance
aux fautes
Byzantines en
pratique (PBFT)
Pluggable
uniqueness
service
Tolérance
aux fautes
Byzantines en
pratique (PBFT)
Proof of elapsed
Time
Smart
Contract
Non Oui (EVM) Non Oui Oui (chaincode) Oui (transaction
families)
Version
entreprise
N/A N/A Quorum Oui Oui Oui Prévue
Ownership Crown-
founded
Crown-
founded
Fondateurs
et venture
capitalistes
Consortium
de banques
Communautaire,
Open Source
Communautaire,
Open Source
Annexe 5.Textes « Enjeux réglementaires »
191
Avez-vous besoin
d’une base de données ?
Avez-vous besoin
d’y écrire des données ?
Avez-vous confiance
dans les autres participants ?
Avez-vous besoin ou envie
d’un tiers de confiance ?
Avez-vous besoin
d’un moyen de contrôle ?
Vos transactions
doivent-elles être privées ?
PAS BESOIN DE BLOCKCHAIN
PUBLIQUE CONSORTIUM
Inter-firme Intra-firme
PRIVÉE
Les intérêts des participants
sont-ils alignés ?
Comment est déterminé
le consensus
(inter-firme ou intra-firme ?)
Oui
Oui
Oui
Non
Non
Oui
Oui
Oui
Oui
Non Non
Non
Non
Non

Amendement n° 2492, article 26 de la loi PACTE (adopté en première lecture par l’As-
semblée nationale)
Pour l’application du présent chapitre, les actifs numériques comprennent :
1° Les jetons mentionnés à l’article L. 552‑2 du présent code, à l’exclusion de ceux
remplissant les caractéristiques des instruments financiers visés à l’article L. 211‑1,
et des bons de caisse visés à l’article L. 223‑1 ;
2° Toute représentation numérique d’une valeur qui n’est pas émise ou garantie par
une banque centrale ou par une autorité publique, qui n’est pas nécessairement
attachée à une monnaie ayant cours légal et qui ne possède pas le statut juridique
d’une monnaie, mais qui est acceptée par des personnes physiques ou morales
comme un moyen d’échange et qui peut être transférée, stockée ou échangée élec-
troniquement.
Art. L. 549‑26. – Les services sur actifs numériques comprennent les services suivants :
1° Le service de conservation pour le compte de tiers d’actifs numériques ou de clés
cryptographiques privées, en vue de détenir, stocker et transférer des actifs numé-
riques ;
2° Le service d’achat ou de vente d’actifs numériques en monnaie ayant cours légal ;
3° Le service d’échange d’actifs numériques contre d’autres actifs numériques ;
4° L’exploitation d’une plateforme de négociation d’actifs numériques ;
5° Les services suivants :
a) La réception et la transmission d’ordres sur actifs numériques pour le compte de
tiers ;
b) La gestion de portefeuille d’actifs numériques pour le compte de tiers ;
c) Le conseil aux souscripteurs d’actifs numériques ;
d) La prise ferme d’actifs numériques ;
e) Le placement garanti d’actifs numériques ;
f) Le placement non garanti d’actifs numériques.
Un décret précise la définition des services mentionnés au présent article.
Présentation de l’article 26 de la loi PACTE
Dans l’attente de règles européennes et internationales, nécessaires sur ces sujets
par nature transnationaux, il apparaît souhaitable, pour mieux protéger les acquéreurs
de jetons et les porteurs de projets «
légitimes
», de permettre à l’AMF de délivrer un
visa aux acteurs qui souhaiteraient émettre des jetons destinés notamment au marché
français pour le financement d’un projet ou d’une activité, sous réserve qu’ils respectent
certaines règles de nature à éviter des abus manifestes et à informer et protéger l’inves-
tisseur. L’AMF se verrait ainsi confier le soin d’examiner les documents élaborés par les
émetteurs de jetons en amont de leur offre (« white paper »). Elle pourrait en outre exiger
que les émetteurs se dotent d’un statut de personne morale établie ou immatriculée en
France, mettent en place un mécanisme de séquestre des fonds recueillis, ou tout outil
d’effet équivalent et un dispositif d’identification et de connaissance du client.
Amendement n° 1914, article 26 de la loi PACTE (adopté en première lecture par l’As-
semblée nationale)
13° Après le premier alinéa de l’article L. 312-23, est inséré un alinéa ainsi rédigé :
192

« Les établissements de crédit mettent en place des règles objectives, non discrimina-
toires et proportionnées pour régir l’accès des émetteurs de jetons ayant obtenu le visa
mentionné à l’article L. 552‑4 du présent code aux services de comptes de dépôt et
de paiement qu’ils tiennent. Cet accès est suffisamment étendu pour permettre à ces
personnes de recourir à ces services de manière efficace et sans entraves. »
Position 2014-p-01, le 29 janvier 2014 sur les opérations sur bitcoins en France
Dans le cadre d’une opération d’achat/vente de bitcoins contre une monnaie ayant cours
légal, l’activité d’intermédiation consistant à recevoir des fonds de l’acheteur de bitcoins
pour les transférer au vendeur de bitcoins relève de la fourniture de services de paiement.
Exercer cette activité à titre habituel en France implique de disposer d’un agrément de
prestataire de services de paiement (établissement de crédit, établissement de monnaie
électronique ou établissement de paiement) délivré par l’ACPR.
La délivrance de cet agrément impose le respect de conditions relatives notamment aux
apporteurs de capitaux, à la gouvernance, à la structure financière et au niveau de fonds
propres. Elle impose également que les entreprises agréées mettent en place (i) un dispositif
de contrôle interne et (ii) des mesures de vigilance en matière de lutte contre le blanchiment
et le financement du terrorisme, adaptés à l’activité exercée et aux risques encourus.
Code monétaire et financier, sur les minibons
Art. L. 223-12 : Sans préjudice des dispositions de l’article L. 223-4, l’émission et la
cession de minibons peuvent également être inscrites dans un dispositif d’enregistre-
ment électronique partagé permettant l’authentification de ces opérations, dans des
conditions, notamment de sécurité, définies par décret en Conseil d’État.
Art. L. 223-13 : Le transfert de propriété de minibons résulte de l’inscription de la ces-
sion dans le dispositif d’enregistrement électronique mentionné à l’article L. 223-12,
qui tient lieu de contrat écrit pour l’application des articles 1321 et 1322 du Code civil.
Amendement retiré, article 26 loi pacte
Après l’article 40, insérer l’article suivant :
Après l’unique alinéa de l’article 1358 du Code civil, insérer un alinéa ainsi rédigé :
« À cet effet, tout fichier numérique enregistré dans un dispositif électronique d’enre-
gistrement partagé (DEEP) de nature publique ou privée vaut preuve de son existence
et de sa date, jusqu’à preuve contraire, dès lors que ledit DEEP répond à des condi-
tions définies par décret ».
193

Crée en 1957, le Centre des Professions Financières présidé par Michel Pébereau rassemble
l’ensemble des professions financières : banque, assurance, gestion d’actifs, marchés financiers, émetteurs de
cautions, intermédiaires ainsi que leur écosystème, fonctions financières des entreprises et des collectivités
publiques, conseils et auditeurs, enseignement, recherche... Le Centre a pour objectif de promouvoir et de
faire connaître les métiers de la finance.
Le Centre travaille sur des sujets d’actualités tels que : l’Investissement de Long Terme, la Finance
verte, l’éducation financière ou encore l’Intelligence Artificielle, dans un contexte
européen. Par exemple, en 2018-2019 :
• Un séminaire « Blockchain & ICO »
• « Intelligence Artificielle et métiers de la finance » dans le Magazine n°16 des Professions Financières
avec des articles de chercheurs, des autorités financières, des acteurs impactés...
• La Convention annuelle sur le thème : « La Relation Client 2.0 : quel rôle pour l’IA ? »
• Le Centre répond à la consulation de place organisé par l’ACPR sur l’IA
Et aussi :
• Parution prochaine d’un cahier consacré au Blockchain et ICO
• Big data et data protection, objet d’une conférence en décembre
2016 et thème d’une prochaine manifestation sur les ICO et les
crypto actifs en juin 2019
• Le Centre soutient Paris Fintech Forum
CONTACTS
www.professionsfinancieres.com
@Centre_Prof_Fin
Centre des Professions Financières
Centre des Professions Financières
1 000 membres
50 manifestations
9 clubs
7 publications
5 groupes de travail
1 concours des mémoires
contact@professionsfinancieres.com

Les
technologies
quantiques
au service
de l’industrie
financière

4. Les technologies
quantiques au
service de l’industrie
financière
4.1 INTRODUCTION
Au début du XXe
siècle est apparu la phy-
sique quantique décrivant le comporte-
ment des atomes et des particules, ce
que la physique classique, notamment
la mécanique newtonienne et la théorie
électromagnétique de Maxwell, n’avait
pu expliquer. Permettant de comprendre
certaines propriétés du rayonnement élec-
tromagnétique qui restaient incompréhen-
sibles pour la physique classique, elle est
aujourd’hui un élément incontournable
pour tous ceux qui veulent découvrir la
physique contemporaine.
La physique quantique est à l’origine
d’une révolution conceptuelle qui a eu
des répercussions jusqu’en philosophie
(remise en cause du déterminisme) et en
littérature (science-fiction). Elle a permis
nombre d’applications technologiques :
énergie nucléaire, imagerie médicale par
résonance magnétique nucléaire, diode,
transistor, circuit intégré, microscope
électronique et laser. Un siècle après sa
conception, elle est abondamment uti-
lisée dans la recherche en chimie théo-
rique (chimie quantique), en physique (mé-
canique quantique, physique statistique
quantique, astrophysique, gravité quan-
tique), en mathématiques (formalisation
de la théorie des champs) et, récemment,
en informatique (ordinateur quantique,
cryptographie quantique). Elle est consi-
dérée avec la relativité générale d’Einstein
comme l’une des deux théories majeures
du XXe
siècle.
Parmi ses applications prometteuses qui
commencent à se concrétiser est l’infor-
matique quantique qui permet d’envisager
la conception d’ordinateurs, d’algorithmes
et de systèmes de communication dont les
performances en termes de puissance de
calcul et de sécurité sont inatteignables
avec les technologies actuelles. Elle per-
mettra de résoudre des problèmes com-
plexes, non ou mal résolus aujourd’hui, et
ce dans un délai raisonnable.
Les systèmes informatiques et de com-
munication occupent une telle place dans
notre société que le développement et la
sécurité de ces nouvelles technologies vont
devenir un enjeu stratégique à l’échelle des
États. Les risques de souveraineté asso-
ciés seront comparables à ceux de la dé-
fense des nations. En témoignent les inves-
tissements colossaux à travers le monde
engagés par des pays comme les États-
Unis ou la Chine, mais également par des
sociétés comme IBM, Google, Microsoft, à
l’instar de ceux réalisés pour développer
les supercalculateurs.
L’Union Européenne a ainsi lancé un pro-
gramme de recherche à grande échelle et
à long terme, le «
Quantum Technologies
Flagship
», qui rassemble des instituts de
recherche, des entreprises et des bail-
leurs de fonds publics, consolidant et dé-
veloppant le leadership scientifique euro-
péen et l’excellence dans ce domaine. En
mettant à disposition les résultats de la
recherche quantique sous forme d’appli-
cations commerciales et de technologies
perturbatrices, le programme, d’une durée
de dix ans et doté d’un budget d’un mil-
liard d’euros, favorisera le développement
196

d’une industrie quantique compétitive en
Europe. Au cours de sa phase de démar-
rage (octobre 2018 à septembre 2021), il
fournira un financement de 132 millions
d’euros pour 20 projets relevant de quatre
domaines d’application (communication
quantique, simulation quantique, informa-
tique quantique et métrologie quantique et
détection) et financera également des re-
cherches sur les bases scientifiques des
technologies quantiques.La vision à long
terme du Flagship est de développer en
Europe un réseau quantique où ordina-
teurs, simulateurs et capteurs quantiques
seront interconnectés via des réseaux de
communication quantiques112
.
Il est toutefois difficile de préciser au-
jourd’hui quand les applications des tech-
nologies quantiques se concrétiseront au
niveau commercial. Les challenges scien-
tifiques, technologiques et industriels sont
nombreux et l’ordinateur quantique uni-
versel reste un objectif futuriste. Au vu du
nombre et de la qualité des équipes qui tra-
vaillent sur le sujet dans le monde entier,
on peut néanmoins penser que les progrès
seront significatifs à court terme et que
des percées majeures sont vraisemblables
à plus long terme. Par ailleurs, comme le
montre l’expérience passée, il n’est pas
nécessaire qu’une technologie soit com-
plètement au point et satisfaisante à tous
égards pour s’imposer si elle apporte déjà
un avantage compétitif décisif.
Les pages qui suivent vont présenter cette
nouvelle aventure qui commence dès
maintenant en six thématiques :
• Thématique « Informatique quantique » ;
• Thématique «
Sécurité des communica-
tions à l’ère de l’ordinateur quantique » ;
112. https://ec.europa.eu/digital-single-market/en/quantum-technologies.
• Thématique «
Communications sécuri-
sées quantiques » ;
• Thématique « Hardware » ;
• Thématique «
Ingénierie logicielle et ou-
tils de développement » ;
• Thématique «
Conduite du changement,
nouveaux métiers, formation, éducation
et enjeux réglementaires, juridiques et
éthiques ».
197

4.2THÉMATIQUE
« INFORMATIQUE
QUANTIQUE »
En 1982, le prix Nobel de physique Ri-
chard Feynman est le premier à imaginer
les possibilités faramineuses d’un ordina-
teur capable de tirer parti des lois quan-
tiques : on parle alors de la seconde ré-
volution quantique. Dès les années 1990,
plusieurs théoriciens démontrent que cer-
tains calculs verraient leur résolution ac-
célérée dans des proportions inouïes s’il
était possible de les implémenter sur des
qubits plutôt que sur des bits classiques.
À condition, bien sûr, de disposer d’un pro-
cesseur quantique pour les utiliser, pro-
cesseur dont personne ne sait à l’époque
à quoi il pourrait ressembler113
.
Un calculateur quantique (en anglais quan-
tum computer parfois traduit ordinateur
quantique ou système informatique quan-
tique) utilise les propriétés quantiques de
la matière, telle que la superposition et l’in-
trication pour effectuer des opérations sur
des données.
La superposition quantique
Pour une particule (photon, électron, etc.),
on appelle état quantique la valeur d’une
propriété physique de cette particule. Ces
états sont discontinus, c’est-à-dire qu’ils
ne peuvent prendre que certaines valeurs
bien définies. Par exemple :
• Le sens de magnétisation du spin
113. www.cea.fr.
114. Mathématiquement, la superposition correspond à une combinaison pondérée de ces états, comme le serait une
distribution probabiliste. En revanche, ces poids peuvent être négatifs, et même être des nombres complexes. Les
carrés de leurs modules valent 1. Si la particule est observée ou mesurée, cette superposition est réduite à l’état
correspondant de la particule au moment de son observation. La particule est alors dans l’état mesurée et ne
peut alors plus se trouver dans les autres états. La possibilité de trouver la particule dans l’état observé lors de la
mesure est donnée par une probabilité fournie par le carré (du module) de son poids dans la superposition d’états
quantiques.
d’électron est orienté vers le haut ou
vers le bas ;
• La polarisation linéaire des photons est
horizontale ou verticale, après passage
au travers de filtres polarisants ;
• La fréquence ou l’énergie d’un courant
oscillant dans un qubit supraconducteur.
Contrairement aux principes classiques,
une particule quantique peut être dans
différents états simultanément.
Appliqué à l’informatique :
• un bit classique est soit dans l’état 0,
soit dans l’état 1 ;
• un bit quantique (qubit) est à la fois
dans les états 0 et 1.
Il s’agit du principe de superposition114
:
la particule est simultanément dans plu-
sieurs des états de la base qui la caracté-
rise. Son état est indéfini et indéterminé
avant toute mesure, c’est sa mesure qui
place la particule dans tel ou tel état.
Le principe de superposition quantique est
extrêmement puissant et est au cœur des
communications et de l’informatique quan-
tique en cours de développement. Mais il
est aussi fragile, à la merci d’interactions
non désirées qui précipiteraient un retour
au monde classique, dans lequel l’état du
système est bien défini. La destruction de
la superposition quantique est appelée la
décohérence. C’est cela qui permet aux
calculateurs quantiques de paralléliser
les calculs à un niveau inégalé compara-
tivement aux meilleurs supercalculateurs
classiques.
198

L’intrication quantique
Le caractère surprenant des états intri-
qués a été pour la première fois souligné
par Einstein, Podolsky et Rosen (E.P.R)
dans un article de 1935 qui tentait de
montrer que la mécanique quantique était
incomplète. Dans cet article, les auteurs
décrivent une expérience de pensée qui
restera connue comme le paradoxe EPR115
.
En mécanique quantique, l’intrication cor-
respond à la situation de deux ou plusieurs
particules ayant préalablement interagi
entre elles116
et dont les états quantiques
dépendent instantanément les uns des
autres, quelles que soient les distances
qui les séparent. Cette dépendance spa-
tiale est aussi appelée principe de non-lo-
calité.
Ces particules ont un destin commun qui
est formulé dans le paradoxe d’EPR. Ain-
si, avec une paire de particules intriquées,
l’action sur l’une des deux particules a un
impact instantané sur l’autre particule,
par exemple, une mesure effectuée sur un
quantum aura instantanément un effet sur
l’autre quantum, sans attendre un délai de
transmission d’informations à la vitesse
de la lumière entre les deux quantums,
comme l’a démontré le physicien français
115. fr.wikipedia.org/wiki/Paradoxe_EPR.
116. Par exemple, deux photons intriqués sont le résultat du passage d’un seul photon dans un miroir dichroïque qui les
sépare en deux photons de polarisations orthogonales.
117. L’expérience d’Alain Aspect fait la preuve de l’intrication qui met à défaut le principe de non-localité par la violation
des inégalités de Bell.
118. La valeur d’un qubit est une superposition linéaire de deux états de base I0> (Ket 0) et
I1> (Ket 1) : I ψ > = α I0> + b I1> avec a, b ϵ C² et |α|2 + |b|2 = 1. Mathématiquement,
l’état d’un qubit peut être représenté sur la sphère de Bloch (ou de Poincaré). En l’absence
de décohérence, un qubit évolue donc sur la surface de la sphère de Bloch qui est une
représentation géométrique en coordonnées sphériques des états quantiques possibles
suivant la relation : Iψ> = cos (θ/2) I0> + eiθ
sin (θ/2) I1>. Lors de sa mesure, entrainant
la décohérence (perte de l’état quantique), le qubit peut valoir :
• I0> et le qubit se trouvent alors dans cet état après sa mesure ;
• I1> et le qubit se trouvent dans cet état après sa mesure.
Alain Aspect dans sa fameuse expérience
réalisée en 1982117
.
Bit quantique ou qubit
Dans un ordinateur classique, l’informa-
tion est stockée dans un ensemble (re-
gistre) de cases mémoires, les bits, dont
la valeur est soit 0, soit 1. Un bit quan-
tique (qubit) a, quant à lui, deux états
quantiques |0> (ket 0) et |1> (ket 1), sé-
parés par une différence d’énergie définis-
sant sa fréquence, et peut être à la fois
dans ces deux états.
Un qubit118
est la plus petite unité d’infor-
mation binaire représentant un état quan-
tique d’une particule ou un système pro-
fitant de ses propriétés de superposition
d’états. Les possibilités de :
• mettre un qubit dans une superposition
d’états ;
• d’intriquer deux objets quantiques dans
une superposition d’états devraient per-
mettre des calculs d’un type nouveau,
« quantiquement parallélisés ».
Au cours d’un algorithme (succession d’opé-
rations dites «
portes logiques
»), le registre
de qubits se trouve dans une superposi-
tion quantique de tous ses états possibles
(|00… 0>, |10… 0>, |11… 1>, |10… 1>),
199

permettant un calcul massivement paral-
lèle119
. En effet, l’ordinateur quantique peut
doubler sa puissance de calcul à chaque
qubit ajouté, d’où un gain exponentiel de
sa puissance, impossible à réaliser en in-
formatique traditionnelle. Pour 250 qubits
en interaction, il faudrait environ 10*80 bits
classiques pour stocker l’équivalent d’infor-
mations
! C’est plus d’atomes qu’il n’y en a
dans l’univers visible…
Ainsi, dans un ordinateur classique, une
série de N bits égaux à 0 ou 1 permet d’en-
coder un unique nombre parmi les 2 N
pos-
sibles (un parmi 4096 pour N = 12). En re-
vanche, un registre quantique dont les 12
qubits seraient en parallèle, plongés dans
les deux états de base |0> ou |1>, se trou-
verait dans une superposition des 4096
états de base du registre. Toute opération
quantique qui lui serait appliquée s’effec-
tuerait en parallèle sur ces 4096 états
de base en même temps. Ceci ne réali-
serait pas pour autant du calcul parallèle,
car la lecture ne donnera qu’un seul ré-
sultat. L’art de l’algorithmique quantique
consiste alors à exploiter le parallélisme
tout en concentrant, par chaque étape de
mesure, l’état du registre quantique sur la
ou les solutions du problème étudié.
L’enjeu de la puissance de calcul d’un or-
dinateur quantique consiste à assembler
le plus de qubits possibles (intriqués en
état de superposition).
Interaction des qubits avec
l’environnement : mesure,
manipulation et décohérence
quantique
L’état du qubit est indéfini tant qu’il n’a
119. www.cea.fr/multimedia/Documents/infographies/defis-du-cea-infographie-processeur-quantique-elementaire214.pdf.
pas été mesuré. La mesure consiste à
lire la valeur du qubit après le calcul, qui
perd alors son état quantique. La perte de
l’état quantique s’appelle la décohérence.
Pour effectuer un autre calcul quantique,
il faut réinitialiser les qubits en les remet-
tant en état quantique, via l’application de
codes de correction d’erreur.
Ce qui limite aujourd’hui les performances
de l’ordinateur quantique est le fait que
les qubits interagissent avec leur environ-
nement et perdent leur information quan-
tique (phénomène de décohérence : plus
les qubits sont nombreux et intriqués, plus
ils sont sensibles au monde extérieur, ce
qui génère un nombre non négligeable
d’erreurs) avant que le calcul quantique
n’ait eu le temps d’être réalisé. L’interac-
tion avec l’environnement est cependant
nécessaire, car c’est ce qui permet la
manipulation des qubits ainsi que leur lec-
ture. La vitesse des opérations quantiques
est un paramètre majeur pour construire
un ordinateur quantique ayant un impact.
Il apparait donc nécessaire de trouver un
compromis entre immunité à l’environne-
ment (qui permet de grands temps de co-
hérence) et interaction pour accélérer les
opérations. Les meilleurs compromis sont
encore en train d’être étudiés.
Afin de prendre en compte la décohé-
rence, la communauté de la physique a
deux stratégies : construire des qubits
dans lequel l’information quantique est
protégée (stratégie de Microsoft avec un
très bas TRL, l’existence de ces qubits
n’a pas encore été prouvée) ou prendre
en compte la décohérence à travers les
codes correcteurs d’erreur quantiques
qui permettent de construire des qubits
200

logiques dont le temps de cohérence est
plus grand que les qubits physiques. Là
encore, la communauté de la recherche
est dans la phase de démonstration de la
possibilité de réaliser un calcul quantique
tolérant aux fautes.
Une approche de compromis est en train
d’émerger avec le NISQ/noisy interme-
diate scale quantum computing. Le NISQ
vise à étudier s’il est possible de réaliser
des calculs combinant les effets quan-
tiques et classiques pour résoudre des
problèmes spécifiques mieux que ne sau-
rait le faire un ordinateur quantique.
L’ordinateur quantique sera composé de
parties constituées de technologies et
d’architectures classiques qui permet-
tront de piloter et contrôler des parties ex-
120. Un problème important est la perte de la cohérence quantique des qubits physiques qui introduit des erreurs. Pour
les corriger, on peut utiliser plusieurs qubits physiques imparfaits couplés pour créer un qubit logique « parfait ». Plus
le taux d’erreur est important, plus le nombre de qubits physiques nécessaire est grand.
121. On estime qu’elle pourra être atteinte à partir de 50 qubits logiques, pour des applications de simulation de systèmes
quantiques. Cette estimation dépend néanmoins de la classe de problèmes à résoudre. Pour la factorisation de très
grands nombres pour la cryptographie, le « seuil d’utilité » est estimé à ~1M de qubits logiques, soit > 1 milliard de
qubits physiques.
ploitant des phénomènes quantiques pour
ces calculs : on parle alors de co-proces-
seur quantique.
Pour mieux saisir la différence entre deux
ordinateurs, l’un classique et l’autre quan-
tique, nous avons relevé les différents élé-
ments (voir le tableau ci-dessous).
Bien que 10 à 15 ans soient probable-
ment encore nécessaires à la construction
d’un calculateur intégrant la correction
d’erreur120
et susceptible de battre un or-
dinateur classique, c’est-à-dire d’atteindre
la «
suprématie quantique121
», l’immense
saut de performance calculatoire atten-
du en fait dès aujourd’hui un espace de
recherche et d’innovation de rupture ma-
jeur. L’informatique quantique est poten-
tiellement la technologie de traitement de
201
Informatique classique Informatique quantique
L’élément le plus fondamental pour stocker et traiter
l’information se fait sur la base du bit qui prend les
valeurs 0 ou 1 selon que le courant circule ou non.
L’unité élémentaire de stockage et de traitement de
l’information est le qubit (quantum bit), en état quantique
(de superposition : 0 et 1 en même temps et intriqué :
corrélé avec d’autres qubits). La mesure au final permet
de le lire comme un 0 ou un 1 et lui fait perdre son état
quantique.
Quatre portes logiques : AND, OR, NOT, XOR à la base de
la logique booléenne qui impose un traitement séquentiel.
Les portes logiques quantiques sont différentes des portes
classiques, et plus nombreuses : Hadamard, Toffoli, Pauli,
Cnot, Swap, etc., sont conçues pour manipuler l’état des
qubits se traduisant par leurs déplacements sur la sphère
de Bloch.
Toute opération ou tout calcul est in fine réalisé sur la
seule base logique d’une itération séquentielle de ces
quatre portes.
Au cours d’un calcul quantique (algorithme : succession
d’opérations dites «
portes logiques
»), le registre de
qubits se trouve dans une superposition quantique de
tous ses états possibles (|00… 0>, |10… 0>, |11… 1>,
|10… 1>), permettant un calcul massivement parallèle.
Seule la mesure permet de lire le résultat final.
Ce type de traitement est déterministe : répéter le calcul
conduit toujours au même résultat.
Le résultat d’un qubit est aléatoire et obéit à une loi de
distribution probabiliste entre les 2 valeurs logiques 0 et
1. Contrairement au calcul classique, le calcul quantique
n’est pas déterministe : répéter plusieurs fois le calcul
conduit à des résultats différents jusqu’à constater une
convergence comme la solution optimale du calcul.

l’information de demain122
post-exascale
et post-loi de Moore. Alors que dans un
ordinateur classique, la croissance de la
puissance est linéaire en nombre de bits
et de transistors, en informatique quan-
tique, l’ajout d’un bit quantique double la
puissance théorique possible.
Il faut réinventer toute la chaîne de valeur
du traitement automatique de l’information
: architecture matérielle, système d’exploi-
tation, outils de développement, langages
de programmation, algorithmes…
122. Pour certaines classes de problèmes dont l’étendue est encore mouvante, mais en rapide évolution.
202

Les applications
de l’informatique
quantique
CCependant, une fois un tel ordinateur
construit, encore faudra-t-il le program-
mer… Un acteur économique qui aura dé-
veloppé des algorithmes métiers et acquis
un processeur quantique capable de les
exécuter efficacement retirera un avan-
tage concurrentiel majeur de la possibilité
de, notamment :
• Résoudre des problèmes inaccessibles
à la puissance de calcul classique : dé-
couverte de nouvelles molécules…
• Calculer dans un temps décisif : pricings
complexes…
• Porter atteinte à la propriété intellectuelle
de la concurrence : reverse engineering,
crypto-analyse…
Quelques exemples par industrie :
• Banque et assurance : trading et pré-
visions de marché, sécurisation des
échanges bancaires, analyse de risques,
gestion de portefeuilles, actuariats ;
• Santé : conception de molécules, simu-
lations d’épidémie, recherche pharma-
ceutique et génétique ;
• Industrie (énergie, exploration pétro-
lière, simulations…) : trouver une so-
lution optimale dans un système com-
plexe multiparamètres, p. ex. la tournée
la plus rapide d’un camion de livraison
ou ajuster l’offre à la demande sur un
réseau électrique très décentralisé ;
• Intelligence artificielle : au cours de
la phase d’apprentissage d’un sys-
tème d’IA, tel que la reconnaissance
d’images, les informations pourront
être simultanément reconnues et non
de façon séquentielle comme c’est le
cas avec des processeurs classiques
(examiner une situation, puis une autre,
etc.) ;
• Tous secteurs : planification, gestion
des ressources, ordonnancement, opti-
misation multicritère.
À ce jour, quatre principales catégories
d’algorithmes quantiques sont dispo-
nibles :
1. Les algorithmes de recherches ba-
sés sur ceux de Deutsch-Jozsa, Simon
et Grover. L’algorithme quantique de
Grover permet un gain quadratique en
temps de tout algorithme exécutant une
recherche exhaustive ou heuristique.
Les applications sont multiples, dont
principalement la recherche d’informa-
tions précises dans une base de don-
nées ou la crypto-analyse ;
2. Les algorithmes basés sur les trans-
formées de Fourier quantiques (QFT),
comme celui de Shor qui sert à la facto-
risation des grands nombres entiers et
n’est pas adressable en des temps rai-
sonnables par l’informatique classique.
L’une des premières mises en œuvre de
l’algorithme de Shor a eu lieu en 2001
chez IBM avec un ordinateur quantique
expérimental de 7 qubits, pour facto-
riser le nombre 15. L’algorithme de
Shor permet en théorie de casser les
clés publiques de la cryptographie RSA
couramment utilisée dans la sécurité
sur Internet. Avec lui, il deviendra pos-
sible de casser les clés de chiffrement
RSA et d’autres algorithmes cryptogra-
phiques asymétriques qui garantissent
aujourd’hui le bon fonctionnement d’In-
ternet (dans la banque, on utilise l’al-
gorithme de chiffrement RSA-2048
;
en 2010, il a fallu 2 ans pour trouver
le RSA-768). Cette menace potentielle
203

a donné naissance au champ de re-
cherche de la cryptographie post-quan-
tique (voir la thématique suivante sur la
sécurité des communications à l’ère de
l’ordinateur quantique) ;
3. Les algorithmes qui cherchent un point
d’équilibre d’un système complexe (mi-
nimisation de fonctions notamment
d’énergie) comme dans l’entraînement
de réseaux de neurones, la recherche
de chemin optimal dans des réseaux ou
l’optimisation de processus. Certains de
ces algorithmes peuvent d’ores et déjà
être implémentés sur des machines à re-
cuit quantique telles que la machine de
DWave ;
4. Les algorithmes de simulation quan-
tique qui servent notamment à simuler
les interactions entre atomes dans des
structures moléculaires diverses, inorga-
niques et organiques. Il s’agit à la base
de l’idée originelle d’ordinateur quan-
tique de Richard Feynman (1981). Pour
cela, deux critères sont nécessaires :
• Le problème doit être formulé sous
forme dite « hamiltonienne ». C’est le cas
« natif » pour des problèmes venant de la
physique ou de la chimie quantiques.
• L’hamiltonien doit être implémentable par
le simulateur quantique. Les simulateurs
quantiques connus actuellement (ions
piégés, atomes froids, atomes de Ryd-
bergs…) n’implémentent que certaines
classes d’hamiltoniens. Il faut donc s’as-
surer que le problème recherché peut
être approché avec suffisamment de pré-
cision par un hamiltonien connu.
Les algorithmes de simulation quantique
ne doivent pas être confondus avec la si-
mulation d’algorithmes quantiques effec-
tuée sur un hardware classique, p. ex. la
Quantum Learning Machine (QLM) d’Atos,
aujourd’hui seule entreprise au monde à
204

commercialiser un simulateur quantique
opérationnel. La QLM est utilisée pour
tester les programmes, créer de nou-
veaux algorithmes et découvrir le champ
de la programmation quantique. La pro-
messe d’Atos est que toutes les applica-
tions créées et tournant sur le simulateur
seront fonctionnelles sur un calculateur
quantique lorsque celui-ci sera disponible.
Atos entend être le premier constructeur
(et vraisemblablement le seul) européen à
livrer un simulateur quantique123
.
123. www.atos.net/fr/vision-et-innovation/atos-quantum.
205

Les principaux
algorithmes utilisés
en informatique
quantique et
applications
correspondantes en
finance
Les principaux algorithmes quantiques
déjà existants aujourd’hui sont présentés
ci-dessous :
Algorithme de Shor
Il permet de calculer les périodes de
fonctions algébriques. Parmi les appli-
cations, on dénote la factorisation, le
calcul du logarithme discret et la plupart
des communications chiffrées par des
clés générées par de la cryptographie
asymétrique.
Algorithme de Grover
ll permet un gain quadratique en temps
par rapport à tout algorithme exécutant
une recherche exhaustive ou heuristique.
Les applications sont multiples, dont prin-
cipalement la recherche d’informations
précises dans une base de données ou la
crypto-analyse.
206
Algorithme
de
Schor
Algorithme
de
HHL
Programmation
linéaire,
semi-
définie
Monte
Carlo
Quantique
Quantum
Machine
Learning
Simulation
Quantique
Recuit
Quantique
Déchiffrer la plupart des communications chiffrées
par des clés générées par de la cryptographie
asymétrique avec les technologies actuelles
•
Analyse statistique en grande dimension • •
Techniques de data sciences et de machine learning
(analyse factorielle, décomposition en valeurs
singulières, régressions, réseaux de neurones,…)
• •
Optimisations • • • •
Allocation de ressources • •
Résolution d’équations différentielles linéaires • •
Parcours de graphes • •
Trading analytics • •
Résolution du problème de la trajectoire de trading
optimale •
Modélisation des risques • •
Gestion de portefeuilles •
Prédiction •
Simulation de processus aléatoires •
Apprentissage automatique (deep learning, en
particulier) • •
Science des matériaux •
Résolution de systèmes d’équations aux dérivées
partielles •

Algorithme de HHL (Harrow-Hassidim-Lloyd)
Sous certaines conditions, cet algorithme
quantique permet de résoudre un système
d’équations linéaires Ax=b de taille n x n
en temps log (n), alors que le meilleur
algorithme classique connu a une com-
plexité entre n^2 et n^3. La particulari-
té de cet algorithme est de convertir une
superposition quantique encodant b vers
une superposition quantique encodant la
solution x. Ainsi, seuls log (n) qubits sont
nécessaires. À proprement parler, la so-
lution x n’est donc pas connue, mais elle
est disponible en superposition.
Monte-Carlo quantique
Les méthodes d’échantillonnage de
Monte-Carlo peuvent être accélérées de fa-
çon quadratique à l’aide d’outils quantiques
telles que les marches quantiques. L’échan-
tillonnage de Gibbs est l’une des applica-
tions de la méthode précédente pour les
processus de Markov (prise en compte de
la dimension temporelle) et qui a été récem-
ment améliorée de façon exponentielle.
Programmation linéaire, semi-définie
L’algorithme utilise une version quantique
de la méthode MMWU (matrix multiplica-
tive weight update) avec un échantillon-
nage quantique de Gibbs exponentielle-
ment plus rapide.
Quantum machine learning
L’apprentissage quantique consiste à uti-
liser des échantillons présentés en super-
207
Quantum
Machine
Learning
Algorithmes
HHL
Cryptographie
post-quantique
Monte-Carlo
quantique
Algorithme
de Schor
Algorithme
de Glover
Cryptographie
quantique
Simulation
quantique
Recuit
quantique
Pricings complexes
Trading
Analyse en
composantes
principales
Modélisation
de marchés Cyber sécurité
Cloud/
Internet quantique
Sécurisation des
communications
et des échanges
bancaires

position afin de réduire l’espace mémoire
nécessaire pour les stocker. Ce codage su-
per-dense permet néanmoins d’effectuer la
plupart des techniques algébriques utilisées
en machine learning classique jusqu’aux
techniques de descentes de gradient.
D’un point de vue purement théorique, le
nombre d’échantillons nécessaire à l’ap-
prentissage quantique est exactement le
même qu’en classique pour une distribution
quelconque. En revanche, pour certaines
distributions, le gain peut être exponentiel.
D’un point de vue pratique, les gains en
mémoire et temps, y compris pour les heu-
ristiques, peuvent être eux exponentiels, à
nombre d’échantillons quantiques fixés.
Simulation quantique
Les simulateurs quantiques vont per-
mettre d’expérimenter et de développer de
nouveaux algorithmes pour de nouveaux
cas d’application. La simulation quantique
consiste à exploiter les propriétés et résul-
tats issus des opérations réalisées avec
les qubits pour résoudre des problèmes
relevant de la mécanique quantique.Son
principe consiste à obtenir la solution
d’un problème de manière «
analogique
»,
en le répliquant sur un système quantique
contrôlable et observable (appelé le simu-
lateur quantique), dont l’évolution conver-
gera vers la solution recherchée.
Dans tous les cas, un travail important est
nécessaire au niveau de la reformulation
des problèmes, ce qui exclut a priori des
résultats généraux avec une approche uni-
verselle systématique.
Quantum annealing (recuit simulé)
et calcul adiabatique
En attendant, des calculateurs adaptés et
124. fr.wikipedia.org/wiki/Recuit_simulé.
optimisés pour certaines tâches détermi-
nées (adiabatic quantum computer) sont
envisagés à plus court terme.
Le recuit quantique est un modèle théo-
rique d’optimisation, pouvant être vu
comme une amélioration de la méthode
du recuit simulé grâce à l’effet tunnel.
Il est souvent confondu avec le terme
« calcul adiabatique » qui est la voie la plus
explorée pour les réalisations. Alors que le
recuit « classique124
» peut perdre du temps
à explorer des extrema locaux, le recuit
«
quantique
» pourra éviter ces extrema en
les traversant par effet tunnel.
La société canadienne D-wave a été la
première à revendiquer l’implémentation
pratique du recuit quantique. Cependant,
la communauté scientifique a majoritai-
rement réfuté cette affirmation après les
conclusions d’une commission indépen-
dante. Le recuit quantique est unanime-
ment regardé comme très prometteur et
fait l’objet de nombreuses recherches. Les
pistes d’implémentation se concentrent
sur la simulation quantique.
Le recuit quantique présente le grand
avantage d’offrir une formulation très gé-
nérale, adaptée à un très grand nombre de
problèmes d’optimisation. Il faut toutefois
bien noter que si un problème est formu-
lable sous forme de recuit quantique, la
possibilité d’une accélération par rapport
à un algorithme non quantique n’est pas
acquise.
Il existe en effet des cas d’école pour les-
quels l’impossibilité d’avance quantique,
voire une «
décélération
» quantique, a été
prouvée théoriquement. Il n’en demeure
208

pas moins un potentiel technologique
considérable. Parmi les applications les
plus étudiées :
• l’optimisation numérique ;
• l’optimisation combinatoire, notamment
de type qubo ;
• le Deep Learning, via les deux précédentes.
Le forum dédié www.quantumforquants.org
dresse un inventaire des applications en
finances.
Enjeux
• Manque de compétences multidiscipli-
naires : la jeunesse de l’informatique
quantique et sa complexité inhérente
font qu’un acteur, qui souhaite maîtri-
ser cette nouvelle technologie et identi-
fier de nouvelles opportunités métiers,
a besoin d’un grand nombre de com-
pétences (physique théorique, algorith-
mique théorique, architecture informa-
tique, logiciels, mathématiques). Une
bonne analogie est celle du premier
ordinateur électronique ENIAC dont la
programmation nécessitait mathémati-
ciens, électroniciens, développeurs...
• Verrou de la technologie par des acteurs
leaders (notamment dans le domaine
des processeurs quantiques), peu d’ac-
teurs de poids, risque de comporte-
ment hégémonique des leaders (p. ex.
Google qui ne souhaite commercialiser
sa technologie que sous forme cloud) ;
• En attendant que l’ordinateur quantique
universel soit mis au point, l’enjeu des
années à venir est l’hybridation, c.-à-d.
l’ajout aux ordinateurs classiques de
calculateurs quantiques spécialisés sur
des problématiques bien déterminées ;
• Les problèmes associés au domaine
de la finance nécessiteront des ordi-
nateurs quantiques plus performants
que les ordinateurs classiques actuels
et donc probablement avec une correc-
tion d’erreur intégrée. Il est important
pour le domaine de la finance de suivre
les développements matériels qui per-
mettent d’intégrer un grand nombre de
qubits au plus tôt, car il est envisagé
que le type de problèmes à résoudre ait
un impact sur l’architecture.
Recommandations
La communauté scientifique nationale,
bien structurée, réactive et dotée de
compétences de tout premier plan, et de
grands groupes industriels (Atos, Thales
ou Total) ont pris conscience des enjeux.
Cependant, les moyens disponibles ne
sont pas au niveau des efforts consentis
par certains de nos concurrents et de-
vraient être renforcés et diversifiés. Il faut
donc favoriser les synergies à l’échelle eu-
ropéenne et les partenariats stratégiques
avec l’Allemagne voire avec le Japon et
favoriser échanges et transferts entre la
recherche fondamentale et l’industrie.
Un effort doit également être réalisé pour
élargir le périmètre des recherches à la
fois dans la conception de prototypes, le
renouvellement de l’algorithmique et la
mise au point de systèmes d’exploitation
permettant le couplage.
209

4.3THÉMATIQUE
« SÉCURITÉ DES
COMMUNICATIONS À
L
’ÈRE DE L
’ORDINATEUR
QUANTIQUE »
La cryptographie classique constitue la
brique fondamentale de la sécurité des
données et des échanges numériques.
Elle est présente dans toutes les activités
de la vie quotidienne : communications
(téléphonie, internet), cartes à puce, do-
cuments d’identité, systèmes embarqués
dans l’aéronautique, transports et objets
connectés (« Internet-of-Things »).
La confidentialité, l’intégrité, la disponi-
bilité et la traçabilité des données finan-
cières et assurantielles réclament une
utilisation intensive de ces méthodes
cryptographiques. L’avènement d’un or-
dinateur quantique, reposant sur des
principes physiques différents, menace
néanmoins la plupart de ces applications.
Plus précisément, de telles technologies
quantiques constitueraient une menace
majeure pour tout un pan de la cryptogra-
phie classique dite asymétrique dont la
sécurité ne nécessite pas l’échange pré-
alable d’un secret entre les différentes
parties.
En effet, la sécurité de ces crypto-sys-
tèmes repose sur la complexité computa-
tionnelle de certains problèmes mathéma-
tiques, comme la factorisation des grands
nombres ou le problème dit du logarithme
discret. L’ordinateur quantique apparaît
ainsi comme une épée de Damoclès me-
naçant le chiffrement RSA ou l’algorithme
de signature digitale sur courbe elliptique
ECDSA, tous deux massivement déployés
dans nos systèmes d’information.
Dès lors, un changement technique ma-
jeur devra être opéré dans les prochaines
années de manière à garantir dans tous
ces domaines un niveau de sécurité satis-
faisant et durable, faute de quoi la confi-
dentialité des échanges numériques, la
sécurité et la vie privée des utilisateurs
seront menacées.
La transition vers les schémas de crypto-
graphie dits post-quantiques et résistants
à l’ordinateur quantique est une migration
sensible qu’il convient d’aborder avec le
souci constant d’assurer constamment un
niveau de sécurité minimum sans intro-
duire de fossé sécuritaire.
210

Cryptographie
post-quantique :
standardisation et
développements
industriels
Le processus de standardisation de la
cryptographie post-quantique a débuté il
y a plusieurs années déjà, en particulier
sous l’impulsion de l’agence américaine
NIST qui a lancé début 2017 un appel à
contributions. Un des premiers jalons de
ce travail de normalisation a eu lieu le
30 novembre 2017, date butoir de sou-
mission des candidats aux standards.
Soixante-neuf candidatures ont été va-
lidées formellement par le NIST et font
actuellement l’objet d’analyses avancées
par le NIST et l’ensemble de la commu-
nauté internationale en sécurité.
La France a bien pris la mesure de ces
enjeux en lançant début 2017 un Pro-
gramme d’Investissements d’Avenir (PIA)
dans la catégorie des Grandes Défis du
Numériques : le projet RISQ (Rassemble-
ment de l’Industrie française pour la Sé-
curité post-Quantique). L’écosystème aca-
démique et industriel français en sécurité
s’est ainsi fédéré pour répondre à ce défi
dans le cadre d’un projet national, instruit
par la Direction Générale des Entreprises
et financé par Bpifrance, qui a pour objec-
tif de positionner la France comme un ac-
teur international majeur de la «
transition
post-quantique
». RISQ va ainsi renforcer
la présence de la filière française de la sé-
curité numérique au sein des organismes
de standardisation en rassemblant les
acteurs nationaux (grands groupes indus-
triels, PME/ETI, services étatiques, labo-
ratoires académiques) – dont les compé-
tences sont reconnues internationalement
– afin de concerter leurs actions de propo-
sitions de standards et d’évaluation des
candidatures.
En interaction avec ce processus, le projet
définit une feuille de route pour la com-
mercialisation de gammes de produits de
sécurité «
post-quantique
» – librairies de
calculs cryptographiques logicielles et ma-
térielles, serveurs d’archivage, d’horoda-
tage – allant de la conception des briques
théoriques par les laboratoires parte-
naires au développement de démonstra-
teurs et leur validation. La présence de
grands groupes au sein du consortium
est garante de l’adaptabilité des solutions
211
La composition du consortium

développées aux systèmes déployés à
l’heure actuelle.
À l’issue du projet à l’horizon 2020, les
partenaires disposeront de la propriété
intellectuelle et des offres en avance de
phase nécessaires pour gagner une visi-
bilité précoce sur les marchés qui seront
issus des nouveaux standards dont les
premiers sont attendus pour 2019/2020.
Enjeux
Si la feuille de route du NIST laisse présa-
ger l’émergence de standards post-quan-
tiques à l’horizon 2020, il n’en demeure
pas moins que ces standards devront être
éprouvés de nombreuses années avant
de gagner la confiance nécessaire à une
adoption effective. La cryptographie est
une science aux constantes de temps lon-
gues, mais le travail de cryptanalyse des
candidatures post-quantiques a commen-
cé et devrait écarter au cours du temps
les schémas les plus fragiles.
L’implémentation sécurisée de ces algo-
rithmes demeure une question centrale
et devra prendre en compte les spécifici-
tés des différents domaines applicatifs et
segments de marchés. Dans le domaine
bancaire, les exigences en termes de per-
formances sont fort diverses et il convient
donc de définir précisément les besoins
en termes de performances et sécurité.
Aucun schéma de chiffrement ou de si-
gnature n’étant pour le moment standar-
disé, l’enjeu est principalement de trou-
ver des implémentations sécurisées par
hybridation de solutions pré-quantiques
(classiques) et post-quantiques, telles des
méthodes de surchiffrement ou de conca-
ténation de clés. Ces solutions sont mul-
tipliées, mais doivent être pensées sous
contraintes. À l’heure actuelle, les algo-
rithmes post-quantiques sont moins per-
formants que les algorithmes classiques.
Il convient de réaliser que cette transition
douce permettra de parer à des failles
sécuritaires importantes qui pourraient
apparaître en cas de saut brutal dans le
monde post-quantique.
Finalement, il faut être conscient que la
cryptographie post-quantique n’apporte
que peu de nouvelles «
fonctionnalités
»,
résout peu ou prou les mêmes problèmes
que la cryptographie classique et consti-
tue donc un pur mouvement de destruc-
tion créatrice (Schumpeter) qui doit être
vu comme un levier potentiel d’innovation
tout autant qu’un outil de souveraineté re-
nouvelée.
Ces vingt dernières années ayant été
riches en enseignement quant à l’implé-
mentation sécurisée de schémas crypto-
graphiques, la cryptographie post-quan-
tique est une opportunité de rebâtir des
modèles ayant pris acte de ces nouvelles
connaissances et qui sont garants de
cette sécurité.
Recommandations
À l’issue d’une revue des opérations ac-
tuellement chiffrées et authentifiées dans
le domaine bancaire, il conviendrait d’éta-
blir un cahier des charges en termes de
performances couplé à une analyse du
risque afin de concevoir des solutions
cryptographiques hybrides minimisant le
risque résiduel face à des attaques clas-
siques et quantiques et répondant aux
besoins opérationnels du monde de la fi-
nance.
212

Focus
Le point de vue de
Michele Mosca
Comme l’explique Michele Mosca125
[1], il
faut prendre en compte trois paramètres
décrits comme tels dans le tableau
ci-dessous.
125. Michele Mosca est co-fondateur et directeur adjoint de l’Institut d’informatique quantique de l’Université de Waterloo.
Dans l’hypothèse d’un x + y > z, cela signi-
fierait qu’à la fin des y prochaines années,
l’information protégée par des outils vul-
nérables à l’ordinateur quantique pourrait
être déchiffrée par des ordinateurs quan-
tiques en moins de x années [1].
213
Paramètre Définition Exemple
X Durée pendant laquelle il faut sécuriser
l’information
En Allemagne, les informations de santé doivent
être protégées au-delà de la vie d’un patient et
dans ce cas x = 100
Y Durée de migration vers des solutions résistantes
à l’ordinateur quantique.
La migration des smart cards RSA vers les
algorithmes Elliptical Curve Cryptography (ECC)
pourrait durer jusqu’à 2030 et dans ce cas y = 12.
Z Durée avant que les solutions de cryptographie
asymétriques classiques ne soient cassées par
des ordinateurs quantiques ou d’autres méthodes.
En prenant l’hypothèse d’une loi de Moore qui
s’appliquerait aux technologies quantiques,
Michele Mosca estime à un sur 7 la probabilité
que le code RSA-2048 soit cassé d’ici 2026 et à
un sur deux d’ici 2031, soit respectivement z = 8
et z = 11.
Qu’est-ce qui sera impacté ?
Cloud
Systèmes de paiement
Internet
IoT
e-Santé
Etc.
RSA, DSA, DH,
ECDH, ECDSA...
AES, 3-DES, SHA...
Navigation sécurisée TLS/SSL
Mises à jour automatiques
Signatures digitales
VPN, IPSec
Sécurisation email - S/MIME
PKI
Blockchain
Etc.

Focus
Le cas Bitcoin
La sécurité de la blockchain bitcoin est
assurée par des technologies de crypto-
graphie asymétrique. Concrètement, les
bitcoins sont «
rattachés
» à une adresse,
dérivée d’un couple clé privée/clé pu-
blique. Tout détenteur de la clé privée
peut dépenser et utiliser les bitcoins. (Par
analogie, les euros sont déposés sur des
comptes et toute personne utilisant le nu-
méro de carte bancaire et le code associé
peut les dépenser à sa guise.
La robustesse des systèmes à clé privée/
clé publique repose sur le postulat que les
technologies informatiques actuelles ne
permettent pas de deviner la clé privée à
partir de la clé publique en un temps rai-
sonnable. Tant qu’un utilisateur ne divul-
gue pas sa clé privée, les bitcoins qu’il a
en sa possession, rattachés à cette clef,
ne peuvent pas lui être dérobés.
Les ordinateurs quantiques devraient per-
mettre à terme de calculer une clé privée
à partir de sa clé publique en un temps rai-
sonnable, rendant vulnérable l’ensemble
du système. Il existe aujourd’hui des bar-
rières qui protègent le bitcoin contre ce
type d’attaque.
Pour recevoir des bitcoins, il suffit de com-
muniquer son adresse bitcoin qui est un
hash de la clé publique, c’est-à-dire tant
que vous n’avez pas dépensé les bitcoins
d’une adresse, la clé publique reste mas-
126. www.technologyreview.com/s/609408/quantum-computers-pose-imminent-threat-to-bitcoin-security.
127. www.technologyreview.com/s/609408/quantum-computers-pose-imminent-threat-to-bitcoin-security et www.arxiv.org/
abs/1710.10377.
quée et personne ne peut retrouver ni la
clé privée ni la clé publique. La pratique
veut que lors d’une transaction, le compte
soit entièrement soldé et qu’une nouvelle
adresse soit créée pour recevoir la diffé-
rence entre le solde du compte et le mon-
tant de la dépense.
Le risque est donc relativement limité et
les experts estiment que les ordinateurs
quantiques ne représenteront pas une me-
nace avant 10 ans126
. D’ici là, de nouveaux
algorithmes et protocoles pourront être
déployés pour protéger le réseau, d’au-
tant que l’ensemble des méthodes cryp-
tographiques utilisées (banque, finance,
sécurité nationale…) sera menacé et que
le bitcoin ne devrait pas être le principal
sujet d’inquiétude.
Enjeux
Ils résident dans la conception d’une
preuve de travail alternative pour protéger
le bitcoin, les crypto-monnaies et toutes
les blockchains face au risque quantique.
L’article de référence est ici celui de Miklos
Santha et al127
: «
Les principaux protocoles
cryptographiques utilisés pour sécuriser
Internet et les transactions financières au-
jourd’hui sont tous susceptibles d’être at-
taqués par le développement d’un ordina-
teur quantique suffisamment puissant. Les
crypto-monnaies constituent un domaine
particulièrement menacé avec un marché
évalué actuellement à plus de 150 mil-
liards US $. Nous étudions le risque du bit-
coin et d’autres crypto-monnaies face aux
attaques d’ordinateurs quantiques. Nous
pensons que la “proof-of-work” du bitcoin
est relativement résistante à une accélé-
214

ration substantielle des ordinateurs quan-
tiques au cours des 10 prochaines années,
principalement parce que les mineurs ASIC
spécialisés sont extrêmement rapides par
rapport aux fréquences estimées des or-
dinateurs quantiques à court terme. D’un
autre côté, le schéma de signature de la
courbe elliptique utilisé par le bitcoin est
beaucoup plus à risque et pourrait être cas-
sé par un ordinateur quantique dès 2027,
selon les estimations les plus optimistes.
Nous analysons une autre “proof-of-work”
appelée Momentum, basée sur la décou-
verte de collisions dans une fonction de ha-
chage cryptographique qui est encore plus
résistante à l’accélération d’un ordinateur
quantique. Nous passons également en
revue les schémas de signature post-quan-
tique disponibles pour déterminer lequel ré-
pond le mieux aux exigences de sécurité et
d’efficacité des applications blockchain. »
Recommandations
Le concept de non-clonage permet de
concevoir de l’argent quantique infalsifiable
et, contrairement au chiffrement quan-
tique, il s’agit d’un investissement à long
terme. Les premières expérimentations128
ont commencé.
128. www.fortune.com/2018/01/06/breaking-bitcoin-cybersaturday et https://www.nature.com/articles/s41534-018-
0058-2.epdf.
215

4.4THÉMATIQUE
« COMMUNICATIONS
SÉCURISÉES
QUANTIQUES »
Les technologies quantiques permettent
de développer de nouveaux protocoles de
communication dont la sécurité est garan-
tie et résistant aux attaques d’un ordina-
teur quantique. Les applications concer-
neront dans un premier temps l’échange
d’information sécurisé entre deux points,
souvent à l’aide de clés cryptographiques,
le déploiement d’un internet quantique
avec une sécurité reposant sur l’exploita-
tion de l’intrication puis, à terme, la pos-
sibilité de réaliser des calculs à distance
dans le «
cloud quantique
» de façon tota-
lement sûre.
La distribution
quantique de clés
(Quantum Key
Distribution-QKD)
Quelques définitions :
• Distribution quantique de clés/Quan-
tum Key distribution (QKD) : ce système
de communication exploite les propriétés
de superposition cohérente d’états (et
parfois d’intrication quantique dans cer-
taines implémentations) pour permettre
à deux parties de produire une clé se-
crète aléatoire partagée connue seule-
ment d’eux. Les deux parties peuvent
ensuite utiliser cette clé pour chiffrer et
déchiffrer des messages en chiffrement
symétrique.
• Authentification d’identité : il s’agit
de s’assurer que c’est bien Alice qui
cherche à communiquer avec Bob et non
pas un usurpateur et que son accès est
légitime.
• Cryptographie quantique au-delà de la
QKD : la communication quantique peut
être utilisée pour effectuer plusieurs pro-
tocoles cryptographiques au-delà de la
distribution de clés. Quelques exemples
sont la délégation de calcul sécurisée
entre un client et un serveur, le tirage
à pile ou face quantique, l’argent quan-
tique, la transmission anonyme, etc.
Enjeux
La distribution de clé cryptographique
(QKD) est le protocole phare du domaine
de la cryptographie quantique et promet,
en principe, une sécurité inconditionnelle
des communications reposant unique-
216

ment sur les lois de la physique. En effet,
la QKD est la seule méthode d’établisse-
ment de clés cryptographiques offrant une
sécurité absolue dans le sens de la théo-
rie de l’information et a l’avantage d’être
sûre face aux attaques futures : il n’est
pas possible pour un espion de conserver
une copie des signaux quantiques envoyés
dans un processus de QKD, en raison du
théorème de non-clonage quantique.
Les applications potentielles de la cryp-
tographie quantique incluent la garantie
de sécurité dans des infrastructures cri-
tiques, les institutions financières et la dé-
fense nationale. Du fait de son potentiel
stratégique, ce domaine joue un rôle cen-
tral dans le contexte plus large des tech-
nologies quantiques et a été au centre
d’un très grand effort scientifique et d’in-
génierie ces dernières années.
Les systèmes QKD exploitent le codage
de l’information quantique dans certaines
propriétés des signaux photoniques. Les
deux parties qui communiquent, Alice et
Bob, échangent un grand nombre de si-
gnaux par un canal physique (fibre optique
ou espace libre) et des informations sup-
plémentaires envoyées sur un canal clas-
sique public, mais authentifié. Ils suivent
ainsi un protocole qui aboutit à la géné-
ration d’une chaîne de bits secrète – la
clé – avec un niveau de sécurité voulu au
prix d’une réduction de la taille de chaîne
initiale.
Les protocoles QKD peuvent être distin-
gués essentiellement par la technique
de détection utilisée pour extraire les in-
formations sur la clé encodées dans les
propriétés de la lumière. Des techniques
de détection de photons uniques sont né-
cessaires pour des protocoles à variables
discrètes (DV), comme le protocole BB84,
développé en 1984 par Charles Bennett
(IBM) et Gilles Brassard et sa version à
états leurres. D’autre part, dans des pro-
tocoles QKD à variables continues (CV),
l’information de la clé est codée dans les
quadratures du champ électromagnétique
quantifié, comme ceux des états cohé-
rents et des techniques de détection co-
hérente sont utilisées dans ce cas. À tous
ces protocoles de type préparation-et-me-
sure s’ajoutent les protocoles à base d’in-
trication où les deux parties reçoivent les
photons d’un état intriqué et exécutent
des mesures appropriées.
On remarque aussi que, bien que la sécu-
rité d’un protocole QKD puisse être prou-
vée rigoureusement, sa mise en œuvre
réelle contient souvent des imperfections
qui peuvent ne pas être prises en compte
dans la preuve de sécurité correspon-
dante. En réponse à cette menace de
«
hacking
» quantique, il a été nécessaire
de développer des contre-mesures cor-
respondantes. Une approche plus fonda-
mentale afin de regagner la sécurité dans
la mise en œuvre pratique de la QKD est
la conception de nouveaux protocoles,
notamment les protocoles de type (M)
DI (en anglais [measurement] device in-
dependent). Même si la mise en œuvre
de tels protocoles reste encore difficile,
elle permettra d’établir la sécurité sans
connaître les détails de l’implémentation.
Recommandations
• Il est important de comprendre que
les solutions futures seront hybrides,
combinant des solutions classiques et
quantiques et offrant une sécurité à
long terme. Ces solutions doivent être
définies et mises en place en pratique ;
• Il est aussi important de comprendre
217

que la cryptographie porte aujourd’hui
le qualificatif «
quantique
», car l’établis-
sement de la clé secrète est fait à partir
des lois de la physique quantique. Ce-
pendant, l’action de chiffrer et déchif-
frer est parfaitement classique et non
quantique ;
• Il est nécessaire d’avancer vers la certi-
fication et la standardisation de la QKD,
ce qui permettra leur utilisation pour la
sécurisation des transactions dans la
vie courante ;
• La QKD est l’application-phare du do-
maine, mais tous les progrès dans
ce domaine s’étendent sur une riche
gamme d’applications au-delà de la
distribution de clés (argent quantique,
délégation de calcul sécurisé, transmis-
sion anonyme, identification, etc., voir
section B pour quelques exemples), per-
mettant d’utiliser l’avantage obtenu en
exploitant des ressources quantiques
pour des tâches complexes et variées ;
• Soutenir le développement du hardware
permettra à la France et l’Europe de se
positionner de façon stratégique sur ce
marché porteur des communications
quantiques (sources de lumières quan-
tiques, générateurs de nombres aléa-
toires, détecteurs de photons uniques,
systèmes de cryptographie) dans un
contexte de forte poussée technolo-
gique internationale.
Les réseaux
quantiques sécurisés
Enjeux
Au-delà des échanges de clés cryptogra-
phiques pour les communications sécuri-
sées entre deux points, les technologies
quantiques travaillent au déploiement de
véritables réseaux de communications sé-
curisés par réseau fibré ou via communi-
cation par satellite. Ce réseau permettra
de connecter différents ordinateurs quan-
tiques entre eux en préservant la sécurité
de l’information. Ces réseaux ne peuvent
se satisfaire de lasers atténués, comme
c’est encore possible pour la distribution
de clés cryptographiques, mais reposent
sur l’utilisation des propriétés éminem-
ment quantique de la lumière, comme l’in-
trication, pour garantir la distribution sécu-
risée d’information. Dans ce domaine, la
Chine a récemment réalisé des avancées
remarquables avec la démonstration de
téléportation quantique entre terre et sa-
tellite.
Plusieurs architectures sont envisagées
pour cet internet quantique :
• une architecture basée sur des sources
de photons uniques et des mémoires
quantiques localisées sur les nœuds du
réseau de communication ;
• une architecture basée sur l’utilisa-
tion d’états intriqués à grand nombre
de photons. Cette architecture repose
sur des sources de lumière très perfor-
mantes et réduit les besoins en hard-
ware local,
Ces deux architectures sont en cours de
développement et requièrent différentes
218

ressources en termes de hardware. Un
exemple de chemin de développement
d’une architecture à base de mémoire
quantique est donné en annexe.
Enfin, notons qu’au-delà de l’infrastruc-
ture nécessaire au développement de ces
réseaux de communication quantique, de
nouveaux protocoles sont développés pour
mettre en réseau la puissance des ordi-
nateurs quantiques. Étant donnée la sen-
sibilité des informations traitées sur ces
calculateurs, de nouveaux protocoles sont
également développés pour permettre
l’utilisation de «
clouds
» de serveurs de
calculs quantiques garantissant la confi-
dentialité des calculs de l’utilisateur.
L’internet quantique se trouve aujourd’hui
dans une situation similaire à celle des
réseaux de communication au milieu des
années 60, lorsque furent développées
les techniques fondamentales permettant
le déploiement et l’interconnexion de ré-
seaux de communication classiques.
L’un des challenges majeurs est éga-
lement de découvrir de nouvelles ap-
plications non anticipées de l’internet
quantique. En se basant sur l’évolution
d’internet depuis 1969, on peut supposer
que lorsque chacune des étapes de dé-
ploiement de ces réseaux sera franchie,
et seulement alors, on découvrira quelles
sont les applications importantes de ces
nouvelles technologies. Ainsi, la motiva-
tion principale pour le développement de
l’internet quantique n’est pas le nombre
déjà important d’applications connues,
mais plutôt de se donner ainsi les moyens
d’en découvrir de nouvelles.
Un effort substantiel doit être entrepris
du côté du développement du hardware
129. TRL : Technology Readiness Level/Niveau de maturité technologique.
afin de permettre le déploiement de cet
internet quantique. Contrairement à la dis-
tribution de clés cryptographiques point
à point qui a aujourd’hui atteint des ni-
veaux de TRL129
élevés, le développement
de l’internet quantique possède un niveau
de maturité technologique comparable à
celui l’ordinateur quantique. Le choix de
la meilleure architecture n’est pas en-
core finalisé, même si l’utilisation d’états
quantiques à grand nombre de photons
intriqués permettra à terme un débit de
communication beaucoup plus élevé.
Recommandations
• Le déploiement d’un réseau de com-
munication quantique multipoints sécu-
risé, permettant la mise en réseau de
calculateurs quantiques et la communi-
cation sécurisée à grande distance et
entre de multiples utilisateurs, est une
ressource stratégique pour tous les
secteurs d’activités où la sécurité de
l’information est essentielle. Il existe
beaucoup de développements technolo-
giques (hardware, software, protocoles)
au meilleur niveau mondial en France
et en Europe et qu’il est aujourd’hui es-
sentiel de soutenir pour permettre de
mener en tête la course au déploiement
de l’internet quantique ;
• Dans les démonstrations actuelles, les
répéteurs quantiques – les nœuds du
réseau – sont supposés fiables. Un en-
jeu important est le développement de
protocoles et de hardware permettant
le maintien de la sécurité, sans l’hypo-
thèse de la fiabilité des nœuds intermé-
diaires.
219

4.5THÉMATIQUE
« HARDWARE »
Les applications des technologies quan-
tiques identifiées dans ce groupe de travail
concernent le calcul quantique (ordinateur
quantique) et la sécurité des communica-
tions.
Des révolutions technologiques sont en
cours dans ces deux domaines qui ouvrent
la voie à la résolution de problèmes insol-
vables avec les calculateurs classiques
actuels et aux réseaux de communication
de sécurité inviolables.
Le développement du hardware néces-
saire au développement de ces deux
larges domaines d’applications est l’objet
d’une très forte activité de recherche et
d’ingénierie scientifique au niveau interna-
tional.
Hardware de
l’ordinateur
quantique
Côté calcul quantique, de nombreuses
plateformes sont explorées, allant des
ions piégés et des bits quantiques supra-
conducteurs aux qubits basés sur le spin
ou la lumière. Chaque plateforme présente
des forces et des faiblesses qui prennent
plus ou moins d’importance quand on
passe des systèmes de recherche aux
systèmes faisant appel à un grand nombre
de qubits.
On rappelle que pour surpasser les su-
percalculateurs classiques, l’ordinateur
quantique devrait comporter environ 100
qubits capables de réaliser des millions
d’opérations quantiques sans erreurs.
Cela est aujourd’hui hors de portée de
tous les systèmes physiques et c’est pour-
quoi les codes correcteurs quantiques, qui
reposent sur la redondance d’information
(comme en classique) et sur l’intrication,
sont requis. Ils introduisent la notion de
qubit logique qui est un qubit «
parfait
»
composé de plusieurs centaines voire mil-
liers de qubits physiques arrangés dans
un réseau bidimensionnel.
Cela conduit le hardware à se projeter au-
jourd’hui vers des nombres de qubits de
l’ordre ou supérieur au millier de qubits.
Dans ce contexte, les figures de mérite
prépondérantes pour la montée en com-
plexité, au niveau du qubit unique, sont :
• sa fidélité : c’est le terme consacré en
ingénierie quantique pour décrire l’in-
verse du taux d’erreur. On veut que la
fidélité soit la plus proche possible de
220

100 % pour permettre d’implémenter
des codes correcteurs d’erreur avec le
moins d’overhead possible ;
• sa vitesse de manipulation et de lecture
qui assurera des temps de calcul raison-
nables. À titre d’exemple, un ensemble
de portes quantiques fonctionnant à la
µs conduira à des temps de calcul de
l’heure pour des milliards d’opérations
quantiques ;
• sa taille qui permettra de conserver des
tailles de circuits quantiques que l’on
sait gérer (particulièrement important
pour les qubits fonctionnant à basse
température).
Les différentes plateformes physiques
explorées pour l’ordinateur quantique
L’ordinateur ou l’accélérateur quantique
sera constitué d’un cœur quantique à
base de qubits (pour rappel, les qubits
sont l’analogue de bits classiques
; ces
systèmes à deux états peuvent être simul-
tanément dans les deux états). Les princi-
pales approches de qubits pour le calcul
à grande échelle sont présentées ci-des-
sous :
• Les qubits à base de silicium : en ce qui
concerne l’intégration à large échelle,
c’est le seul système physique qui rem-
plit potentiellement tous les critères
requis (vitesse de manipulation, fidélité
des qubits, taille de la cellule élémen-
taire). Il s’appuie sur des technologies
de la micro-électronique qui devraient
faciliter la fabrication de qubits iden-
tiques et la réalisation de l’électronique
de contrôle nécessaire pour piloter le
cœur quantique. En revanche, la maturi-
té de cette plateforme est faible : l’état
de l’art aujourd’hui n’est encore que de
deux qubits. Ceci s’explique par le fait
qu’il faut un certain degré de maturité
technologique que les laboratoires aca-
démiques ne peuvent atteindre. L’arri-
vée dans la compétition de grands ac-
teurs de la micro-électronique, tant au
niveau de la R&D que des industriels,
pourrait accélérer la feuille de route ;
• Les qubits à base de supraconduc-
teurs : ces systèmes sont les plus avan-
cés en termes de nombres de qubits
(Google annonce avoir fabriqué 72 qu-
bits). L’avantage de la technologie est
l’intégration aisée à partir de moyens de
fabrication académiques. En revanche,
la définition des deux niveaux du qubit
se heurte à des limites physiques fonda-
mentales qui ralentissent actuellement
le passage à un grand nombre de qubits.
Ces deux premières approches requièrent
un refroidissement des systèmes à des
températures proches du zéro absolu. La
cryogénie est toutefois devenue un outil
standard et les spins qubits opèrent vers
1-10K quand les qubits supraconducteurs
opèrent vers 50 mK. Pour les applications
envisagées à l’heure actuelle, c’est-à-dire
le calcul à haute performance, ces be-
soins cryogéniques ne sont néanmoins
pas un frein au déploiement technologique
(ils sont à mettre en regard des infrastruc-
tures aujourd’hui mises en place pour re-
froidir les serveurs de calcul).
• Les qubits à base d’ions piégés : cette
approche s’appuie sur plusieurs déca-
des de techniques permettant de piéger
des ions dans des réseaux optiques.
Ce système est sans conteste le plus
avancé en termes de qualité des qubits.
Ces systèmes présentent l’avantage de
permettre un couplage à la lumière pour
mise en réseau. L’enjeu est la miniaturi-
sation et la faible vitesse des opérations ;
• Les qubits à base de photons uniques :
l’information est codée sur un grain élé-
mentaire de lumière et de nombreux
degrés de liberté sont exploités pour
augmenter l’espace de calculs (cou-
221

leurs des photons, polarisation, mode
spatial, mode temporel, etc.). Se pro-
pageant à la vitesse de la lumière sur
des puces optiques, cette technolo-
gie permet en principe une vitesse de
calcul inégalée. Par ailleurs, elle est
la seule technologie offrant une inter-
face naturelle pour la mise en réseau
des calculateurs quantiques et le calcul
distribué. Ces technologies ont jusqu’à
présent souffert de la faible efficacité
des composants élémentaires, mais
d’importants progrès ont vu le jour ces
dernières années.
Enfin, mentionnons que d’autres ap-
proches sont explorées, mais non dis-
cutées ici, car à un stade de développe-
ment trop préliminaire. Certains de ces
systèmes sont toutefois prometteurs,
comme les qubits topologiques. Ces qu-
bits auraient une immunité aux erreurs qui
permettraient de s’affranchir des codes
correcteurs, mais n’ont pas encore été
démontrés expérimentalement de manière
fiable.
Le tableau ci-dessous présente l’état de
l’art des démonstrations expérimentales.
Pour aller à grande échelle, en plus des
performances individuelles des qubits, la
dispersion sur les propriétés individuelles
et l’aptitude à contrôler un grand nombre
de qubits de manière simultanée vont être
prépondérantes dans les performances
globales du système.
Ces questions sont aujourd’hui des
questions de recherche ouvertes. Les
moyens investis par les grandes compa-
gnies et les levées de fonds de startups
(allant de 20 M$ pour des entreprises
récentes à plus de 200 M$ pour DWave)
permettent néanmoins des avancées ra-
pides.
222
Superconductors Silicon Trapped ions Photon
Size (100 μm)2
(100 nm)2
(1 mm)2
1 mm2
Fidelity ~99.9% >98% 99.9%
50% (measurement and generation)
98% (one and two-qubit gate)
Speed 200 ns 5 μs 100 μs 1 ms
Number of
entangled
qubits
17 (claimed 72) 2 20 18
Companies
IBM, Google, Intel,
Dwave, Rigetti,
QCI...
Intel, HRL, Silicon
Quantum Computing
IonQ
Xanadu, Candela, HP, Tundra
Systems
leading
academic
teams
UCSB, Yale, IBL
Zurich, CEA,
Berkeley, TU Delft,
MIT
UNSW, CEA-CNRS
Grenoble, Tokyo
University, TU Delft,
Princeton, Sandia,
Uwisconsin, NTT
innsbruck,
Oxford, NIST,
UMaryland,
Sussex, MIT
Oxford University

Nombre de qubits et taux d’erreur
Quelle que soit la plateforme explorée, le
nombre de qubits n’est pas, loin s’en faut,
le seul critère pour obtenir un calculateur
quantique plus performant qu’un calcula-
teur classique (suprématie ou avantage
quantique). Xavier Vasques, directeur
technique chez IBM France, indique : « Le
qubit n’est pas le seul paramètre, car il
faut s’atteler à la gestion et la correction
d’erreurs qui sont des opérations com-
plexes ». À ce jour, au-delà de la course au
nombre de qubits, d’autres métriques ap-
paraissent, notamment avec la possibilité
de paralléliser des groupes de qubits. IBM
définit le Quantum Volume qui illustre que
la puissance d’un ordinateur quantique
dépend du nombre de qubits et aussi du
taux d’erreur. Cette seconde métrique
place par exemple à 15 le nombre de qubit
par groupe parallélisables130
.
Les performances de l’ordinateur quantique
sont également algo-dépendantes et néces-
sitent une évaluation au cas par cas. En ef-
fet, les algorithmes classiques doivent être
repensés pour avoir une version quantique
et nécessitent une évaluation spécifique.
130. www.research.ibm.com/ibm-q/resources/quantum-volume.pdf.
Recommandations
Après les preuves de concept de faisabilité
de portes à un ou deux qubits, la question
de la mise à l’échelle soulève de nombreux
problèmes d’ingénierie et de science (ex. :
les liaisons à grande distance pour les sys-
tèmes solides). La France possède à la fois
des connaissances fortes en information
quantique, de solides compétences tech-
nologiques et une recherche d’excellence
en mathématiques et informatique appli-
quée. Avec un soutien industriel idoine, elle
pourrait prendre un rôle majeur dans la fa-
brication du premier ordinateur quantique à
grande échelle.
Efficacité énergétique du calcul quantique
C’est en partie aux problématiques éner-
gétiques (liées notamment à la miniaturisa-
tion des composants et au refroidissement
des serveurs nécessaires au stockage
d’un nombre de plus en plus grand de don-
nées) que l’on doit l’explosion des techno-
logies quantiques. En effet, le déroulement
d’un calcul quantique est en principe réver-
sible et, d’autre part, il comporte a priori
moins d’étapes que son équivalent clas-
223
10-1
10-2
10-3
10-4
104
10-0
101
102
103
108
105
106
107
Limiting
error
rate
Number of Qubits
Error Correction Threshold
Google Research Direction
Classically
simulatable
Near-terms
applications
Useful error
corrected QC
✘ ? ✔
Figure 9 : la version de Google, proposant sur un graphique le lien taux d’erreurs/nombre de qubits131

sique : deux raisons fondamentales pour
lesquelles les coûts énergétiques liés au
traitement de l’information quantique de-
vraient être moins élevés.
Cependant, ce raisonnement ne tient pas
compte de la nécessaire lutte contre la dé-
cohérence et le bruit d’origine quantique.
La mise en œuvre de codes correcteurs
d’erreur et le développement d’architec-
tures de calcul «
fault tolerant » requièrent
l’utilisation de grands nombres de qu-
bits additionnels dont le contrôle pourrait
conduire à d’importants surcoûts énergé-
tiques. L’analyse détaillée de ces surcoûts
pourrait déboucher sur une classification
des architectures de qubits en fonction de
leur consommation énergétique.
Recommandations
La question de l’énergétique du calcul
joue un rôle fondamental dans le déve-
loppement et l’optimisation des architec-
tures de calcul classique. La question est
en passe de devenir stratégique dans la
perspective de développer des calcula-
teurs à l’échelle, mais est actuellement
largement sous-représentée dans les
roadmaps autour des technologies quan-
tiques de l’information. Un dialogue entre
recherche fondamentale et R&D devrait
s’établir autour de ces questions.
224
Figure 10 : construire des ordinateurs quantiques (source : la présentation d’Artur Ekert – « Is
the age of computation yet to begin? »)
Basic
blocks
Scaling
up
Stable
fault tolerant

Hardware des
communications
quantiques
Du côté des communications sécurisées
par les lois de la mécanique quantique, les
hardwares développés sont mieux identi-
fiés et dépendent des applications envisa-
gées. Une première application des tech-
nologies quantiques est la distribution de
clés cryptographiques entre deux points
géographiques. Dans ce cas, le niveau de
TRL du développement du hardware est
élevé avec une commercialisation main-
tenant internationale de système clé en
main de cryptographie (ID Quantique…) et
le début du déploiement à grande échelle
(voir le récent communiqué de presse de
la société suisse ID Quantique, financé à
hauteur de 65 M€ par l’équipementier Co-
réen SK Telecom).
Une autre application des communica-
tions quantiques concerne le développe-
ment d’un véritable réseau, type « internet
quantique
», dont la sécurité sera égale-
ment garantie par les lois de la mécanique
quantique. Ce type de réseau est le com-
plément indispensable au développement
des ordinateurs quantiques, permettant
de préserver la sécurité des liens entre
ordinateurs quantiques et permettant
l’utilisation de calculateurs en réseau
pour décupler les puissances de calculs.
Pour développer ces réseaux quantiques,
plusieurs architectures sont envisagées,
reposant sur différents hardwares. Ces
derniers comprennent par exemple des
détecteurs et sources de lumières quan-
tiques qui ont atteint le marché de l’ins-
trumentation ces dernières années (voir
par exemple les sociétés SingleQuantum,
QuantumOpus, Quandela, SparrowQuan-
tum, PhotonSpot…). Nous dressons ci-
après un rapide panorama du hardware
développé pour le calcul et les communi-
cations sécurisées ainsi que le coût éner-
gétique des technologies quantiques.
En ce qui concerne les démonstrations pra-
tiques, la performance des liaisons point à
point est évaluée par la distance à laquelle
les clés secrètes peuvent être distribuées
et par le taux de génération de la clé se-
crète pour un niveau de sécurité donné.
On remarque deux limitations inhérentes
pour de tels systèmes :
• La distance maximale de communica-
tion qui peut être atteinte sur des ca-
naux de fibre optique : L’atténuation
de la lumière à la longueur d’onde des
télécommunications (1550 nm) étant
de l’ordre de 0,2 dB/km, les pertes
engendrées par la propagation dans le
canal limitent la portée des liens QKD
point à point à quelques centaines de
kilomètres : au-delà, générer un seul bit
de clé secrète nécessiterait plusieurs
années, même en utilisant des sources
et des détecteurs de lumière parfaits,
ce qui présente peu d’intérêt pratique.
L’extension de la portée des systèmes
QKD est un défi majeur pour les appli-
cations du domaine. Pour les systèmes
basés sur la détection de photon unique,
le facteur-clé est la possibilité d’utiliser
de vraies sources de photons uniques
efficaces et le bruit de ces détecteurs.
Des sources de photons uniques effi-
caces sont en cours de développement
et commencent à être commercialisées
(Quandela, Sparrow Quantum). Un en-
jeu est de transférer ces technologies
aujourd’hui fonctionnant à 900 nm vers
225

les longueurs d’onde télécom. Les dé-
tecteurs basés sur des nano fils supra-
conducteurs (SNSPD – superconducting
nanowire single photon detectors) sont
des dispositifs extrêmement promet-
teurs pour les communications quan-
tiques grâce à leur efficacité élevée et
leurs faibles temps morts, taux de coups
d’obscurité et incertitude temporelle,
et sont commercialement disponibles.
Pour les systèmes à variables continues,
le facteur crucial est l’excès de bruit –
le bruit excédant le bruit de photon fon-
damental des états cohérents – qui doit
être le plus bas possible. Afin de franchir
les distances à l’échelle mondiale, il est
nécessaire de recourir à deux approches
: des structures réseaux (voir Section C)
et des liens satellitaires.
• Le taux maximal de génération de clé
secrète possible en utilisant des ca-
naux de communication pratiques, et
donc bruités, ce qui est sujet à des li-
mitations théoriques récemment déter-
minées : En pratique, les clés de chif-
frement produites par la QKD peuvent
être utilisées dans un schéma de chif-
frement symétrique comme le protocole
AES (Advanced Encryption Standard)
qui est résistant à une attaque par or-
dinateur quantique ou encore être com-
binées avec la méthode de masque
jetable afin d’obtenir une sécurité abso-
lue. Dans les deux cas, le taux de clé
obtenu par la couche QKD sous-jacente
pour un scénario d’application typique
est crucial. Des taux plus élevés per-
mettent une mise à jour plus fréquente
de clés de chiffrement dans le cas du
chiffrement symétrique et une aug-
mentation proportionnelle de la bande
passante de communication dans le
cas du chiffrement à masque jetable.
Actuellement, il existe encore une forte
disparité entre les débits de communi-
cations optiques classiques et la QKD.
Des taux de plusieurs centaines de gi-
gabits par seconde et par canal de lon-
gueur d’onde sont atteints aujourd’hui
par des méthodes classiques, tandis
que des taux de l’ordre du mégabit par
seconde sur quelques dizaines de kilo-
mètres sont réalisés par des systèmes
QKD. Ces derniers sont suffisants par
exemple pour la transmission vidéo
;
cependant, pour chiffrer de grands vo-
lumes de trafic de réseau classique en
utilisant la cryptographie à masque je-
table, il sera nécessaire d’augmenter
de façon significative le taux de clés
secrètes produites par la QKD. Comme
pour le défi de la portée, les perfor-
mances des détecteurs sont cruciales
pour tous les types de protocoles. Il est
aussi possible d’utiliser le multiplexage
en longueur d’onde ou en mode spatial
qui est une technologie utilisée couram-
ment en communications optiques.
En plus des limitations de performance
analysées ci-dessus, un défi important
pour les prochaines années sera le dé-
veloppement des systèmes permettant
de réduire la complexité, les coûts et la
consommation de puissance. L’intégra-
tion photonique offre un niveau de minia-
turisation élevé, ouvrant la voie à des mo-
dules compacts qui peuvent être produits
en masse à bas coût. Le déploiement des
systèmes répondant aux exigences des
applications pratiques sera aussi grande-
ment facilité par la coexistence dans la
même fibre des signaux quantiques avec
le trafic des données usuelles, éliminant
le besoin pour des fibres dédiées.
226

4.6THÉMATIQUE
« INGÉNIERIE LOGICIELLE
ET OUTILS DE
DÉVELOPPEMENT »
L’informatique classique d’aujourd’hui re-
pose sur une architecture de type Von Neu-
mann composée d’une unité de calcul (pro-
cesseur) manipulant des bits, d’une mémoire
vive (RAM), d’unités de stockage et de com-
posants de gestions de périphériques et d’en-
trées/sorties. La gestion de ces ressources
matérielles est assurée par le système d’ex-
ploitation (Windows, Mac, Linux…) mettant
à disposition les ressources matérielles né-
cessaires à l’exécution des algorithmes pour
répondre à un besoin applicatif spécifique.
Aujourd’hui, les développeurs utilisent
généralement des langages de program-
mation évolués (Python, C++, Java, …)
qui, intégrés dans des outils de dévelop-
pement, traduisent et compilent les pro-
grammes des développeurs en langage
machine directement exécutables par le
processeur.
Comme nous l’avons vu dans les précé-
dentes thématiques, les processeurs
quantiques et leur programmation sont
bien différents des processeurs actuels.
L’exploitation des superpositions d’états
des qubits remet en cause les architec-
tures matérielles et logicielles, ainsi que
le principe du tiers exclus sur lequel re-
pose la logique des prédicats.
227
Outil de développement Éditeur Description/Liens
Plateforme de simulation
quantique
Atos Plateforme basée sur du hardware classique qui permet aux chercheurs
de tester dès maintenant des algorithmes et des logiciels pour les futurs
calculateurs quantiques.
aQasm Atos Langage de programmation universel.
Google's Quantum
Computing Playground
Google Kit de développement.
QISKit (Quantum
Information Software Kit)
IBM Kit de développement QISKit. Lien : www.qiskit.org.
Composer IBM Q IBM Environnement en ligne de simulation et d’exécution sur processeurs
quantiques. Lien : quantumexperience.ng.bluemix.net/qx/editor.
XACC (EXtreme scale
ACCelerator)
Interfaces avec le simulateur Rigetti et les systèmes D-Wave en
production.
QuTiP (Quantum Toolbox
in Python)
Open
source
Simulateur open source utilisé sur un grand nombre de plateformes
hardware (logos de Alibaba, Amazon, Google, Honeywell, IBM, Intel,
Microsoft, Northrup Grumman, Rigetti, et RIKEN visibles sur leur site).
OpenFermion Google et
Rigetti
Package logiciel pour compiler et analyser des problèmes de chimie
quantique.
Microsoft Language-
Integrated Quantum
Operations: LIQUi|>
Microsoft
Research
Architecture logicielle et suite d’outils pour convertir un algorithme
quantique codé dans un langage de haut niveau dans les instructions de
bas niveau requises pour un ordinateur quantique.
Microsoft Quantum
Development Kit
Microsoft Fournit le support pour programmer des algorithmes quantiques dans le
langage Q#.
Q# (« Q-sharp ») Microsoft Langage de programmation pour ordinateur quantique. Microsoft, lors de
la conférence Ignite fin septembre 2018 à Orlando, a annoncé la mise
à disposition prochaine d’un nouveau langage de programmation pour
l’informatique quantique. Ce langage est intégré dans Visual Studio et
comprend un simulateur d’ordinateur quantique qui fonctionne sur un poste
de travail, mais aussi sur le Cloud Azure en supportant jusqu’à 40 qubits.
Ce nouveau langage contient toutes les fonctionnalités nécessaires pour un
développeur dans un environnement quantique, notamment le traitement du
cas de l’utilisation de qubits, de bits, la notion de « mesure » et les conditions
de la mesure ainsi qu’un langage entièrement nouveau qui génère du code C#.

Cela nécessite une refonte totale des sys-
tèmes d’exploitation, des outils de déve-
loppements, des langages de programma-
tion et la démarche de spécification et de
développement logiciel.
Outils de développement
À ce jour, il existe essentiellement des
plateformes de simulation d’algorithmes
quantiques basées sur du hardware
classique, des environnements de déve-
loppement (IDE) et des langages de pro-
grammation de type assembleur pour les
ordinateurs quantiques à portes logiques.
Des programmes de recherche visent à
mettre au point des environnements de
développement avec des langages de plus
haut niveau.
Le tableau page précédente liste les prin-
cipaux outils de développement existants
actuellement.
4.7 THÉMATIQUE
« CONDUITEDU
CHANGEMENT,NOUVEAUX
MÉTIERS,FORMATION,
ÉDUCATION,ETENJEUX
RÉGLEMENTAIRES,
JURIDIQUESETÉTHIQUES »
Comme évoqué dans les thématiques
précédentes, l’informatique quantique va
transformer radicalement dans les an-
nées à venir les architectures matérielles
et logicielles des systèmes d’information
et apportera de très nombreuses oppor-
tunités de développements de nouvelles
applications ou cas d’usages.
La nouvelle ère engendrée par cette nou-
velle informatique nécessite une conduite
du changement, car la technologie quan-
tique sera déployée, utilisée et valorisée
progressivement par tous les acteurs de
l’entreprise. Pour répondre aux nouvelles
règles du jeu, la question des relations
entre innovations technologiques, déci-
sions stratégiques et reconfigurations or-
ganisationnelles doit être posée.
La réussite de cette nouvelle ère quan-
tique dépend des acteurs de l’entreprise,
car il n’y aura pas d’avancée majeure sans
leur implication. Les entreprises doivent
considérer que leurs développements dé-
pendent de la motivation, de la mobilisa-
tion et de l’implication de l’ensemble de
leurs collaborateurs.
Le changement organisationnel doit être
accompagné par la conduite du change-
ment, c.-à-d. l’ensemble des activités qui
amènent une organisation d’un état actuel
vers un état futur souhaitable dans le cadre
de la stratégie définie par sa direction.
228

Ce changement est un acte indispensable
pour accompagner la transformation géné-
rée par les nouvelles solutions possibles
(qu’elles soient hybrides ou exclusivement
quantiques). La réussite de cette trans-
formation apportée par cette nouvelle
technologie passe par l’acceptation et
l’adaptation de nouveaux outils, usages
et habitudes. La conduite du changement
doit être mise en place rapidement, car
le quantique passera par une phase de
transition relativement longue du fait de
l’hybridation et de l’interaction pendant de
nombreuses années entre le monde quan-
tique et le monde traditionnel. De plus,
l’éducation, la communication et les for-
mations sont essentielles.
Formation initiale et continue
La formation initiale, à peine existante
en France aujourd’hui, doit permettre de
former les prochains utilisateurs, promo-
teurs et experts ingénieurs/scientifiques.
En effet, en plus des nouveaux spécia-
listes indispensables au développement
de cette nouvelle informatique, une nou-
velle industrie et de nouveaux usages vont
apparaitre, entraînant des formations ini-
tiales auprès des futurs commerciaux et
utilisateurs. Par ailleurs, de très nombreux
sujets de recherche fondamentale et ap-
pliquée existent déjà et vont sensiblement
croître. Des formations pour de futurs
chercheurs dans ce domaine devraient se
développer.
L’arrivée de l’informatique quantique en-
trainera l’évolution de certains métiers
existants comme l’architecte matériel et lo-
giciel ou l’architecte intégrateur de techno-
logie et l’apparition de nouveaux métiers :
• mathématicien spécialisé en modélisa-
tion et simulation quantique ;
131. www.arxiv.org/abs/1712.05380.
• ingénieur en cryptographie quantique et
post-quantique ;
• architecte spécialisé en architecture hy-
bride classique et quantique ;
• informaticien spécialisé en informa-
tique quantique théorique ;
• informaticien spécialiste en développe-
ment d’outils de développement et de
langage de programmation.
Quant aux entreprises, elles devront se doter
de programmes de formation continue pour
accompagner les salariés éligibles à l’accès
aux nouveaux métiers listés ci-dessus.
Enjeux réglementaires, éthiques et juridiques
La puissance de calcul théorique des pro-
chains calculateurs quantiques apportera
aux détenteurs (entreprises, états…) de
cette nouvelle technologie une supréma-
tie assurée. Cela nécessitera, à l’instar
des solutions mettant en œuvre des tech-
niques d’intelligence artificielle ou des
techniques de machine learning, des ré-
glementations assurant la réglementation
des usages, la transparence, le contrôle
de loyauté et la traçabilité des algorithmes
développés. Des problèmes d’éthique
semblent se dessiner, évoqués dans « The
potential impact of quantum computers on
society », Wolf (2017)131
.
Un enjeu particulier : la sécurité des
données personnelles (RGPD)
La prise en compte du risque quantique
doit être intégrée dans les exigences de
protection des données personnelles, en
particulier la RGPD. L’effervescence mé-
diatique et technique autour de la supré-
matie quantique est également contempo-
raine de l’arrivée du cadre réglementaire
européen sur la protection des données
personnelles (RGPD). À ce titre, le niveau
229

de protection des droits des citoyens eu-
ropéens devrait être équivalent dans tous
les États membres, tel que le précise le
considérant 10 du RGPD. Mais alors, quel
sera l’impact de l’ordinateur quantique sur
cette fédération européenne en matière
de sécurité de la donnée ?
Et la loi dans tout ça ?
L’idée de la suprématie quantique est
une vision technique qu’il est nécessaire
d’appréhender dans le cadre légal. Le rè-
glement européen est ainsi composé en
grande partie de renvois aux lois des pays
membres. Leur objectif est, entre autres,
de responsabiliser les entreprises qui
traitent de données personnelles et de
renforcer la protection de celles des ci-
toyens européens en invitant lesdites en-
treprises à gagner la confiance des utilisa-
teurs. Du côté pénal français, les articles
323 du Code pénal français sont clairs en
termes de sanctions et la CNIL a d’ailleurs
fait savoir qu’elle n’hésitera pas à les ap-
pliquer en cas de manquement à l’entrée
en vigueur du RGPD.
Oui, mais en pratique…
Les menaces informatiques concernent
fréquemment les données personnelles.
On pensera aux trois milliards de comptes
Yahoo piratés en 2013 alors que les au-
teurs de l’attaque ne sont toujours pas
identifiés. À ce jour, les hackers s’attaquent
avec des techniques non quantiques aux
failles sécuritaires et l’opération « Hack The
Pentagon
» en 2016 a révélé que le plus
sophistiqué des systèmes d’information
au monde contient toujours des vulnérabili-
tés exploitables. La question de la sécurité
des systèmes d’information reste toujours
posée et, dans ce contexte, disposer d’un
ordinateur quantique permettrait, s’il se
trouve entre de mauvaises mains, des at-
taques bien plus efficaces et dangereuses.
En conclusion
La question de la RGPD face au quantique
se rapproche ainsi de celle de l’éthique
dans l’utilisation des nouvelles techno-
logies. Le paradoxe est que les futurs
propriétaires des ordinateurs quantiques
seront les géants de l’information, c’est-à-
dire des multinationales dont la puissance
défie les états.
230

Annexes
Annexe 1. Pour aller plus loin
Pour une introduction en anglais aux
conceptsdu« QuantumComputing »,voir :A
quantumcomputingprimer–Intel :newsroom.
intel.com/newsroom/wp-content/uploads/
sites/11/Quantum_Computing.png.
• FrequentlyAskedQuestionsGeneralquestions
about quantum information science :
quantumexperience.ng.bluemix.net/qx/
tutorial?sectionId=full-user-guide&page
=000-FAQ~2F000-Frequently_Asked_Questions.
• Quantum computers could crack
bitcoin, but fixes are available now :
www.theregister.co.uk/2017/11/09/
quantum_computers_could_crack_bitcoin.
Pour une version en français, le lecteur
peut se référer au site du CEA : L’essentiel
sur… la mécanique quantique : www.cea.
fr/comprendre/Pages/physique-chimie/
essentiel-sur-mecanique-quantique.aspx.
Annexe 2. Les acteurs en
cryptographie
231
Catégorie Sous-catégorie Technologie Acteur Lien
Solutions
quantiques
de
cryptographie
Chiffrement et
communication
QKD
ID-Quantique www.idquantique.com
De nombreuses équipes
académiques pour divers
protocoles : en France LIP6,
Sorbonne Université ; en Europe,
Université de Genève, Max Planck
à Erlangen, University of Vienna,
ICFO Barcelona, University of
Bristol, University of Padova,
Lancaster University
www.quantuminfolip6.fr
www.lancaster.ac.uk/physics/
about-us/people
Toshiba
www.toshiba.co.jp/about/
press/2017_09/pr1501.htm
Huawei Munich www.huawei.com/de
Algorithmes de
cryptographie quantique
ATOS
atos.net/fr/vision-et-innovation/
atos-quantum
Autres primitives
quantiques dont
authentification,
identité, argent
et méthodologies
Q-ID QuantumBase www.quantumbase.com
Quantum Risk
Assessment
Evolution Q www.evolutionq.com
Theoretical Quantum
Cryptography, QKD,
Cryptography beyond
QKD
Paris Centre for Quantum
Computing
www.pcqc.fr
Réseau quantique VeriQloud www.veriqloud.com/
Internet
quantique,
satellite
quantique
Secure, unhackable net
Quantum Internet Alliance www.quantum-internet.team
UCL-led-team of scientists www.ucl.ac.uk/quantum
QKD + satellite
Quantum Experiments at Space
Scale (QUESS)
fr.wikipedia.org/wiki/QUESS
Space-QUEST consortium Arxiv paper
Cryptographie
post-quantique
Chiffrement
Crypto post-
quantique
RISQ, Regroupement de
l’Industrie française pour la
Sécurité Post – Quantique
www.risq.fr/?page_id=8&lang=fr
IBM
www.zurich.ibm.com/securityprivacy/
quantumsafecryptography.html
CNRS www.cnrs.fr/inp/spip.php?article1675
Secure-IC www.secure-ic.com

Annexe 3. Les grandes étapes
du développement d’un
internet quantique
Un grand nombre d’équipes au niveau in-
ternational travaillent au déploiement de
cet internet quantique. Un consortium
européen baptisé «
Quantum Internet Al-
liance
» a proposé six grandes étapes
technologiques au développement d’un tel
réseau de communication à base de mé-
moires quantiques. De plus, chaque étape
de ce développement permet de déployer
de nouvelles applications qui ne sont pos-
sibles qu’avec les réseaux quantiques.
La première étape est celle que nous
connaissons aujourd’hui. Dans les réseaux
quantiques actuels, chaque nœud peut
émettre des qubits, les envoyer à son ou
ses voisins qui mesurent immédiatement
l’information reçue. Un tel réseau permet
de mettre en œuvre la QKD (Quantum Key
Distribution) entre deux points arbitraires
du réseau, à condition que les points in-
termédiaires ne soient pas contrôlés par
un éventuel espion.
Dans la seconde étape, des répéteurs
quantiques installés sur le réseau per-
mettent d’augmenter considérablement
la distance de transmission des qubits.
Ainsi, un qubit peut voyager d’un nœud à
un autre, sans être mesuré par les nœuds
intermédiaires. Les utilisateurs du réseau
peuvent s’échanger des qubits pour ga-
rantir leurs positions géographiques de
manière infalsifiable. La communication
quantique peut être utilisée pour améliorer
la sécurité de tâches cryptographiques,
comme le vote électronique.
Dans la troisième étape, les qubits en-
voyés peuvent être intriqués avec les uns
avec les autres. La cryptographie change
de visage et devient device-independent.
Ceci permet, pour des tâches comme
l’échange de clés de chiffrement, de ga-
rantir la sécurité même si le matériel
utilisé a été altéré par un adversaire qui
cherche à en prendre connaissance.
Dans la quatrième étape, les nœuds sont
équipés de mémoires quantiques, auto-
risant des protocoles de communication
plus complexes. Un utilisateur du réseau
peut déléguer un calcul à un nœud distant
à l’aveugle, c’est-à-dire que le nœud exé-
cute son calcul sur des données chiffrées
sans en comprendre la signification. Les
communications anonymes deviennent
possibles et les télescopes peuvent être
reliés entre eux via un réseau quantique
afin d’améliorer la résolution des images
obtenues. Les systèmes de calcul distri-
bué tirent parti de ressources quantiques
pour, par exemple, améliorer la détection
d’erreur lorsque des données sont répli-
quées sur plusieurs serveurs.
Dans la cinquième étape, le calcul tolérant
aux fautes devient possible à chaque nœud
sur un petit nombre de qubits, étendant ain-
si le temps de stockage de l’information.
Grâce à cela, la précision de la synchroni-
sation des horloges connectées au réseau
quantique s’améliore considérablement.
Enfin, dans la dernière étape, l’ensemble
des améliorations technologiques est sca-
lable. Chaque nœud contient un grand
nombre de qubits, l’intrication est maîtrisée
et stable et la correction d’erreur est par-
faite. Tous les protocoles de communication
quantique connus peuvent alors être implé-
mentés. Ceci permet, dans certains cas, de
réduire exponentiellement le coût des com-
munications. Les systèmes de calcul répar-
tis deviennent encore plus efficaces.
232

Chaque étape de ce développement re-
pose sur des modifications profondes du
hardware utilisé. Ces modifications dé-
pendent à leur tour d’avancées scienti-
fiques conséquentes. Toutefois, la variété
des protocoles présentés ici montre bien
le bénéfice que l’on pourrait tirer de telles
avancées.
Annexe 4. Hardware
Qubits à base d’ions piégés
Historiquement, les premiers qubits ont été
démontrés en physique atomique. La raison
principale est la protection relative du degré
de liberté interne des systèmes atomiques
en raison de leur échelle microscopique. À
ce jour, le meilleur système en physique des
systèmes atomiques est le piège à ions où
l’information est stockée dans les états hy-
perfins d’ions comme Ca +, Be +...
Les ions sont en lévitation sous vide et
capturés dans un piège (Pauli trap) par
des moyens électriques. La manipulation
ainsi que la détection des états qubit sont
effectuées à l’aide d’une excitation laser
avec une échelle de temps de quelques
dizaines de microsecondes. Les ions sont,
d’un ordre de grandeur, le système le plus
cohérent démontré jusqu’à présent avec
un taux d’erreur pour la manipulation de
qubit et des portes de l’ordre de 10-4 com-
patibles avec la plupart des protocoles de
correction d’erreurs quantiques.
Même si les contraintes de manipulation
cohérente dans les pièges à ions et la
grande taille effective du qubit avec toutes
les fonctionnalités quantiques semblent
difficilement compatibles avec une archi-
tecture à très grande échelle, des pro-
cesseurs ont été démontrés dans ces
systèmes et une perspective de quelques
dizaines de qubits dans un futur proche
est très plausible.
En ce qui concerne la question cruciale de
l’intégration à grande échelle, la gamme
des choix possibles devient beaucoup
plus étroite. À cet égard, les qubits à l’état
solide et les photons sont en principe bien
positionnés en raison de la possibilité na-
turelle de réaliser des architectures inté-
grées rassemblant toutes les fonctionna-
lités quantiques et de leur compatibilité
avec la technologie de nano-fabrication.
Qubits supraconduteurs
Parmi les approches à l’état solide, les qu-
bits basés sur des éléments supraconduc-
teurs ont atteint le niveau de développe-
ment le plus avancé. Historiquement, les
manipulations cohérentes dans les qubits
supraconducteurs ont été démontrées
beaucoup plus tard que dans la physique
des systèmes atomiques ou à ions en rai-
son du fort couplage à l’environnement de
l’état solide.
Contrairement à l’ion piégé, les qubits
supraconducteurs sont des systèmes
macroscopiques et les états quantiques
sont des états quantiques collectifs ré-
sultant du mouvement de milliards d’élec-
trons dans des matériaux supraconduc-
teurs et contrôlés par l’incorporation de
jonctions Josephson. Ils sont conçus de
façon déterministe sur une puce à l’aide
de techniques de nano-fabrication rela-
tivement bon marché. Après une longue
étude de leur couplage à l’état solide, les
qubits supraconducteurs atteignent main-
tenant une haute-fidélité pour la manipu-
lation des qubits et des portes avec des
taux d’erreur de deux qubits de l’ordre de
10-2 compatibles avec les procédures de
correction d’erreurs topologiques seule-
ment.
233

Leur sensibilité relative permet une
conduite rapide du qubit supraconduc-
teur et une échelle de temps typique de
quelques dizaines de nanosecondes, trois
ordres de grandeur plus rapides que les
systèmes de pièges à ions. La fabrication
de processeurs composés de quelques di-
zaines de qubits a été récemment réalisée
avec un contrôle cohérent démontré très
récemment sur des processeurs de 18
bits. Les perspectives d’intégration dense,
compacte et au-delà de la 2D sont encore
une question ouverte en raison de la taille
relativement grande des bits pour intégrer
toutes les fonctionnalités quantiques (100
μm par qubit). Néanmoins en 2018, Goo-
gle a déjà annoncé un processeur à base
de supraconducteurs Bristlecone à 72 qu-
bits au March Meeting de San Francisco et
IBM propose en ligne une offre de service
IBMQ pour accéder à ses processeurs su-
praconducteurs à 16 qubits.
Qubits dans le silicium
Par rapport aux plateformes physiques les
plus avancées mentionnées ci-dessus (qu-
bits supraconducteurs [Dev13] et pièges
à ions [Mon13]), les qubits de silicium ont
un historique de développement plus ré-
cent. Ici, le bit élémentaire de l’informa-
tion quantique est codé dans un degré de
liberté de spin, tel que le moment magné-
tique d’un électron [Los98] ou celui d’un
noyau [Kan98]. Les qubits de spin par-
tagent donc avec les systèmes atomiques
la protection relative à l’environnement en
raison de leur taille microscopique.
Par le déclenchement local, on peut chan-
ger la charge contenue dans le point et
réussir à piéger les électrons individuels.
De plus, en appliquant un champ magné-
tique, la dégénérescence entre les états
spin up et spin down est levée et le degré
de liberté de spin peut être étudié. Dans
234
Figure 11 : exemple de réalisation de systèmes à qubits de spin. Rangée du haut : qubits de spin
UNSW Si fabriqués sur 28Si purifié isotopiquement

ce domaine, la possibilité de mesurer
[Elz04] et de contrôler de façon cohérente
[Kop06] un spin d’un seul électron est
maintenant bien établie.
Les premiers qubits uniques reposant sur
des spins d’électrons confinés dans le si-
licium n’ont été réalisés qu’en 2012. De-
puis lors, leur développement en termes
de réalisation de porte a été relativement
rapide, également grâce à l’introduction
de 28Si purifié de manière isotopique,
conduisant à une grande amélioration
de la cohérence de spin. Suivant diffé-
rentes approches, plusieurs groupes de
recherche ont réalisé des portes quan-
tiques à un ou deux qubits avec des fidé-
lités déjà élevées et en amélioration. Très
récemment, des fidélités à un seul seuil >
99,9 % et des portes à deux queues avec
des fidélités supérieures à 90 % ont été
rapportées.
En fait, le paramètre de performance
pertinent pour quantifier la qualité d’un
bit quantique est le nombre d’opérations
quantiques effectuées dans le temps de
cohérence. Les expériences mentionnées
ci-dessus indiquent que les qubits de spin
électronique de Si ont progressé rapide-
ment et déjà obtenu des performances
comparables aux meilleurs qubits supra-
conducteurs [Dev13].
En plus de longs temps de cohérence et
de faibles erreurs de porte quantique, les
qubits de spin de silicium ont d’autres
avantages potentiels qui les rendent
aptes à une intégration à grande échelle,
avec une perspective encore plus grande
que les qubits supraconducteurs. Le pre-
mier avantage réside dans la compatibilité
inhérente à la technologie du silicium. Le
contrôle et la reproductibilité exception-
nels sur les processus de fabrication des
dispositifs en silicium et l’accès au déve-
loppement le plus avancé dans l’intégra-
tion 3D compacte sont certainement un
atout pour l’intégration de qubits à grande
échelle.
Plus précisément, il permettra de tirer par-
ti du qubit de spin avec toutes les fonc-
tionnalités quantiques dont la taille est
inférieure à un micron carré et donc po-
tentiellement d’atteindre un million de bits
dans une cellule inférieure à un mm². De
plus, les qubits peuvent être directement
couplés à une électronique intégrée sur
puce. En raison des propriétés mention-
nées ci-dessus, les qubits de spin de sili-
cium fournissent l’une des voies les plus
prometteuses pour les ordinateurs quan-
tiques évolutifs, mais en sont encore au
niveau des portes uniques.
Les processeurs à base de photons
Les processeurs optiques sont déve-
loppés depuis une dizaine d’années. Le
nombre de qubits manipulés est typique-
ment de l’ordre de 12, record détenu par
le groupe de J.W. Pan à Hefei en Chine.
235
Figure 12 : exemple de réalisation de
calculateurs optiques, à base de Niobate de
Lithium (haut, Paderborn) et silicium (bas,
Bristol, UK)

Des calculs quantiques ont été implémen-
tés avec code de correction d’erreur et de
nombreuses plateformes intégrées sont
développées pour générer les photons
uniques et réaliser les calculs sur puce :
silicium, niobate de lithium, etc. Des cal-
culateurs de plus en plus complexes sont
réalisés, utilisant des méthodes de fonde-
ries traditionnelles pour réaliser les puces
optiques.
Les calculateurs optiques reposent sur
trois ingrédients : des sources de lumière
quantique (photons uniques), des puces
optiques programmables pour réaliser le
calcul et des détecteurs de photons. Hor-
mis les sources et détecteurs qui peuvent
requérir un refroidissement cryogénique
simple (10K), le calculateur lui-même est
opéré à température ambiante, permet-
tant de changer le processus de façon très
versatile. Enfin, le calculateur optique,
basé sur les photons uniques est la seule
architecture qui permet naturellement
d’implémenter des calculs quantiques dis-
tribués et d’intégrer les calculateurs quan-
tiques dans des réseaux. Ils peuvent par
ailleurs opérer à très grande vitesse et ne
souffrent pas de décohérence, hormis les
pertes optiques.
Depuis 2012, des détecteurs à bases de
nano-fils supraconducteurs très efficaces
ont vu le jour et sont maintenant com-
mercialisés (SingleQuantum, PhotonSpot,
QuantumOpus). Cependant, le dévelop-
pement de ces calculateurs optiques a
récemment été freiné par l’absence de
solution technologique viable pour la gé-
nération efficace de photons uniques à
grande échelle. Les méthodes utilisées ont
longtemps consisté à utiliser des sources
de photons annoncés : une paire de pho-
tons est créée de façon aléatoire et la dé-
tection d’un photon de la paire annonce
la présence de l’autre. Ces sources ont
des efficacités intrinsèques limitées aux 1
%, limitant fortement le nombre de qubits
générés par seconde. Par ailleurs, cette
faible efficacité a longtemps conduit à un
compromis entre la qualité des calculs et
leur vitesse.
Ces dernières années ont vu l’émergence
de sources de photons uniques véritables,
à base de boites quantiques semi-conduc-
trices, offrant des efficacités de 30 à
80 %. Développées en 2016, ces sources
ont d’ores et déjà permis de manipuler
7 photons en gagnant 7 ordres de gran-
deur en vitesse par rapport aux sources
annoncées.
236
Figure 13 : illustration d’une source de
photon unique de haute efficacité à base
de boîtes quantiques semi-conductrices
commercialisée depuis 2017 par Quandela,
spin-off issue du CNRS

Par ailleurs, ces nouvelles sources pré-
sentent une grande pureté quantique, in-
dépendamment de leur efficacité, de sorte
que leur utilisation laisse prévoir une très
forte baisse des erreurs dans les calculs
également.
Efficacité énergétique du calcul quantique
On distingue deux types de coût énergé-
tique liés au traitement de l’information
classique : pratique et fondamental. Le
coût pratique est essentiellement causé
par la dissipation des circuits. À l’échelle
du supercalculateur, il est typiquement de
1pJ/bit et comprend le traitement de l’in-
formation et son transfert. À l’échelle du
processeur, ce coût se réduit à 1 fJ/bit.
D’autre part, le coût énergétique fonda-
mental d’un calcul est lié à la nature même
du traitement de l’information, en particu-
lier à son irréversibilité logique : la perte
d’un bit d’information au cours de l’initia-
lisation d’une mémoire ou d’une opération
NAND contribue à la dissipation de l’éner-
gie kTlog(2), qui est de l’ordre d’1 zJ/bit.
Les coûts pratiques peuvent être factori-
sés en travaillant sur le software et l’ar-
chitecture des calculateurs et minimisés
en améliorant les performances du hard-
ware. Réduire les coûts fondamentaux
revient à développer du calcul réversible.
Toutes ces solutions pointent vers le dé-
veloppement des technologies quantiques
de l’information.
Le coût énergétique d’un processeur quan-
tique présente également des causes
pratiques et des causes fondamentales.
Les coûts pratiques impliquent essentiel-
lement le refroidissement et des proces-
seurs ainsi que leur adressage (travail en
cryostat). Les coûts fondamentaux sont
dus aux bruits quantiques, tels que la dé-
cohérence, qui sont sources d’irréversibi-
lité thermodynamique. L’échelle d’éner-
gie typique pour corriger les erreurs dues
au bruit quantique est hν, où ν est la fré-
quence de transition du qubit (de l’ordre
de 10-24J pour des qubits Silicium). Ces
coûts scalent comme le nombre de qubits
physiques utilisés dans un processeur
quantique, ce qui peut rapidement deve-
nir non négligeable dans le cadre du Fault
Tolerant Quantum Computing qui emploie
des millions de qubits.
237

Synergies entre
les trois technologies
et perspectives
1.SYNERGIEINTELLIGENCE
ARTIFICIELLE ET
BLOCKCHAIN
Les algorithmes d’apprentissage tels que le
deep learning ont besoin de se nourrir de gros
volumes de données dont la collecte reste
un vrai défi, car les entreprises et usagers
n’ont pas nécessairement de raisons ni de
désirs de les partager. Or, avec l’arrivée de
data marketplaces basées sur la blockchain,
cette technologie permettra d’accéder facile-
ment à des masses de données et, in fine,
de développer des services basés sur l’IA.
En effet, en tant que registre sécurisé, in-
corruptible, transparent et chronologique
où seuls des ajouts sont possibles (« ap-
pend-only »), la blockchain peut enregistrer
les autorisations de partage de données
requises, par exemple dans le cadre de
« contrats intelligents » (smart contracts)
et permettre des échanges de données à
une échelle encore plus large (en utilisant
par exemple des objets connectés).
Ainsi, l’usager comme l’entreprise pour-
ront stocker leurs données de manière
sécurisée pour mieux en gérer l’accès et
la vente. Les données seront alors moné-
tisées en toute sécurité et leurs proprié-
taires en garderont le contrôle.
240
Technologies
quantiques
Intelligence
artificielle
Blockchain
Quantum
Machine
Learning
Quantum
Blockchain
Synergie IA & Blockchain

2.SYNERGIEINTELLIGENCE
ARTIFICIELLE ET
TECHNOLOGIES
QUANTIQUES
Ces dernières années, des circuits intégrés
destinés à des applications spécifiques
comme les puces neuromorphiques132
et
les unités de calcul ont offert de nouveaux
composants physiques à l’IA. Les ordina-
teurs quantiques feront partie de cette
évolution. En effet, le quantum machine
learning et le recuit quantique seront ces
prochaines années une des applications du
calcul quantique.
« Unsupervised learning had a cata-
lytic effect in reviving interest in deep
learning but has since been oversha-
dowed by the successes of purely su-
pervised learning. […] we expect unsu-
pervised learning to become far more
important in the longer term. Human
and animal learning is largely unsu-
pervised: we discover the structure of
the world by observing it, not by being
told the name of every object. »
YannLeCun,YoshuaBengio&GeoffreyHinton,
«DeepLearning»,Nature,Vol.521,28thMay,2015
132. Julie Grollier, Directrice de recherche à l’Unité mixte de physique CNRS-Thales de Palaiseau, a développé avec ses
collaborateurs le premier nanoneurone artificiel capable de reconnaître 9 chiffres prononcés par différents locuteurs.
Dans les prochaines années, ces nanoneurones magnétiques pourront être interconnectés grâce à des synapses
artificielles, pour mettre au point des machines de calcul de type neuromorphique.
133. Contrairement à l’apprentissage automatique supervisé, où le résultat d’un algorithme est basé sur des données
d’apprentissage «
étiquetées
», l’apprentissage automatique non supervisé offre la possibilité de résoudre des
problèmes complexes en utilisant uniquement des données d’entrée sans le passage par un jeu de données
d’apprentissage (commentaire : on pourrait plutôt dire que le jeu de données d’apprentissage est aussi le jeu de
données de test).
134. Fondée en 2013 par Chad Rigetti (ex-employé d’IBM dans le domaine de l’informatique quantique), la startup a levé
70 millions de dollars avec en figure de proue Andreessen Horowitz comme investisseur.
135. Le clustering, aussi appelé classification non supervisée, est le processus qui permet d’identifier des groupes
homogènes au sein d’un ensemble de données multidimensionnelles. Il est calculé de telle manière que les données
appartenant au même groupe soient les plus similaires possibles les uns des autres, au sens d’un certain critère
de similarité et que les données appartenant à des groupes différents soient les plus dissimilaires possible. Les
algorithmes classiques de clustering sont connus pour leur convergence rapide vers des optimums locaux. Pour
pallier ce problème, le clustering a été reformulé comme un problème d’optimisation et plusieurs métaheuristiques
lui ont été appliquées, tels que les algorithmes génétiques (GA) [2], l’algorithme de colonies de Fourmis (ACO) [3,4]
et l’algorithme d’optimisation par essaim de particules (PSO).
Ces approches utiliseront le phénomène
de physique quantique pour, par exemple,
remplacer les chaînes de Markov dans les
méthodes de Monte-Carlo avec des appli-
cations dans l’évaluation des actifs finan-
ciers et l’évaluation du prix des options ou
encore pour optimiser le rendement d’un
portefeuille d’actifs financiers. L’ordinateur
quantique pourrait aussi faire progresser
l’apprentissage non supervisé133
. Citons
l’équipe de Rigetti Computing134
qui a utilisé
un algorithme hybride quantique/classique
pour la classification non supervisée135
(clustering). IBM, Google, Intel et Microsoft,
ainsi que quelques startups, se sont lan-
cées dans le développement de machines
quantiques qui promettent une nouvelle
ère dans le domaine de l’informatique.
3. SYNERGIE BLOCKCHAIN
ET TECHNOLOGIES
QUANTIQUES
L’arrivée de l’informatique quantique pose
un réel défi en matière de cybersécurité.
Certains pessimistes prévoient même «
la
mort de la blockchain et du bitcoin
». En ef-
fet, les mécanismes cryptographiques, et
en particulier les protocoles de chiffrement
asymétriques, permettent aujourd’hui de
241

sécuriser les communications sécurisées,
les systèmes de paiements, les transac-
tions financières et les monnaies virtuelles
telles que le bitcoin. Ces approches étant
fortement combinatoires, il faut un temps
certain pour casser un code par la «
force
brute
». Pour un ordinateur quantique, ce
décryptage devient réalisable en très peu
de temps, ce qui compromettrait le e-com-
merce et les offres de service de banque en
ligne. Les documents signés électronique-
ment pourront être falsifiés… De plus, cer-
taines cyberattaques telles que les dénis de
service pourraient devenir facilement exé-
cutables avec les technologies quantiques
et auraient un effet démultiplié. Cependant,
avec la cryptographie quantique, il devient
possible d’ajouter une couche quantique au
protocole standard de la blockchain ou de
concevoir une blockchain entièrement quan-
tique (Quantum Blockchain).
Un groupe de chercheurs australiens dans
les technologies quantiques et cryptogra-
phiques, en collaboration avec une équipe
singapourienne, a expliqué136
que l’algorithme
« Elliptic Curve Digital Signature Algorithm » uti-
lisé pour le bitcoin pourrait devenir vulnérable
et les cryptages RSA pourraient être «
crac-
kés
» via l’algorithme de Shor d’ici à dix ans.
« Les protocoles cryptographiques
utilisés actuellement afin de sécu-
riser l’internet et les transactions
financières sont susceptibles de faire
l’objet d’une attaque, en cas de dé-
veloppement d’un ordinateur quan-
tique suffisamment puissant ».
Aggarwal, D., Brennen, G. K., Lee,T., Santha,
M., &Tomamichel, M. (2017)
136. Aggarwal, D., Brennen, G. K., Lee, T., Santha, M., & Tomamichel, M. (2017). Quantum attacks on Bitcoin, and how
to protect against them. arXiv preprint arXiv:1710.10377.
Les attaques par déni de service (DDoS ou
Brute force attack) auraient un effet démulti-
plié par l’utilisation d’ordinateurs quantiques.
Le phénomène physique au cœur de cette
dernière approche s’appelle un enchevêtre-
ment. L’idée est de créer une blockchain
utilisant des particules quantiques enche-
vêtrées dans le temps et donc partageant
la même existence. Cela se produit lors-
qu’elles interagissent au même moment
dans l’espace et dans le temps : la mesure
de l’une influence immédiatement l’autre,
quelle que soit la distance qui les sépare.
L’enchevêtrement garantit la sécurité, car
ce phénomène physique est extrêmement
fragile : une mesure sur une paire de par-
ticules enchevêtrées détruit immédiate-
ment le lien. Donc, si un utilisateur mal-
veillant tente d’interférer avec l’une des
paires, cela est immédiatement évident
pour l’autre. Tout comme les particules
peuvent s’enchevêtrer dans l’espace,
elles peuvent aussi s’enchevêtrer dans le
temps. Ainsi, une particule existant dans
le présent peut être enchevêtrée avec une
autre qui existait dans le passé. Et la me-
sure sur celle-ci influence immédiatement
sa prédécesseure. La chaîne est alors sé-
curisée, car toute personne tentant de la
manipuler l’invalide immédiatement : c’est
l’avantage de l’intrication quantique.
Il est donc fondamental de rester dans le pe-
loton de tête de la compétition internationale
de cette technologie en développant et en
renforçant la recherche et l’industrialisation
ainsi que la formation des compétences spé-
cifiques qui permettront demain de conce-
voir et développer de nouveaux algorithmes
et imaginer de nouvelles applications.
242

Conclusion
S’intéressant à l’ensemble des métiers de
la finance, de l’assurance à la gestion d’ac-
tifs en passant par les banques de réseau
et les fintechs, FINANCE INNOVATION est
un Pôle de compétitivité d’envergure inter-
nationale dont la mission est de favoriser
l’innovation, la recherche et les projets
collaboratifs pour la compétitivité de l’in-
dustrie financière en France et la création
d’emplois. Toujours en quête d’une forte
valeur ajoutée dans son secteur de prédi-
lection, le Pôle est lanceur de projets no-
vateurs et structurants en France et à l’in-
ternational. Pour atteindre ses objectifs,
il publie de manière régulière des livres
blancs identifiant des Domaines d’Innova-
tion Prioritaires, qui font l’objet d’appels à
projets partout sur le territoire, ainsi que
les tendances porteuses du secteur finan-
cier pour encourager l’innovation.
Ce livre blanc a identifié 28 domaines
prioritaires d’innovation qui sont, déjà au-
jourd’hui et encore plus demain, les leviers
majeurs de la compétitivité de l’industrie
financière. Les trois technologies de l’in-
telligence artificielle (IA), de la blockchain
et de l’informatique quantique, à la fois
complémentaires et synergiques, revêtent
chacune un caractère prioritaire à des ho-
rizons temporels différents (aujourd’hui
pour l’IA et la blockchain, plus tard pour le
quantique) du fait de leur importance stra-
tégique pour le développement de l’éco-
système technologique de manière géné-
rale et celui de la finance en particulier.
Un changement global
de paradigme avec une IA
omniprésente
L’IA impacte déjà aujourd’hui tous les mé-
tiers de la finance de manière transver-
sale. Un futur proche montrera l’IA comme
une composante principale de la majorité
des solutions fournies, passant d’un mo-
dèle où l’IA est une addition à la concep-
tion initiale à un modèle IA by design. Il est
nécessaire de se préparer à cette trans-
formation grâce à la recherche et la forma-
tion et en créant la confiance nécessaire à
son utilisation à grande échelle.
La blockchain introduit
de nouveaux modèles
économiques
Les blockchains sont considérées comme
des technologies facilitant la transforma-
tion des modèles de partage entre acteurs
économiques indépendants et permettant
l’apparition de nouveaux business models.
La première utilisation de la blockchain est
la simplification des process en réduisant
le nombre d’intermédiaires et le temps de
traitement des opérations/transactions. Il
est donc primordial de poursuivre la stra-
tégie d’investissement et de développe-
ment de cette technologie de manière à
maintenir et accentuer le leadership dans
les secteurs de la finance au sens large
(banque – assurance – gestion d’actifs –
immobilier – directions financières – éco-
nomie sociale et solidaire) : la France dis-
pose là d’une véritable opportunité avec
les applications blockchain.
Les pouvoirs publics l’ont bien compris en
lui donnant dans la loi PACTE le cadre lé-
gislatif permettant son essor. Il facilitera
l’émergence de plateformes intermédiaires
en crypto-actifs et qui seront leaders mon-
diaux sur les applications métiers.
Pour cela, le pragmatisme guidera certai-
nement les décisions en matière de fisca-
243

lité afin de ne pas freiner une innovation
qui semble aussi disruptive qu’Internet il y
a près de 30 ans.
Demain, les technologies
quantiques…
Il est difficile de préciser aujourd’hui
quand les applications se concrétiseront
au niveau commercial. Les challenges
scientifiques, technologiques et indus-
triels sont nombreux et l’ordinateur quan-
tique universel reste un objectif futuriste.
Au vu du nombre et de la qualité des
équipes qui travaillent sur le sujet dans
le monde entier, on peut néanmoins pen-
ser que les progrès seront significatifs à
court ou moyen terme et que des percées
majeures sont vraisemblables à plus long
terme. Par ailleurs, comme le montre l’ex-
périence passée, il n’est pas nécessaire
qu’une technologie soit complètement au
point et satisfaisante à tous égards pour
s’imposer si elle apporte déjà un avantage
compétitif décisif.
Les systèmes informatiques et de com-
munication occupent une telle place dans
notre société que le développement et la
sécurité de ces nouvelles technologies vont
devenir un enjeu stratégique à l’échelle
des États. Les risques de souveraineté
associés seront comparables à ceux de la
défense des Nations. En témoignent les
investissements colossaux à travers le
monde engagés par des pays comme les
États-Unis ou la Chine, mais également
par des sociétés comme IBM, Google, Mi-
crosoft, à l’instar de ceux réalisés pour
développer les supercalculateurs. Ces
technologies sont perçues comme fonda-
mentales, car elles permettent, à défaut
de fabriquer l’ordinateur quantique univer-
sel à l’échelle industrielle, de développer
des technologies dérivées et complémen-
taires avec des applications industrielles
immédiates et de se positionner comme
leader potentiel des technologies informa-
tiques, de sécurité et de communication
qui ont le potentiel de devenir la norme
dans les deux prochaines décennies.
L’IA, la blockchain et l’informatique quan-
tique ne sont pas seulement individuel-
lement des technologies majeures. Elles
sont aussi complémentaires, le quantique
permettant potentiellement de faire évo-
luer les modèles de calculs de haute per-
formance, la blockchain de transformer
les architectures métiers et l’IA de valori-
ser les modèles de données pour un grand
nombre d’applications en Finance. Ce sont
les synergies entre ces différentes tech-
nologies qui, mises en place sur différents
horizons de temps, vont accentuer l’évolu-
tion des modèles de la finance, probable-
ment progressive, mais possiblement très
disruptive dans des cas spécifiques.
Les 28 DIP identifiés et analysés sont rédi-
gés de façon à tracer une feuille de route
relative à l’évolution des projets et des in-
vestissements pour le développement de
ces technologies fondamentales à la com-
pétitivité de la finance. L’opportunité pour
la France de figurer parmi les leaders en
matière d’innovation en finance est avérée
et notre recommandation est de redoubler
d’efforts dans ce sens. C’est le but prin-
cipal défendu dans ce premier livre blanc
dédié aux nouvelles technologies : il fera
l’objet de travaux complémentaires en
2019-2020 avec des focus sur des mé-
tiers et secteurs spécifiques de la finance,
un benchmark avec d’autres industries
(smart city, santé/prévention, mobilité,
aérospatiale) et des passerelles avec les
autres centres stratégiques d’innovation
dans le monde.
244

570 Asset Management................ 000
Accrma......................................... 000
Addventa...................................... 000
Advestis....................................... 000
Aevatar......................................... 000
Agreement Avocat......................... 000
Ailancy......................................... 000
Aston ITF...................................... 000
Bird & Bird.................................... 000
Blockchain Partner........................ 000
Blue DME..................................... 000
Bolden......................................... 000
Cabinet Michelle Abraham............. 000
Cadre de Vie................................. 000
CDLK Services.............................. 000
Chappuis Halder & Co................... 000
Cowork.io..................................... 000
Devenez Proprio............................ 000
Dreamquark.................................. 000
Drivequant.................................... 000
Elcimaï Financial Software............. 000
Estimeo........................................ 000
Expensya...................................... 000
Fanvoice....................................... 000
Fieldfisher France.......................... 000
Finances & Création...................... 000
Formee......................................... 000
Fortia Financial Solutions............... 000
Garantme..................................... 000
Granada....................................... 000
Homelinks.................................... 000
Immo Factory................................ 000
Icare technologies SAS.................. 000
Incube.......................................... 000
Institut de Recherche
Biomédicale des Armées............... 000
Invivoo......................................... 000
Ixtel............................................. 000
Iznes............................................ 000
Kernix.......................................... 000
Kriptown....................................... 000
Laboratoire Informatique Grenoble
(CNRS-UGA-GINP-INRIA).................. 000
Le partenaire................................ 000
Lexing Alain Bensoussan Avocats... 000
Lingua Custodia............................ 000
Margo.......................................... 000
Mieuxplacer.com........................... 000
Monemprunt.com.......................... 000
Monuma....................................... 000
Mydataball.................................... 000
Napoleon Index............................. 000
Nephelai....................................... 000
Netheos....................................... 000
OneWealthPlace............................ 000
Oze Energies................................ 000
Paylead........................................ 000
+Simple.fr.................................... 000
Quard........................................... 000
Quantcube Technology................... 000
Quantic Technologies..................... 000
Real Quality Rating........................ 000
Secure-IC...................................... 000
Serendptech................................. 000
Shift Technology............................ 000
SIS.............................................. 000
Stratumn...................................... 000
Tacotax.........................................000
Testamento.................................. 000
The Independant Calculation Agent.. 000
Tiime............................................ 000
Treezor......................................... 000
Uniris........................................... 000
Unkle........................................... 000
Utocat.......................................... 000
Variabl..........................................000
Vialink.......................................... 000
Wizi-Tyrell SAS.............................. 000
Xbrain.......................................... 000
Yesaccount...................................000
Youse...........................................000
Zelros.......................................... 000
Répertoire
des entreprises
570 Asset Management................ 248
Accrma......................................... 248
Addventa...................................... 249
Advestis....................................... 249
Aevatar......................................... 250
Agreement Avocat......................... 250
Ailancy......................................... 251
Aston ITF...................................... 251
Bird & Bird.................................... 252
Blockchain Partner........................ 252
Blue DME..................................... 253
Bolden......................................... 253
Cabinet Michelle Abraham............. 254
Cadre de Vie................................. 254
CDLK Services.............................. 255
Chappuis Halder & Co................... 255
Cowork.io..................................... 256
Devenez Proprio............................ 256
Dreamquark.................................. 257
Drivequant.................................... 257
Elcimaï Financial Software............. 258
Estimeo........................................ 258
Expensya...................................... 259
Fanvoice....................................... 259
Fieldfisher France.......................... 260
Finances & Création...................... 260
Formee......................................... 261
Fortia Financial Solutions............... 261
Garantme..................................... 262
Granada....................................... 262
Homelinks.................................... 263
Immo Factory................................ 263
Icare technologies SAS.................. 264
Incube.......................................... 264
Institut de Recherche
Biomédicale des Armées............... 265
Invivoo......................................... 265
Ixtel............................................. 266
Iznes............................................ 266
Kernix.......................................... 267
Kriptown....................................... 267
Laboratoire Informatique Grenoble
(CNRS-UGA-GINP-INRIA).................. 268
Le partenaire................................ 268
Lexing Alain Bensoussan Avocats.... 269
Lingua Custodia............................ 269
Margo.......................................... 270
Mieuxplacer.com........................... 270
Monemprunt.com.......................... 271
Monuma....................................... 271
Mydataball.................................... 272
Napoleon Index............................. 272
Nephelai....................................... 273
Netheos....................................... 273
OneWealthPlace............................ 274
Oze Energies................................ 274
Paylead........................................ 275
+Simple.fr.................................... 275
Quard........................................... 276
Quantcube Technology................... 276
Quantic Technologies..................... 277
Real Quality Rating........................ 277
Secure-IC...................................... 278
Serendptech................................. 278
Shift Technology............................ 279
SIS.............................................. 279
Stratumn...................................... 280
Tacotax.........................................280
Testamento.................................. 281
The Independant Calculation Agent.... 281
Tiime............................................ 282
Treezor......................................... 282
Uniris........................................... 283
Unkle........................................... 283
Utocat.......................................... 284
Variabl..........................................284
Vialink.......................................... 285
Wizi-Tyrell SAS.............................. 285
Xbrain.......................................... 286
Yesaccount...................................286
Youse...........................................287
Zelros.......................................... 287

570 ASSET MANAGEMENT
Anass PATEL - Président
06 84 48 91 86 – anass.patel@groupe570.com
Spécialisée dans le développement et la distribution de
produits financiers conformes à l’éthique musulmane et
en lien avec les valeurs de la finance responsable.
44, rue Poliveau, 75005 Paris
www.570easi.com
www.linkedin.com/company/groupe-570
Chiffres-clés
Date de création : 2011
Effectif en 2018 : 14
CA en 2018 : > 1 M€
Statut juridique : SAS
Projet(s) labellisé(s) : Home Easi et Peace
Pays d’implantation : France, Luxembourg, Belgique
Mission et offres
Marchés cibles : épargne et crédit éthiques pour les per-
sonnes physiques et morales. Plateformes Fintech labelli-
sées de structuration et d’origination de produits de finan-
cement et placement en faveur de l’accession à la propriété
(570easi) et de l’épargne responsable (fair invest).
Expertise et savoir-faire
Structuration financière, gestion d’actifs, technologie de
plateforme fintech.
Marchés visés
Accédants à la propriété, épargnants et toutes entités
en recherche d’une alternative de produits financiers du-
rables, adossés à des actifs réels, loin de toute spécula-
tion. À la convergence de la finance participative et de l’in-
vestissement socialement responsable sur les marchés
francophones.
Solutions/produits innovants
Crédit immobilier sous forme de crédit-vendeur, épargne
sous forme de SCPI ISR, services financiers sous forme
d’application mobile (coach digital) et de solutions d’enre-
gistrement distribué (blockchain).
ACCRMA
Olivier BLANDIN – Président
+ 33 6 17 72 07 07 – o.blandin@accrma.fr
Assurance courtage conseil risk management – Assureur
de niche en risques d’entreprises.
1, rue Ménard, 78000 Versailles
www.accrma.fr
www.linkedin.com/in/olivierblandin
Chiffres-clés
Date de création : mai 2013
Statut juridique : SASU
Pays d’implantation : France
Mission et offres
Marchés cibles : B2B
Description du produit/service : Accompagnement des
TPE/Startup/PME sur les risques d’entreprise avec un
zoom particulier sur les lignes financières de type respon-
sabilité civile professionnelle, mais aussi l’assurance des
cyber risques ou l’assurance homme clé.
Diagnostic et proposition de solutions (packages ou contrat
stand alone), approche de groupes Affinitaires partageant
même activités, appartenance ou centres d’intérêt : Alumni
Grandes Écoles, Start-Up, Clients Entreprises de Portage
salarial, Sociétés membres d’une Franchise, Espaces de
coworking…
Objectifs : Créer des programmes d’assurance sur me-
sure d’accompagnement de la promesse client.
Marchés visés
Marché des TPE (2,7 M), Startup, PME.
Offres packagées (sur mesure) bâties avec Assureurs de
premier rang (Français et/ou Internationaux), en Dom-
mages (exemple assurances Franchiseurs) ou en Assu-
rances de personnes (Homme clé – Garanties croisées).
248

ADDVENTA
Serge BAUDIN – Président
+33 1 82 83 33 99 – serge.baudin@addventa.com
Solutions d’intelligence artificielle pour les métiers de la
finance et les administrations.
74, rue de la Tour, 75116 Paris
www.addventa.com
www.linkedin.com/company/addventa
Chiffres-clés
CA en 2018 : 2,5 M€
Projet(s) labellisé(s) : SCRIBE.AM
Pays d’implantation : France. Clients en France, Alle-
magne, Luxembourg, Suisse.
Mission et offres
Marchés cibles : Sociétés financières et administrations.
Description du produit/service : Addventa réalise pour de
grands acteurs du secteur financier des solutions métier
tirant profit des innovations en intelligence artificielle (trai-
tement automatique du langage naturel, machine learning,
agents cognitifs).
Expertise fonctionnelle et technique pour réaliser des so-
lutions opérationnelles qui s’inscrivent dans des projets
de transformation à fort enjeux économique ou réglemen-
taire :
• augmentation des revenus ;
• amélioration de la productivité ;
• réduction des coûts ;
• conformité.
Marchés visés
La banque de détail, la banque privée, la gestion d’actifs,
la banque d’investissement, le juridique, les risques et la
conformité.
• Scribe.am : rédacteur numérique des commentaires de la
performance des fonds d’investissement ;
• Scribe.pm : reporting commercial de la performance des
entités des réseaux d’agences bancaires ;
• Assistant juridique numérique : pour définir instantané-
ment le contexte réglementaire des campagnes marke-
ting ;
• Rédacteur numérique d’analyses des risques de contre-
partie ;
• Rédacteur numérique de conventions bancaires de
banque privée ;
• Rédacteur numérique de recommandation d’arbitrage
pour les clients de la banque privée.
ADVESTIS
Christophe GEISSLER – Président
06 08 60 46 14 – cgeissler@advestis.com
Intelligence artificielle pour la gestion de portefeuille.
69, boulevard Haussmann, 75008 Paris
www.advestis.com
Chiffres-clés
CA en 2018 : 800 K€
Projet(s) labellisé(s) : Machine learning appliqué aux mé-
triques ESG des sociétés cotées.
Pays d’implantation : France.
Mission et offres
Marchés cibles : B2B.
Description du produit/service : Advestis décline son ac-
tivité en deux modalités :
• Conseil aux investisseurs (institutionnels, sociétés de
gestion), sur l’optimisation de l’usage de leurs données
grâce à l’intelligence artificielle;
• Partenariats de gestion systématique sur mesure outil-
lés par l’IA, appliqués à la sélection d’actions, à l’allo-
cation d’actifs et à l’investissement global macro.
Advestis s’est spécialisé dès 2013 dans les applications
de l’Intelligence artificielle interprétable. Loin de cher-
cher à concurrencer les gérants, notre approche est au
contraire d’installer en pleine coopération avec les utili-
sateurs des process de gestion automatisés, adaptés à
leurs contraintes de portefeuille et aux sources de don-
nées dont ils/elles disposent. Les recommandations
d’investissement sont restituées grâce à une interface
graphique innovante. Advestis conseille depuis 2013 un
fonds obligataire pour la gestion quotidienne de sa dura-
tion. La performance des recommandations a été positive
pour les 6 années de 2013 à 2018 inclus.
Marchés visés
Advestis s’adresse exclusivement à des clients investis-
seurs professionnels, tels que des sociétés de gestion ou
des investisseurs institutionnels.
Création de surperformance nette pour des fonds d’inves-
tissement grâce à un traitement des innovant des don-
nées basé sur un large spectre de techniques d’IA.
249

ÆVATAR
Serge KRYWYK - Président
+33 6 47 82 02 34 - serge.krywyk@aevatar.com
La SCIC ÆVATAR®
conçoit, produit et opère une plateforme
coopérative de gestion d’identité numérique souveraine de
niveau substantiel à élevé.
16, Place de la Bourse, Palais Brongniart, 75002 Paris
www.aevatar.com
Chiffres-clés
Date de création : 16 janvier 2017
Statut juridique : Société Coopérative d’Intérêt Collectif (SCIC)
Mission et offres
Marchés cibles : B2C
Description du produit/service : accessible via une applica-
tion dont l’accès est sécurisé par un agent conversationnel
biométrique multifacteurs (selfie dynamique, vidéo, audio et
comportemental), la plateforme Ævatar®
de gestion d’iden-
tité numérique permet la création, par son utilisateur, d’un
porte-identités (ID wallet) mobile. La plateforme est conçue
pour faciliter la conformité des entreprises aux exigences des
réglementations européennes sur l’identité numérique (eI-
DAS2+, Attribute-Based Credentials/Verifiable Claims), sur la
protection des données personnelles (RGPD, GDPR, république
numérique) et les services de paiements (DSP2, AML-D4/5).
Les dirigeants d’ÆVATAR®
sont des experts de la gestion
des identités et des données, tant en termes de conception,
d’architecture et de plateformes, de sécurité et de conformité
réglementaire, de développement commercial international,
d’intelligence artificielle, que d’intégration dans la Blockchain.
Marchés visés
Gestion de l’identité numérique, protection des données
personnelles, services de paiements.
La solution Ævatar®
inclut quatre produits :
• MyÆvatar®, une application de porte-identité qui gé-
nère des tokens biométriques multifacteurs valables
qu’une seule fois (Biometric-One-Time-Token, BOTT),
pour authentifier de façon forte et facile les citoyens
dans leurs transactions de la vie quotidienne.
• Ævatar® Enterprise, une API ouverte, conforme aux envi-
ronnements IAM du marché, qui gère les interactions entre
l’application MyÆvatar® et les serveurs des entreprises.
• MyÆvatar® Room, le Personal Data Sore (PDS) qui se
veut un coffre-fort de données personnelles qui reste
sous le contrôle de l’utilisateur.
• My Ævatar® card, une carte, avec ou sans puce, sous le
contrôle exclusif de l’utilisateur qui stocke les preuves bio-
métriques de référence (le gabarit) et à partir desquelles
l’authentification forte biométrique à deux facteurs est réali-
sée selon un mode «
Match on Card
» ou «
Match On Code
».
La plateforme Ævatar® (proposée en marque blanche) fédère les
meilleurestechnologiesdeCybersécuritéetdeCyberPrivacydumar-
ché en termes de biométrie (Id3 technologies et Tiempo Secure),
de gestion de la vie privée (CryptoExperts, leader des ABC4Trust.
eu et de WhiteBox), de conteneurs optiques sécurisés de données
(Advanced Track & Trace), de systèmes de Vision Biométrique (MO-
DIvision), de validation de documents officiels (SURYS/KEESING)
et de Signature électronique Distribuée (DPKI)… Pour la parfaite
conformitéauxbonnespratiquesetauxréglementationsenmatière
de Cybersécurité et CyberPrivacy, Ævatar®
fait appel respectivement
à O’SERVICE2 et à la société d’avocats CAPRIOLI & Associés.
AGREEMENT AVOCAT
Jérôme DUPRÉ – Avocat, Docteur en droit
02 40 73 84 11 – contact@agreement-avocat.com
Cabinet d’avocat intervenant principalement en droit du
numérique et des données personnelles.
10, rue Gaëtan Rondeau
www.agreement-avocat.com
Twitter : @AgreementAvocat
Chiffres-clés
Mission et offres
Description du produit/service : Agreement Avocat vous
accompagne dans les domaines suivants : Intelligence
artificielle, robotique, données personnelles (RGPD), IoT,
cybersécurité, réalité virtuelle, big data, cloud, licence et
maintenance de logiciels, développements spécifiques,
contrats informatiques.
Droit des contrats, droit du numérique, conseil juridique,
contentieux civil et commercial, rédaction et négociation de
contrats, élaboration d’une stratégie juridique, médiation.
Marchés visés
Entreprises.
Utilisation de la solution Case Law Analytics.
250

ASTON ITF
Amaury DE LA LANCE – Président fondateur
03 83 46 46 03 – a.delalance@astonitf.com
Fintech BtoB, Plateforme SaaS de Credit Management
et de Financement du poste clients
4, rue Piroux, 54000 Nancy
www.astonitf.com
www.linkedin.com/company/aston-itrade-finance
Chiffres-clés
Projet(s) labellisé(s) : Aston iTF FINTECH de l’année 2015
Pays d’implantation : France + 40 % du chiffre à l’export
Mission et offres
Description du produit/service : Agreement Avocat vous
accompagne dans les domaines+ de CASH + VITE grâce
au Cloud et à l’IA.
Pour les Entreprises : plateforme IT d’optimisation du
poste clients :
• Analyse intelligente du poste clients ;
• Scoring du comportement de paiement des clients ;
• Automatisation intelligente du recouvrement ;
• Assistant digital pour l’Assurance-Crédit & Affacturage.
Pour les Banques : plateforme IT clés en main de finance-
ment à la facture :
• Portail client – Front office : Parcours 100 % digital KYC
– Signature contrat - Financement…
• Back Office complet pour la Banque : scoring AI, finance-
ment, assurance credit, relance...
Aston iTF amène au marché 3 expertises clés :
•
Métier : credit management, recouvrement, poste
clients et son ecosystème (Assurance, Crédit, Affactu-
rage, …) ;
• Technologique : full cloud, solutions SaaS, IA et Big
Data;
• Clients : une très forte expérience de nos talents pour
les grands comptes, les PMEs et les institutions ban-
caires.
Marchés visés
Entreprises B2B de toute taille de la TPE au Grand groupe
souhaitant optimiser son BFR, sa Trésorerie et son poste
clients. Banque et institutions Financières souhaitant ac-
célérer leur Time To Market sur le marché du financement
à la facture ou de l’e-dailly.
Retrouvez toutes nos actualités et nos offres : www.astonitf.com.
251
AILANCY
Thibaut DE LAJUDIE – Associé
Business Team Investment Services et Asset Management
+33 6 60 59 21 31 - thibaut.delajudie@ailancy.com
Ailancy est un cabinet de conseil en organisation et ma-
nagement spécialisé dans l’industrie financière. Ailancy
a développé une expertise spécifique sur la transforma-
tion digitale, les Fintech et les nouvelles technologies,
notamment la Blockchain.
32, rue de Ponthieu, 75008 Paris
www.ailancy.com
www.linkedin.com/company/ailancy/
www.twitter.com/AilancyConseil
Chiffres-clés
CA en 2018 : 18 M€
Pays d’implantation : France (Siège) et Maroc
Mission et offres
Ailancy vous apporte une vision extérieure, indépendante
et objective. Nous vous accompagnons en France et à l’in-
ternational pour préparer l’avenir et piloter le changement.
Un conseil personnalisé et une approche pragmatique
nous permettent d’identifier les décisions stratégiques et
d’orchestrer les opérations terrain, dans des environne-
ments complexes.

BLOCKCHAIN PARTNER
Alexandre Stachtchenko – Directeur Général
06 62 29 78 01 – claire@blokchainpartner.fr
Blockchain Partner est le leader français de l’accompa-
gnement sur les technologies blockchain et crypto-actifs.
43, avenue de la république, 75011 Paris
www.blockchainpartner.fr
www.linkedin.com/company/blockchainpartner/
Chiffres-clés
CA en 2018 : 1,1 M€
Mission et offres
Description du produit/service : La startup aide les en-
treprises (BNP Paribas, Aéroports de Paris…) et les insti-
tutions publiques (Banque de France, État de Genève…) à
explorer et déployer les technologies et crypto-actifs, en
s’appuyant sur un tripôle d’expertises - stratégie, tech-
nique, légal - unique en France. Blockchain Partner accom-
pagne également des projets d’ICO dans l’ensemble des
dimensions de ces opérations, et a développé une exper-
tise en token-design.
Blockchain Partner a accompagné près d’1/3 des en-
treprises du CAC40 dans leur découverte, exploration et
application des technologies blockchain. Notre équipe a
accompagné les premières entreprises en France qui ont
commencé à travailler sur la blockchain (BNP Paribas)
ainsi que les premières institutions publiques (Banque de
France à partir de 2016). Nous avons mis en production
l’un des premiers projets blockchain en France (Banque
de France). Blockchain Partner accompagne par ailleurs
des porteurs de projets d’ICO (Initial Coin Offering) dans
leur opération de levée, sur leurs besoins stratégiques,
techniques, juridiques et marketing.
Marchés visés
Description (300 caractères max, espaces compris) :
Nous souhaitons continuer à accompagner les entre-
prises, les institutions publiques et les porteurs de projet
ICO en renforçant notre tripôle d’expertises (architecture,
sécurité, mise en conformité...) et en proposant des ser-
vices clefs en main (assurance retard, certification de
documents…). Nous prévoyons également une expansion
à l’international, d’abord dans des marchés cibles euro-
péens (Londres, Berlin…) et éventuellement des hubs
asiatiques des blockchains (Hong Kong, Singapour…).
Notre produit Datatrust (datatrust.fr) permet de certifier l’in-
tégrité d’un document et de l’horodater sur la Blockchain.
Les avantages :
• Sécurisé : Les données ne sont pas directement stoc-
kées sur la blockchain, seule son empreinte numérique
l’est. Une fois inscrite, cette dernière ne peut être ni
modifiée ni supprimée ;
• Rapide : En moins de 24 heures, votre fichier est certifié
et en quelques clics, son certificat peut être téléchargé
au format PDF ;
• Simple : La certification de vos fichiers numériques et
leur vérification par vos interlocuteurs se font en quelques
clics.
BIRD & BIRD AARPI
Benjamine FIEDLER - Managing Partner
+33 1 42 68 60 00 - benjamine.fiedler@twobirds.com
Cabinet d’avocats – Conseil en matière de droit euro-
péen et droit de la concurrence, droit de la propriété
intellectuelle et des nouvelles technologies, de conten-
tieux, de droit social, de droit bancaire et financier et de
droit immobilier.
3, Square Edouard VII, 75009 Paris
www.twobirds.com
fr.linkedin.com/company/bird-&-bird-llp
twitter.com/twobirds
Chiffres-clés
Date de création : 1er
janvier 1999
Effectif en 2018 : 26 associés, 80 avocats, 72 salariés
CA en 2018 : 34 989 826 €
Statut juridique : AARPI
Mission et offres
L’implication de longue date du cabinet dans le domaine
des technologies nous a permis de développer une pra-
tique centrée sur l’interaction complexe entre la réglemen-
tation bancaire et financière et la législation en matière de
TIC et de cybersécurité. Depuis de nombreuses années,
nous œuvrons pour le développement des services ban-
caires et financiers en ligne et mobiles, du paiement mo-
bile, du financement participatif, de la monnaie virtuelle et
autres solutions bancaires et systèmes de paiement inno-
vants. En outre, nous fournissons l’assistance nécessaire
à nos clients concernant les exigences et réglementations
strictes qui s’appliquent dans de nombreux pays.
Marchés visés
Nous conseillons un grand nombre de clients renommés,
qu’il s’agisse d’acteurs mondiaux, de startups ou d’inves-
tisseurs, sur les aspects réglementaires, juridiques du
développement commercial de leurs activités liées aux
FinTech.
• Applications & internet des objets ;
• Plateformes de paiement numériques ;
• Nouveaux modèles de financement ;
• Investissement dans les fintech ;
• RegTech, LCB-FT et identités électroniques ;
• Réglementation conformité ;
• Gestion des risques ;
• Analyse des données, BigData, confidentialité et secret
bancaire ;
• Cybersécurité ;
• Cloud computing ;
• Blockchain.
252

BOLDEN
Tristan GRUÉ – Founder & CEO
01 80 04 10 39 – contact@bolden.fr
Bolden est une plateforme de référence du financement
alternatif des PME. Notre mission : accélérer la crois-
sance des entreprises avec des prêts rapides et flexibles.
9, rue Christophe Colomb
www.bolden.fr
www.linkedin.com/company/bolden-fr
Chiffres-clés
Projet(s) labellisé(s) : Scoring crédit semi-automatisé
Mission et offres
Description du produit/service : Bolden propose aux en-
treprises, artisans, professions libérales et franchisés
d’accéder à des solutions de financement spécialisé pour
accélérer leur développement de façon simple, rapide et
flexible.
Un scoring credit robuste et évolutif : notre arbre de dé-
cision propriétaire analyse automatiquement plus de 400
variables. Nous combinons de façon unique des données
d’Altares, de la Banque de France et de dizaines d’autres
sources de données supplémentaires.
Marchés visés
Il est parfois compliqué pour les TPE/PME d'obtenir des
financements pour leurs besoins de fonds de roulement
et leurs projets de développement, les acteurs classiques
du financement étant de plus en plus frileux et déshuma-
nisés. Bolden est la plateforme de financement de ces
professionnels.
Bolden Advance est un crédit court terme, amortissable et
à taux fixe, qui répond à tous les besoins de trésorerie des
entreprises avec plus de flexibilité qu’un découvert ban-
caire classique. Les analyses financières Bolden sont plus
rapides et plus souples que les analyses traditionnelles
grâce à notre scoring credit évolutif et notre arbre de déci-
sion propriétaire. Elles nous permettent de répondre aux
besoins des emprunteurs avec la plus grande réactivité.
BLUE DME
Cédric MORA – Directeur Marketing et Produit
06 10 99 02 92 – cmora@bluedme.com
Blue DME créé l’assistant virtuel du «
commercial aug-
menté
» : des actions personnalisées lui sont proposées
pour conclure des ventes, changer un prix produit ou en-
voyer un message promotionnel.
31, rue du Pont, 92 200, Neuilly-sur-Seine
www.bluedme.com
fr.linkedin.com/company/blue-dme
Chiffres-clés
Date de création : Avril 2015
CA en 2018 : 925 000
Projet(s) labellisé(s) : Data Exchange
Mission et offres
Marchés cibles : Entreprises B2C avec un cycle de vente
long/complexe avec un focus sur les secteurs Assurance,
Automobile, Immobilier et Voyage. Nous visons les PME
avec une offre starter (sources de données standards)
et les ETI/Grands groupes (sources de données et algo-
rithmes prédictifs pouvant être spécifiques).
Description du produit/service : Blue DME permet d’aider
les commerciaux à mieux vendre en leur donnant accès
à des informations prédictives sur les meilleurs clients à
contacter, à quel moment et leur proposer les meilleurs
produits au bon prix. Le commercial devient un «
commer-
cial augmenté
» qui est donc aidé au quotidien par un as-
sistant virtuel qui lui apporte cette aide à la décision et
s’adapte à sa façon de travailler.
Blue DME a développé des compétences sur les sujets suivants :
•
Business : assistants virtuels/co-bots, vente intelli-
gente, efficacité opérationnelle, commercial augmenté,
conseiller augmenté ;
• Technologies : machine learning, technologies hadoop/
Spark/Spark streaming, analyse de données temps reel,
matching multi-sources, big data, intelligence artificielle.
Marchés visés
Description (300 caractères max, espaces compris) :
Entreprises B2C avec un cycle de vente long/complexe
avec un focus sur les secteurs Assurance, Automobile,
Immobilier et Voyage. Nous visons les PME avec une offre
starter (sources de données standards) et les ETI/Grands
groupes (sources de données et algorithmes prédictifs
pouvant être spécifiques).
Blue DME propose une solution Smart Selling en mode SaaS
permettant d’enrichir les applications existantes des commer-
ciaux à partir de l’ensemble de données clients, données in-
ternes et données du marché pour proposer des «
insights
» :
informations prédictives sur les meilleurs clients à contacter,
à quel moment et leur proposer les meilleurs produits au bon
prix. Ces «
insights
» sont ensuite disponibles dans les inter-
faces existantes des équipes commerciales (intégration avec
notre API) : CRM, applications smartphone, Gestion de leads,
etc. Nous innovons aussi sur la création de nouvelles inter-
faces vendeurs pour leur donner en temps réel leurs «
Next
Best Actions
» (meilleures prochaines actions) : application
smartphone, extension navigateur pour Salesforce, etc. ou
simplement pousser des notifications.
253

CABINET
MICHELLE ABRAHAM
Michelle ABRAHAM - Président, Avocat
01 85 08 80 40 – contact@cabinetmichelleabraham.fr
Cabinet d’affaires intervenant dans le domaine des
blockchains et crypto-actifs.
2, rue Villaret de Joyeuse, 75017 Paris
www.cabinetmichelleabraham.fr
www.linkedin.com/in/michelle-abraham-7b45521
Chiffres-clés
Date de création : février 2016
Statut juridique : SELAS
Mission et offres
Marchés cibles : B2B, B2C en France et à l’étranger.
Description du produit/service : Prestations juridiques en
droit des affaires, droit des sociétés et dans le secteur
des blockchains et crypto-actifs.
Droit des affaires, droit des sociétés et dans le secteur
des blockchains et crypto-actifs. Rédactions d’articles en
français et en anglais sur le domaine des blockchains et
crypto-actifs. Michelle Abraham est membre de plusieurs
associations spécialisées dans la blockchain et les cryp-
to-actifs (Chaintech, le Cercle du Coin, le comité blockchain
de l’AFNOR). Elle donne des cours dans différentes univer-
sités et écoles de commerce sur les blockchains et en
droit des sociétés.
Marchés visés
Sociétés françaises et étrangères souhaitant s’implanter
en France.
CADRE DEVIE
Stéphane VIE – CEO
06 14 64 85 97 - svie@cadredevie.fr
Cadre de Vie aide les marques du changement de loge-
ment à détecter qui parmi leurs internautes est sur le
point de changer de domicile.
6, rue du lavoir, 69 650 Saint-Germain au Mont d’Or
www.cadredevie.fr
www.linkedin.com/company/cadredevie
Chiffres-clés
CA en 2018 : 350 K€
Mission et offres
Description du produit/service : Notre mission : l’engage-
ment client pour les grandes marques lors des moments
de vie. Nous aidons les grandes marques (banque, assu-
rance, énergie, télécoms, commerce, travaux …) à fidéliser
leurs clients lorsqu’ils changent de domicile, grâce à une
plateforme API innovante qui détecte et qualifie les foyers
susceptibles de déménager. Pour cela, nous proposons aux
3 millions de foyers qui changent de domicile tous les ans
et qui visitent les sites de ces marques plusieurs services
pertinents et des contenus qui les intéressent vraiment, en
lien avec leur projet et leur futur logement. Nous leur donnons
accès à des annonces immobilières de qualité, et plus pré-
cisément à la majorité des mandats exclusifs signés par les
professionnels de l’immobilier en France. Un mandat exclu-
sif permet au propriétaire qui vend son logement d’avoir une
vraie relation de confiance avec son agence immobilière. Pour
l’acheteur, l’expérience utilisateur sera meilleure puisque le
logement en question sera géolocalisé précisément sur une
carte. Ces services prennent la forme d’un portail immobilier,
derrière lequel nous avons construit une plateforme d’inté-
gration complète de datas et services pour une diffusion via
des API sur les sites des grandes marques du changement
de domicile. Visitez : – notre plateforme d’engagement clients
avec diffusion multisites : www.cadredevie.fr – le site des
propriétaires mandants : www.mandatsexclusifs.fr – l’espace
immobilier de BNP Paribas, intégrant la plateforme Cadre de
Vie : https://mabanque.bnpparibas/fr/notre-offre/credits/
credits-immobiliers.
IA/API/cartographie/RGPD.
Marchés visés
Nos marchés sont les marques du changement de logement
qui peuvent perdre jusqu’à 50 % durant ce moment de vie :
• Banques ;
• Assurances ;
• Énergie ;
• FAI.
Nos API sont réparties selon 4 familles :
•
Recherche immobilière (géolocalisation, recherche par
temps de trajet, éligibilité des logements au haut débit…) ;
• Accompagnement (inspiration…) ;
• Financement ;
• Bons plans.
254

CDLK SERVICES
Benoît GRUET – CEO & Co-Fondateur
+33 (0)6 03 42 69 61 – benoit.gruet@cdlkservices.com
Spécialiste de la transformation de données transaction-
nelles en cas d’usages pour la banque.
28, rue du Panorama, 78100 Saint-Germain-en-Laye
www.cdlkservices.com
LinkedIn ou autre :
www.linkedin.com/company/cardlink%27in
www.twitter.com/cdlkservices?lang=fr
Chiffres-clés
CA en 2018 : 570 K€
Projet(s) labellisé(s) : PDMP
Mission et offres
Marchés cibles : Notre marché B2B cible l’innovation des
services digitaux dans le domaine des banques de détail,
avec des solutions destinées, in fine, aux différents seg-
ments de clientèle de la banque : particuliers, profession-
nels, entreprises.
Description du produit/service : CDLK propose aux
banques d’accélérer leur transition digitale grâce à une
solution technologique de type Big Data combinant algo-
rithmes & machine learning (AI). Le principe vise à trans-
former la donnée brute de paiement en nouveaux services
à valeur ajoutée.
CDLK a développé une solution technologique unique sur
le marché, la PDMP (Payment Data Management Platform),
capable de de traiter des millions de transactions chaque
jour pour identifier, géolocaliser et catégoriser précisément
les dépenses carte bancaire. Plus précisément, il s’agit
d’une technologie de retraitement des données moné-
tiques de type machine-learning. Cette solution adresse
la problématique, pour une banque, de l’exploitabilité de
la data transactionnelle dans le cadre de l’innovation de
type PIVAS (Payment Information Value Added Services ©
Gartner). La solution CDLK vient ainsi identifier précisément
la signature monétique des commerces en croisant diffé-
rentes sources monétiques avec des données externes,
permettant de faire progresser notamment le taux de com-
plétude de la catégorisation des dépenses d'environ 65% à
plus de 99 %. Pour le marché français, à partir d'une base
de plus 3 millions de signatures monétiques, la PDMP crée
un référentiel marchand d'environ 1,2 millions de points de
vente. Ce référentiel marchand est rafraichi quotidienne-
ment grâce aux traitements des flux monétiques bruts par
la plateforme CDLK. Grâce à ce travail de raffinage et d’enri-
chissement des données monétiques brutes, la PDMP per-
met aux banques de proposer de nouveaux services utiles
à leurs clients particuliers et commerçants.
Marchés visés
Notre cœur de cible sont les banques de détail émettant
un volume significatif de porteurs de cartes, prioritaire-
ment sur le marché français (+ de 70 Millions essentiel-
lement détenus par 7 Enseignes) dans un premier temps.
En cible secondaire viennent les néo-banques et tous
autres émetteurs de titres de paiement.
CHAPPUIS HALDER & CO.
Stéphane EYRAUD – CEO
+33 1 75 77 27 80 – seyraud@chappuishalder.com
Augmented consulting for financial services.
20, rue de la Michodière, 75002 Paris
www.chappuishalder.com
Chiffres-clés
Pays d’implantation : Genève, Paris, Londres, Singapour,
Hong-Kong, Montreal, New-York, Budapest, Francfort
Mission et offres
Marchés cibles : Institutions financières. Nous comptons
parmi nos clients les plus grands groupes bancaires eu-
ropéens (retail, CIB, gestion de fortune), de l’assurance,
des security services (pré et post trade), de l’asset ma-
nagement et des fonds d’investissement alternatifs (real
estate et private equity).
Description du produit/service : Nous proposons à nos
clients le meilleur du conseil en management, de l’inno-
vation et de l’expertise des services financiers avec 3
practices (Biz Dev & Transformation, Finance Risk & Com-
pliance, et Data, Tech & Cyber Security), 2 Centres d’Ex-
pertise et notre solution Augmented Consulting.
Nous avons construit deux pôles d’expertise internes en
matière de modélisation des risques (Global Research &
Analytics) et dans le domaine de la réglementation et de
la compliance (Regulatory Watchtower).
Marchés visés
Notre ambition est de devenir le conseil préféré des orga-
nisations financières qui, en mobilisant des capacités nou-
velles, sera en capacité de créer à leurs côtés les services
financiers utiles de demain.
Nous proposons aujourd’hui l’offre Augmented Consul-
ting pour apporter des solutions d’innovation sur-mesure,
clef en main et dans un délai court à nos clients. Nos
équipes intègrent des experts du conseil en management
et de la technologie (développeurs au sein de notre propre
Lab, fintech, partenaires) ainsi que des méthodologies
dédiées pour accompagner les clients à chaque étape
de leur transformation. Couvrant le cycle de l’idéation au
marché, notre écosystème s’appuie sur un accélérateur,
Alpha, notre Lab à Budapest dédié au prototypage de solu-
tions technologiques et la CH Alliance, notre réseau com-
posé de 300 experts dans le monde. Quelques produits
innovants issus de notre Lab et de l’accélérateur Alpha
: Coqonut, le service de gestion de portefeuille en crypto-
monnaies (disponible sur Android et Appstore), ou encore
le service d’analyse des communications HighwaytoMail.
255

DEVENEZ PROPRIO
Ludovic LABORDE – Directeur Général
06 42 17 58 33 – l.laborde@devenez-proprio.fr
Devenez Proprio est l’unique plateforme de dons qui
favorise l’accession à la propriété via la love money.
8, quai de la Madeleine, 45000 Orléans
www.devenez-proprio.fr
Chiffres-clés
CA en 2018 : + 140 k€
Mission et offres
Marchés cibles : B2C
Description du produit/service : Devenez Proprio est une
plateforme de financement participatif à destination des
particuliers qui leur permet de réduire leur endettement
et/ou d’augmenter leur capacité d’emprunt.
Devenez Proprio propose aux particuliers d’ouvrir une ca-
gnotte immobilière afin d’obtenir son prêt immobilier avec
de meilleures conditions. Acheter son bien immobilier est
un réel évènement de vie que l’on partage avec son entou-
rage. Il est donc tout naturel que ceux qui vous sont chers
puissent y participer en contribuant à votre cagnotte
!
Comme une liste de mariage ou une crémaillère, votre fa-
mille, vos amis, vos collègues... deviennent de véritables
alliés dans la réalisation de votre projet immobilier. Ce
nouvel accompagnement solidaire répond à un double ob-
jectif :
• Réduire son endettement ;
• Augmenter sa capacité d’emprunt.
Nous misons sur les valeurs humaines et collaboratives
pour réussir votre projet immobilier. Devenez Proprio en
quelques chiffres : 1126 projets immobiliers – 8417 par-
ticipants - 2 213 880 € d’apport.
Marchés visés
B2C : 1 million de transactions immobilières chaque an-
née en France.
Création d’une communauté via la love money.
256
COWORK.IO
Pierre-André SVETCHINE - CEO et fondateur
06 63 43 66 70 - pasvetchine@cowork.io
CoWork.io est une solution de gestion d'espaces de tra-
vail flexible qui est centrée sur l'Humain. Notre offre (une
solution SaaS en marque blanche, des objets connectés
et des services) permet de créer du bien être et de l’en-
gagement dans tous les espaces de travail : coworking,
bureaux partagés, open-space, flex-office, immeubles mul-
ti-locataires...
9, rue du Faubourg Poissonnière, 75 008 Paris
www.cowork.io/
www.linkedin.com/company/cowork.io
www.twitter.com/Cowork_io
www.facebook.com/coworkio
www.instagram.com/cowork.io
Chiffres-clés
Pays d’implantation : Siège en France. Clients en France,
Belgique, Suisse et Canada
Mission et offres
Marchés cibles : B2B (espaces de coworking, entreprises,
immeuble de bureaux).
Description du produit/service : Depuis sa création en
2014, CoWork.io s’est donné pour mission d’apporter du
bien-être et de l’engagement dans les espaces de travail
en créant une expérience digitale unique pour les em-
ployés. Composée d’un logiciel desktop, d’une application
mobile, d’objets connectés et de services ; la solution
CoWork.io offre la possibilité de gérer tous les usages au
sein des espaces de travail flexibles. Son offre complète,
innovante et robuste, s’adresse à tous types d’espaces
tels que le flex office / smart office, le coworking, les
bureaux partagés ou les immeubles multi-locataires. La
solution CoWork.io permet de simplifier la vie au bureau :
réservation de salle de réunion et de ressources, accès à
une offre de services sur une marketplace, cartographie
indoor... et inclut des outils d’analyse de la performance
et de la consommation de l’espace de travail à destina-
tion des gestionnaires. Basée à Paris, CoWork.io est une
startup française qui a déjà séduit de nombreux clients
(Le Village by CA, The Bureau, Deskopolitan, Nexity, BNP
Paribas Real Estate…) et souhaite accélérer son interna-
tionalisation fin 2018.
Notre solution est en marque blanche, nos clients ont ain-
si une application intégrant totalement leur univers. Ce qui
est parfait pour valoriser leur image de marque employeur.
D'un point de vue technologique, notre solution est bâtie
sur un écosystème ouvert (Full API), nous nous appuyons
aussi sur un large réseau de services partenaires. Ainsi,
CoWork.io s'adapte facilement aux contraintes techniques
de ses clients et surtout à leurs besoins. En quelques
mots : CoWork.io se distingue par le fait de créer une ex-
périence digitale unique, personnalisée et évolutive.

257
DREAMQUARK
Nicolas MERIC - CEO
06 98 24 78 15 - nicolas.meric@dreamquark.com
Sharpen decisions in Financial Services with explainable
Deep Learning.
29, rue de Courcelles, 75008 Paris
www.dreamquark.com
fr.linkedin.com/company/nicolas-meric-dreamquark
twitter.com/DreamQuark
Chiffres-clés
CA en 2018 : 375 000 €
Mission et offres
Marchés cibles : B2B, Services Financiers (Banques, As-
surances, Asset Managers).
Description du produit/service : DreamQuark édite une
plateforme qui automatise et optimise les tâches de Data
Science inhérentes à la création d’une application d’IA
pour la fraude, le risque, le marketing ou la conformité.
Les Services Financiers peuvent entrainer et déployer
des modèles prédictifs basés sur le Deep Learning en
quelques clics et générer des scores lisibles via l’explica-
bilité individuelle fournie.
DreamQuark se compose de 30 employés dont la majorité
possède une double expertise, à la fois technique (Data
Science) et métier (Services Financiers). 30 % des effectifs
possèdent un PhD en mathématique, physique ou informa-
tique, dont le fondateur lui-même. Le département R&D de
DreamQuark possède une expertise et une avance tech-
nologique reconnues dans de nombreux domaines liés à
l’intelligence artificielle incluant l’explicabilité des modèles
de Deep Learning ou encore la reconnaissance d’émotions
dans la voix en temps réel. DreamQuark compte une dizaine
de clients majeurs de la banque et l’assurance dont BNP
Paribas, AG2R La Mondiale, GAN Prevoyance et Groupe-
ment Cartes Bancaires et est régulièrement primé pour son
innovation (récemment élu Meilleure Solution Cognitive par
Banque & Innovation 2017, Fintech de l’Année par Finance
Innovation, Startup IA de l’année par La Tribune). Nicolas
Meric a été entre autres reconnu en 2017 comme l’un des
« 10 cerveaux français qui fascinent » (source Alliancy) dans
le domaine de l’Intelligence Artificielle.
Marchés visés
DreamQuark adresse les besoins des Services Financiers
sur les problématiques de fraude, risque, marketing et
conformité. Acteur majeur en France, DreamQuark s’étend
actuellement à travers l’Europe et prévoit de pénétrer le
marché américain avant 2020.
DRIVEQUANT
Augustin LEMAN - Commercial & marketing
06 36 93 92 77 - hello@drivequant.com
Solution télématique smartphone et services de conduite
connectée (sécurité, consommation carburant, éco-
conduite, maintenance prédictive, engagement client…).
46, rue René Clair, 75018 Paris
www.drivequant.com
Chiffres-clés
Date de création : 6 février 2017
CA en 2018 : 160k€
Projet(s) labellisé(s) : Solution télématique basée sur le
smartphone
Mission et offres
Marchés cibles : B2B2C.
DriveQuant est une société issue du monde automobile
et de la recherche qui développe des services de mobilité
connectée basés sur des modèles mathématiques et phy-
siques tels que l'optimisation de la consommation de car-
burant, la mesure et l'amélioration de l'impact environne-
mental de la conduite, la sécurité au volant ou encore de
la maintenance prédictive. Ainsi, DriveQuant accompagne
ses partenaires dans la collecte de la donnée connectée
de conduite, dans sa compréhension et sa valorisation en
services pour le conducteur.
Marchés visés
DriveQuant accompagne tous les acteurs de la mobilité
au sens large : assureurs, constructeurs et équipemen-
tiers automobile, leasers, acteurs de l’auto-partage et du
co-voiturage, gestionnaires de flottes, formateurs… en
France et à l’international à partir de 2018.
Sur la base d’une expertise dans le traitement et la valo-
risation des données de conduite ainsi que le développe-
ment d’une solution télématique sur smartphone, Drive-
Quant offre aux assureurs :
• Une meilleure appréciation du risque routier au travers
de notre indicateur de perte d’adhérence plus fin que la
simple observation d’événements de conduite ;
• Une opportunité d’engager les assurés en leur propo-
sant des services de conduite connectée afin de réduire
leur consommation de carburant, de comprendre et
améliorer l’impact environnemental de leur mobilité, de
mieux maitriser leur budget auto… et de se comparer
entre eux dans le cadre de challenges de conduite ;
• Une solution de collecte de données sur smartphone
en intégrant nos services à une application existante ou
en déclinant notre app marque blanche afin de déployer
simplement, instantanément et à moindre risque une
offre connectée d’assurance ou de prévention.

ESTIMEO
Florian BERCAULT – Président
06 95 35 47 30 – florian.bercault@estimeo.com
Estimeo est une plateforme d’information, de notation
automatique et de valorisation des startups et de l’in-
novation.
28, rue du Chemin Vert, 75011 Paris
www.estimeo.com/
www.linkedin.com/company/estimeo
www.twitter.com/estimeo
Chiffres-clés
janvier 2017
Projet(s) labellisé(s) : Oui
Mission et offres
Description du produit/service : notre proposition de
valeur est de collecter de l'information sur les startups,
l'enrichir, la fiabiliser et la structurer pour la redistribuer
aux investisseurs, aux structures d'accompagnement et à
tous les acteurs qui veulent collaborer avec les startups.
Grâce à la notation algorithmique de startups, nous of-
frons une solution de compréhension, identification, éva-
luation, sélection, suivi.
• Collecte, extraction, nettoyage, enrichissement et traite-
ment de données startups;
• Connaissance des startups et de l’écosystème du capi-
tal-innovation.
Marchés visés
Estimeo s’adresse à l’écosystème de l’innovation dans sa
globalité : startups, incubateurs, investisseurs, banques,
grands-groupes. Aujourd’hui majoritairement français, notre
marché s’étend hors des frontières de l’hexagone, en Eu-
rope.
• La notation algorithmique de startups et son débriefing;
• Startup Pool : base de données qualifiée et dynamique
de startups;
• Accès à la plateforme de notation automatique de star-
tups ou en marque blanche;
• Formation à l’écosystème startup;
• Réalisation d’études économiques et d’événements.
258
ELCIMAÏ FINANCIAL
SOFTWARE
Pascal DENIER - PDG
01 64 10 47 20 – pdenier@elcimai.com
3, Rue de la brasserie Gruber, 77000 Melun
www.software.elcimai.com/efs/accueil-efs.jsp
www.linkedin.com/company/5260890/admin
Chiffres-clés
CA en 2018 : 2 982 000 €
Mission et offres
Description du produit/service : Elcimaï Financial Sof-
tware, filiale du Groupe Elcimaï, est un éditeur de logiciels
spécialisé dans la dématérialisation et la gouvernance des
flux. Son offre logicielle riche, modulaire et évolutive per-
met à ses clients, banques ou entreprises, de répondre
efficacement et rapidement à leurs enjeux stratégiques
d’optimisation des coûts, de digitalisation des usages et
de conformité règlementaire.
WeBank Core : Application EDI (eBics, SWIFT, PeSIT,
FTPS, SFTP, S/MIME, SEPAmail, eBAM...)
WeBank Online : Site eBanking (DSP2, Agrégation, Ta-
bleau de bord personnalisable, Saisie d’ordre, Signature
électronique, Délégation, GéoSécurisation, Coffre-fort,
Souscription en ligne...)
WeBank Mobile : Application mobile (Agrégation, Saisie
d’ordre, Signature électronique via QR-Code ou OTP, Sai-
sie d’ordre).
Édition de logiciels, expertise MOA, expertise MOE.
Marchés visés
Banques, assurance, mutuelles.
Elcimaï Financial Software édite des produits innovants :
WeBank Core : Application EDI (eBics, SWIFT, PeSIT,
FTPS, SFTP, S/MIME, SEPAmail, eBAM...) ;
WeBank Online : Site eBanking (DSP2, Agrégation, Ta-
bleau de bord personnalisable, Saisie d’ordre, Signature
électronique, Délégation, GéoSécurisation, Coffre-fort,
Souscription en ligne...) ;
WeBank Mobile : Application mobile (Agrégation, Saisie
d’ordre, Signature électronique via QR-Code ou OTP, Sai-
sie d’ordre) ;
Station client : eBics, Saisie SEPA, Convertisseur, eBAM,
SEPAmail.

EXPENSYA
Karim JOUINI – CEO – Co-fondateur
33 6 23 31 08 44 – karim.jouini@expensya.com
Expensya, startup fondée en 2014 par Karim JOUINI et
Jihed OTHMANI, offre une solution intelligente qui auto-
matise la gestion des notes de frais pour les entreprises
de toutes tailles.
25, Rue de la Reynie, 75001 Paris
www.expensya.com/fr
www.linkedin.com/company/expensya
www. twitter.com/expensya
www.facebook.com/expensya
Chiffres-clés
CA en 2018 : 1 million d’euros
Projet(s) labellisé(s) : Expensya
Mission et offres
Description du produit/service : Expensya est une solu-
tion web et mobile de gestion des notes de frais. La solu-
tion automatise ce processus du reçu jusqu’à l’intégration
comptable grâce à des technologies comme l’Intelligence
Artificielle, le Machine Learning, le mobile et le stockage
dans le Cloud. Expensya libère les professionnels et les
experts-comptables de ce processus fastidieux et chrono-
phage.
• Automatisation de la gestion des notes de frais : saisie
automatique, automatisation des flux d’approbation, au-
tomatisation du respect de la politique de dépenses ;
• Technologie OCR+ basée sur l’intelligence artificielle et
les algorithmes de Machine Learning ;
• Stockage dans le Cloud ;
• Statistiques intelligentes et Business Intelligence ;
• Intégration comptable ;
• Archivage numérique à valeur probante.
Marchés visés
Après le marché français, Expensya commence à proposer
sa solution à l’international et elle équipe déjà les filiales
de ses clients français répartis sur les 5 continents. La
startup est à présent dans sa phase d’internationalisa-
tion, et la solution Expensya a été déclinée en six langues
supplémentaires pour conquérir le marché européen et
international.
Expensya libère l’utilisateur de la saisie manuelle, il suffit
juste de prendre en photo sa facture, et la fonctionnalité
de reconnaissance intelligente s’occupe d’extraire toutes
les informations pertinentes en quelques secondes (mon-
tant, TVA, catégorie de la dépense, devise, date, etc.). Le
tout est ensuite stocké dans le Cloud afin de garder les
justificatifs des dépenses. L’application gère également
les flux de validation, l’automatisation des politiques de
dépenses, l’intégration dans les systèmes comptables, et
même l’archivage numérique à valeur probante. Expensya
propose également un produit dédié aux experts-comp-
tables : une solution spécifique à leurs besoins a été
développée et est entièrement adaptée à la profession
comptable « Expensya Expert ».
FANVOICE
Gael MULLER - CEO
06 72 67 30 42 - g.muller@fanvoice.com
FANVOICE permet aux marques et institutions de
détecter des insights, co-créer des produits et services,
puis bêta-tester leurs innovations avec des clients et/
ou collaborateurs.
80, rue des haies, 75020 Paris
www.fanvoice.com
www.linkedin.com/company/fanvoice
Chiffres-clés
janvier 2014
CA en 2018 : 900 000 €
Projet(s) labellisé(s) : 1
Mission et offres
Marchés cibles : B2B Description du produit/service.
Description du produit/service : FANVOICE est une plate-
forme de co-création clé en main qui facilite la récolte
d’idées, accélère l’analyse de feedbacks clients/collabo-
rateurs pour améliorer et/ou bêta-tester un produit ou un
service.
La solution FANVOICE :
•
améliore l’image de marque (transparence, écoute,
échange) ;
• transforme des données non-structurées (verbatims) en
Smart Data réexploitable par la marque/l’institution ;
• divise par 2 le temps de mise en place d’une campagne
de co-création ;
• est la première plateforme de cocréation à embarquer
un outil d’analyse BIG DATA clé en main ;
• favorise la récolte de datas et améliore la connaissance
client ;
• accélère l’analyse des contributions (jusqu’à 100
000/an
d’économies en frais d’analyse de feedbacks).
Marchés visés
Études marketing et tests en ligne, sur tous types de sec-
teurs avec forme d’expertise banque – assurance
FANVOICE est la première plateforme de co-création «
Big
Data » clé en main, conçue pour aider les marques à mieux
comprendre les attentes de leurs clients et collaborateurs.
La solution combine les techniques de l’open innovation
à plusieurs technologies (BIG DATA et Text Mining), mé-
thodes (gamification et animation de communautés) et
leviers pour favoriser la collaboration entre internautes au-
tour d’un projet participatif, et automatiser l’analyse des
données récoltées. En plus de récolter des « idées » brutes
(comme d’autres plateformes de co-création), la solution
permet de faire émerger les attentes «
communes
» des
consommateurs («
clustering
» d’idées, analyse du senti-
ment, détection d’insights et « data visualization »), tout en
minimisant les traitements manuels et les coûts liés à
ces opérations.
259

FINANCES & CRÉATION
Hervé DEREUMAUX – Gérant
06 76 40 15 69 – h.dereumaux@financesetcreation.fr
Édition et stratégie digitale.
99 bis, rue Lecocq, 33000 Bordeaux
www.financesetcreation.fr
Chiffres-clés
Date de création : septembre 2004
CA en 2018 : 500 K€
Statut juridique : SARL
Projet(s) labellisé(s) : Mobile Finance (2015)
Mission et offres
Marchés cibles : B2B2C et B2B.
Description du produit/service : conception sur mesure
de solutions digitales à l’attention des clients/prospects
ou des conseillers commerciaux.
Transformation digitale de la relation clients axée sur une
forte «
expertise métier
». Outils digitaux «
sur mesure
» à
destination des conseillers commerciaux.
Marchés visés
Banques, Assurances et Mutuelles.
Ensemble de supports digitaux (Application mobile, Vidéo
Motion, Quiz interactif, Infographie…) à destination des
clients et prospects sur les trois marchés : Particuliers,
Professionnels et Entreprises sur l’ensemble des sujets
de type patrimonial, social ou IARD.
260
FIELDFISHER(FRANCE)LLP
Arnaud GRÜNTHALER - Associé
01 70 37 81 00 – arnaud.grunthaler@fieldfisher.com
Bruno PACCIONI - Managing Partner
01 70 37 81 00 - parisinfo@fieldfisher.com
Fieldfisher France est un cabinet européen d’affaires
basé à Paris. Nous accompagnons une clientèle fran-
çaise et internationale dans tous les domaines du droit
des affaires. Conseil et contentieux forment deux axes
indissociables constituant l’identité de notre cabinet et
notre référence sur le marché.
48, rue Cambon, 75001 Paris
www.fieldfisher.com/locations/paris
www.linkedin.com/company/fieldfisher
www.twitter.com/Fieldfisher?lang=fr
Chiffres-clés
Statut juridique : LLP
Pays d’implantation : Allemagne, Belgique, Chine, États-
Unis, France, Italie, Luxembourg, Pays-Bas, Royaume-Uni
Mission et offres
Marchés cibles : majorité B2B.
Description du produit/service : Assistance en conseil et
contentieux dans tous les domaines du droit des affaires,
et plus particulièrement en ce qui concerne les fintechs.
Nous sommes considérés comme une «
go to firm
» dans
ce secteur et conseillons nos clients dans le cadre d’Ini-
tial Coin Offering (ICO), du traitement de problématiques
relatives aux cybermonnaies, aux projets blockchain et de
digitalisation de services notamment financiers.
Corporate M&A – Private Equity, Bourse et Marchés de
Capitaux, Banque et Finance, Restructuration et Procé-
dures Collectives, Droit Fiscal, Droit Social, Droit de la
Concurrence, de la Distribution et des Contrats, Propriété
Intellectuelle, Télécoms et Technologies, Environnement,
Life Sciences, Afrique, Contentieux, Arbitrage, Immobi-
lier, Blockchain, Énergie et Ressources Naturelles, Com-
pliance.
Marchés visés
Établissements de crédit, sociétés de gestion, Fintech, As-
surTech, sociétés souhaitant organiser leur financement
via le lancement d’une ICO, projets Blockchain, presta-
taires de services offrant des services d’achat/vente, de
conseil en investissement sur cybermonnaies, d’échange,
de trading, de conservation de cybermonnaies
• ICO (conseil juridique et fiscal) ;
• Mandat de gestion cybermonétaire ;
• Conseil en investissement cybermonétaire.
Nous avons conseillé parmi les ICO les plus significatives
réalisées en France depuis 2016 jusqu’à ce jour (Ark Eco-
system, iEx.ec, Legolas Exchange (LGO Market), Gimli,
Booking Token Unit (BTU), Galion, Varanida, IOV, Clever-
Place, Arianee, Investig.io. Nous avons également assisté
des acteurs tels que Coinhouse, Cryptobjectif, Consensy’s
(VariabL) ou Digital Services (Zebitcoin) dans la mise en
place de solutions innovantes et conseillons actuellement
des projets innovants de création d’applications, de plate-
forme ou de protocole utilisant les cybermonnaies et des
blockchains publiques.

FORTIA
FINANCIAL SOLUTIONS
Rui Jorge LOPES – Strategy & Sales Manager
01 49 53 95 81 – ruijorge.lopes@fortia.fr
FORTIA est une start-up RegTech basée à Paris qui offre
des solutions innovantes pour les établissements finan-
ciers. Notre plateforme basée sur l’Intelligence Artifi-
cielle accompagne nos clients dans l’automatisation et
la digitalisation de leurs processus réglementaires, opé-
rationnels et clients.
17, Avenue George V, 75008 Paris
www.fortia.fr
www.linkedin.com/company/fortia-financial-solutions
Chiffres-clés
CA en 2018 : 10 M€
Projet(s) labellisé(s) : Innova
Pays d’implantation : France , en cours US courant Q1/2019
Mission et offres
Marchés cibles : Banque Dépositaire, Asset Manager,
Banque de détail, Investment Banking, Wealth Manage-
ment, Assurance.
Description du produit/service : dans les projets que
nous avons déjà menés et que nous menons aujourd'hui
avec de nombreux établissements bancaires et sociétés
de gestion de fonds tant en Europe qu'aux États-Unis,
notre objectif est la digitalisation des processus régle-
mentaires, opérationnels et clients. Nos solutions sont
basées sur des technologies de ruptures et alimentées
par un centre de recherche composé de 16 Data Scien-
tists et plus de 40 ingénieurs diplômés des plus presti-
gieuses écoles et universités au niveau mondial.
Financière : FORTIA a été fondée par des professionnels de
la gestion d’actifs. Intelligence Artificielle : déjà 6 brevets
déposés et de nombreux concours gagné en France, US et
Asie. Département de 16 Data Scientists avec PhD’s.
Marchés visés
Europe, USA et asie.
FORMEE
Erwann BERTHELEME – Directeur Général
06 78 88 24 54 – erwann@formee.fr
Le coach financier des entrepreneurs.
23, rue de vienne, 75008 Paris
www.formee.fr
Chiffres-clés
Mission et offres
Description du produit/service : Pour les entrepreneurs
qui se retrouvent seuls face à leur gestion, FORMEE au-
tomatise le suivi d’indicateur de gestion et la réalisation
d’un prévisionnel de trésorerie. Il dispose ainsi, en temps
réel, et sans effort, de tableaux de bord pour un pilotage
efficace.
Gestion de trésorerie, Prévisionnel, machine learning, fi-
nancement, coaching.
Marchés visés
Micro-entreprise, entrepreneur, TPE < 10 salariés.
Le moteur de machine learning développé par FORMEE
permet d’automatiser la réalisation d’un prévisionnel de
trésorerie pour donner de la visibilité à l’entrepreneur sur
son activité et son business.
261

GRANADA
Guillaume LANGÉAC – CEO
06 83 27 89 84 – guillaume@granada-project.com
Granada est la première marketplace internationale de
données clients certifiées visant à améliorer les proces-
sus KYC/AML/CFT pour toute la communauté finan-
cière.
26, rue du Quatre Septembre, 75002 Paris
www.granada-kyc.com
LinkedIn : @granada-network
Twitter : @granadaKYC
Chiffres-clés
CA en 2018 : 200 K€
Projet(s) labellisé(s) : Label Finance Innovation en juin 2018
Pays d’implantation : France, Luxembourg, Hong-Kong,
Singapour
Mission et offres
Description du produit/service : Granada est la première
marketplace internationale de données clients certifiées.
Face à la pression réglementaire et les coûts liés au KYC,
Granada offre une nouvelle méthode de partage de don-
nées clients basée sur une blockchain privée (DLT) garan-
tissant un haut niveau de sécurité. Granada aide ainsi les
institutions financières à accéder à des données de quali-
té certifiées par leurs pairs
Granada cherche à mutualiser les efforts des institutions
financières en échangeant des données clients certifiées
par ces institutions elles-mêmes. La plateforme repose
sur un arbre de décision basé sur les conditions de par-
tage de données, reflétant les spécificités juridictionnelles
de plus de 30 pays. La mutualisation de données KYC
immuables, précises et échangeables de manière totale-
ment sécurisée permettrait de :
• réduire les risques réglementaires et de réputation,
voire de générer de nouveaux revenus;
• améliorer la qualité des données clients;
• optimiser l’expérience client.
Marchés visés
Granada s’adresse à l’ensemble des acteurs de l’indus-
trie financière soumis aux mêmes exigences en matière
de lutte contre le blanchiment des capitaux et le finan-
cement du terrorisme, souhaitant mutualiser et valoriser
leurs efforts de conformité réglementaire.
La marketplace Granada offre de nouvelles méthodes
de stockage, de partage et d'accès aux données clients
(KYC/AML/CFT) pour la communauté financière, rendues
possible grâce à une technologie DLT (Distributed Ledger
Technology). Granada représente une proposition forte
pour la communauté financière en termes de sécurité,
de conformité et de réduction des coûts. Le partage des
données clients aidera ainsi à relever le défi de l'inflation
réglementaire.
262
GARANTME
Thomas REYNAUD - Fonction : CEO
+33 6 32 97 07 44 - thomas.reynaud@garantme.fr
Garantme facilite l’accès à la location des locataires
sans garant grâce à sa caution distribuée 100 % en ligne.
5, rue Oberkampf, 75011 Paris
www.garantme.fr
www.facebook.com/garantme
Chiffres-clés
Date de création : octobre 2017
Projet(s) labellisé(s) : Garantme
Mission et offres
Marchés cibles : Les 6 millions de locataires sans garant
en France, étudiants, jeunes actifs, autoentrepreneurs,
CDD…
Description du produit/service : Garantme est la pre-
mière solution de garantie locative 100 % digitale et gra-
tuite pour les bailleurs. Nous analysons, certifions et ga-
rantissons le dossier des locataires sans garant sur www.
garantme.fr. La garantie est financée par la communauté
de locataires. Nous facilitons la signature du bail pour le
gestionnaire ou le bailleur en émettant la garantie dans
la journée.
Notre expertise réside dans plusieurs domaines : le sco-
ring de locataires, la gestion des flux et l’accompagne-
ment vers la location.
Marchés visés
Nos marchés sont les marques du changement de logeAu-
jourd’hui uniquement en France, nos marchés sont au
Royaume-Uni, aux États-Unis et au Canada.
Notre produit actuel est une garantie de loyers. Elle est en-
richie à travers deux offres complémentaires : une assu-
rance multirisque habitation et une offre de financement
du dépôt de garantie.

263
HOMELINKS
Franck DE DIEULEVEULT – CEO
09 80 88 55 88 – franck@homelinks.eu
Lancé en 2018, Homelinks offre des services innovants
pour faciliter le travail des gestionnaires d’immeubles ré-
sidentiels et d’entreprises.
1, villa Pilaudo
www.homelinks.eu
www.linkedin.com/company/homelinks-au-service-de-l-
immeuble
Twitter : @homelinks_eu
www.youtube.com/channel/UCsjxZYPhqMI0TPsRm3yBopw
Chiffres-clés
Projet(s) labellisé(s) : Projet Alliance by Homelinks
Mission et offres
Homelinks offre des services innovants pour faciliter le
travail des gestionnaires immobiliers. Inspirés par les nou-
veaux usages, nos services sont conçus pour simplifier le
quotidien des professionnels immobiliers en relation avec
les occupants d'immeubles. Homelinks désamorce les
problèmes au quotidien avant qu'ils ne se développent…
pour une plus grande rentabilité partagée ! Notre mission
est de centraliser la donnée des professionnels de l’im-
mobilier de manière à rationaliser leur travail afin de leur
dégager du temps pour un service de qualité personnali-
sé à chacun de leurs interlocuteurs. C’est pourquoi nous
avons développé une offre qui s’adapte aux besoins de
nos clients, véritable trait d’union entre les professionnels
et les particuliers.
Notre expertise repose sur l’équipe qui est complémen-
taire dans ses profils. D’ailleurs les associés regroupent
les expertises suivantes : Stratégie | Technologie | Com-
mercial | Finance | Opérations. Ces expertises sont com-
plétées par celles de l’équipe et de ses partenaires. Nos
expériences ont été acquises dans des start up mais
aussi au sein de groupes internationaux, en France et à
l’étranger. Nous sommes avant tout des experts de l’im-
mobilier et notre savoir-faire reposent sur l’expérience et
l’apprentissage acquise au fil des ans. Enfin, notre capa-
cité à nous remettre en question doublée d’un appren-
tissage continuel nous donne un avantage sur tous les
changements à anticiper.
Marchés visés
Nous proposons nos services aux sociétés en charge de la
gestion d’immobilier résidentiel et d’entreprise. Nos caté-
gories de client sont les administrateurs de biens (syndic
et gestion locative), les gestionnaires de patrimoine immo-
bilier (ex : collectivités, caisses d’assurance), les bailleurs
sociaux (ESH, OPH, sociétés coopératives d’HLM) et les
promoteurs immobiliers. Une catégorie de client complé-
mentaire est celle des prestataires d’immeubles qui sont
les sociétés en charge des travaux et de l’entretien. Enfin,
les bénévoles (conseil syndical et syndic bénévole) sont
aussi visés comme catégorie de marché des particuliers.
IMMO FACTORY
Pierre VERGER – Directeur Général
07 89 53 24 89 – pverger@immo-factory.fr
Le digital au service de l’immobilier.
23, rue du roule, 75001 Paris
www.immo-factory.fr
Chiffres-clés
CA en 2018 : 1,4 M€
Projet(s) labellisé(s) : CRM innovante
Mission et offres
Digitalisation de l’achat/vente d’immobilier neuf.
Marchés visés
Professionnels de l’immobilier neuf : promoteurs, com-
mercialisateurs, constructeurs, foncières.

264
INCUBE
Philippe LEPEUPLE – Président et Fondateur
+33 1 822 855 32 – philippe.lepeuple@incube.fr
Fintech - inCube a conçu et développé PolySeme, une
plateforme digitale en marque blanche qui permet au
Client de piloter son contrat d’assurance vie multisup-
port à travers ses Projets de vie.
82, rue d’Amsterdam 75009 Paris
www.incube.fr
www.twitter.com/PolySeme_by_in3
www.linkedin.com/company/polyseme_by_incube
www.youtu.be/48dZ5Wc6eJk
Chiffres-clés
Effectif en 2018 : 3 (hors externes)
Projet(s) labellisé(s) : PolySeme
Mission et offres
Marchés cibles : La solution PolySeme développée par
inCube est une plateforme en marque blanche, destinée
aux assureurs, bancassureurs et distributeurs de produits
d’assurance vie. B2B, et B2B2C.
Description du produit/service : inCube redonne du sens
à l’épargne :
• En agissant sur ses Projets de vie à travers une inter-
face intuitive, le Client pilote son contrat, seul ou avec
un Conseiller ;
• L’allocation d’actifs est dynamiquement déterminée et
intégrée au back-office ;
• PolySeme peut être déployé sur des Stocks ou Affaires
Nouvelles et agit sur les leviers de rentabilité ;
• PolySeme s’interface simplement avec l’environnement
de l’assureur.
• La solution développée par inCube a été labellisée par
le Pôle Finance Innovation et est lauréate de l’Argus
d’Or de l’Innovation 2016 ;
• La Fintech inCube capitalise à ce jour plus de 4 années
de R&D, 2 ans de développements IT et 3,7 M€ d’inves-
tissements ;
• InCube s’est appuyé sur l’expertise de son équipe,
des personnalités expérimentées dans le domaine des
services financiers et de l’assurance, dont les com-
pétences sont complémentaires : Assurance de per-
sonnes, Distribution, UX, IT, Back Office, Algorithmique,
Finance, Marketing, Gestion agile de Projets, Transfor-
mation.
Marchés visés
La solution vise principalement une clientèle d’épargnants
mass affluent et au-delà. Elle peut être déployée et adap-
tée à tout type de distribution : intermédiée (agents, cour-
tiers, réseaux de conseillers), ou directe. La plateforme
est nativement multilingue et fonctionne déjà en français,
anglais et portugais.
• PolySeme by inCube, labellisée par le Pôle Finance
Innovation et est lauréate de l’Argus d’Or de l’Innova-
tion 2016.
ICARETECHNOLOGIES SAS
Jeremy NEYROU - Président
0660794755 - jeremy.neyrou@icaretech.fr
Start-up dont le siège social se situe à Ajaccio. L’entre-
prise possède également des bureaux à la Grande Arche
à la Défense de Paris. ICARE Technologies compte au-
jourd’hui une vingtaine d’employés
Immeuble Castellani, 4, av. du Mont Thabor 20090 Ajaccio
www.icaretechnologies.com/fr
www.linkedin.com/company/icaretechnologies
Chiffres-clés
Date de création : 14 avril 2016
CA en 2018 : 9600 euros
Mission et offres
Marchés cibles : B2B & B2C.
Description du produit/service : une bague intelligente
autonome baptisée Aeklys qui permet de remplacer votre
portefeuille et votre trousseau de clé. Vous allez pouvoir
payer avec, ouvrir et démarrer votre voiture, accéder à vos
locaux… Cette bague doit être synchronisée via une ap-
plication mobile développée en interne qui permettra de
gérer l’utilisation de la bague et ses diverses fonctionna-
lités. Nous avons également implémenté la technologie
du « wave control », un contrôle total de l’émission via un
bouton d’activation.
Marchés visés
Notre bague Aeklys s’insère dans plusieurs marchés : le
Resort, le Stadium pour l’identification & le contrôle d’ac-
cès, le paiement, l’automobile pour le démarrage et le dé-
verrouillage du véhicule.

INSTITUT DE RECHERCHE
BIOMÉDICALE DES
ARMÉES
Médecin Général Inspecteur Anne SAILLOL – Directrice
L’Institut de recherche biomédicale des armées (Irba)
est un organisme public français spécialisé dans la re-
cherche biomédicale, il est une des composantes du Ser-
vice de santé des armées (SSA) placé sous l’autorité du
ministère de la Défense.
1, place Valérie André, 91223 Brétigny-sur-Orge Cedex
www.defense.gouv.fr/sante/notre-expertise/recherche-
biomedicale/recherche-biomedicale
Chiffres-clés
mars 2009
L’Irba a une double mission :
• répondre aux besoins exprimés par les États-majors en
matière de protection du combattant ;
• anticiper les besoins en comblant les lacunes capaci-
taires des Forces armées françaises.
Les travaux réalisés à l’Irba s’inscrivent dans les champs
de la défense et de la sécurité. Ses recherches ont pour
objectifs de protéger et prévenir les militaires français des
menaces et des contraintes particulières induites par le
contexte opérationnel, mais aussi d’améliorer la prise en
charge et le traitement des maladies et des blessés. L’Ir-
ba contribue également à la mission de santé publique
en participant aux différents plans d’urgence gouverne-
mentaux destinés à faire face aux risques NRBC d’origine
accidentelle ou terroriste.
INVIVOO
Guillaume MOREL - PDG
+33 1 80 88 70 00 - admin@invivoo.com
En combinant l’expertise métier à l’expertise technolo-
gique, Invivoo transforme les systèmes d’information à
tous les niveaux des entreprises du secteur financier.
France : Tour Franklin, 100-101, terrasse Boieldieu,
92042 Paris La Défense Cedex
Royaume-Uni : Landsdowne House / City Forum, 250
City Road, London EC1V 2PU
www.invivoo.com/
www.linkedin.com/company/invivoo
Chiffres-clés
CA en 2018 : 22 M€
Pays d’implantation : France, Royaume-Uni
Mission et offres
Description du produit/service : Nous combinons notre
activité de conseil, d’audit et d’édition de logiciel afin de
concrétiser les exigences métier de nos clients. Aussi, nous
accompagnons nos clients dans le développement de leurs
compétences à travers un catalogue de formations.
La valeur ajoutée d’Invivoo est la maîtrise des différentes
technologies dont la robotisation, le big data, l'intelli-
gence artificielle (IA), les systèmes temps réel, ainsi que
la blockchain en leur donnant du sens dans le cadre des
activités métiers de nos clients.
Marchés visés
Dans un contexte toujours plus complexe, s’appuyer sur
des solutions informatiques performantes est un enjeu
vital. C’est pourquoi Invivoo souhaite apporter son exper-
tise technologique, méthodologique et organisationnelle
au service des équipes métier de tous les secteurs.
Chatbot Fabric est la plateforme de développement de
chat bot modulaire et multicanal basée sur des modules
d’intelligence artificielle et de gestion de contextes conver-
sationnels à destination d’utilisateurs non techniques.
Grâce à son interface web, Chatbot Fabric vous permet :
•
Une gestion d’inputs conversationnels hétérogènes
(texte, image, voix...);
• Une gestion de conversation multi-contextes,
• Une gestion de conversation multi-langues,
• Une gestion de message multi-intentions et d’entités
composites;
• Une intégration facilitée au système d’information de
l’entreprise;
• De bénéficier de modèles cognitifs préconstruits et de
composants réutilisables;
• De disposer de bases de connaissance intégrées.
XComponent Koordinator est un portail web où chaque utili-
sateur est identifié. Celui-ci peut accéder selon ses droits, à
un environnement complet de design, de gestion, et d’exécu-
tion de scénarios, avec des applications dans de nombreux
domaines comme le Big Data, le SI-RH, la gestion d’opération
de production ou plus généralement la modélisation de pro-
cessus métier. XComponent Koordinator est un client web lé-
ger. Sans aucune installation sur le poste, la plateforme per-
met d’accéder à de nombreuses fonctionnalités applicatives.
265

266
IZNES
Jean-Robert HERVY – Directeur Général
+33 6 62 66 52 08 – jean-robert.hervy@iznes.io
Plateforme internationale d’achat et de vente de parts
d’OPC européens développée en Blockchain par des so-
ciétés de gestion.
8, rue Lamennais, 75008 Paris
www.iznes.io
www.linkedin.com/company/iznes
www.twitter.com/IZ_NES - @IZ_NES
Chiffres-clés
CA en 2018 : 60 000 €
Projet(s) labellisé(s) : Iznes
Mission et offres
Description du produit/service : IZNES est une plate-
forme internationale d’achat et de vente de parts d’OPC
européens développée en Blockchain par des sociétés de
gestion et SETL. IZNES fournit aux investisseurs et aux
sociétés de gestion un service complet : entrée et suivi
de la relation entre investisseurs et sociétés de gestion,
référentiel OPC complet, souscriptions et rachats de parts
d’OPC en direct, tenue de registre en temps réel et repor-
tings. Grace à la technologie Blockchain de SETL, IZNES
réduit les coûts d’achat et de vente de parts de fonds, ap-
porte plus de transparence et simplifie les relations entre
investisseurs et sociétés de gestion.
• Gestion des dossiers clients (KYC, LAB/FT, MIF 2);
• Référentiel OPC;
• Souscriptions et Rachats de parts d’OPC;
• Gestion d’Actif;
• Blockchai.
Marchés visés
• Investisseurs Institutionnels et Corporates;
• Assureurs Vie;
• Sociétés de Gestion d’OPC, de mandats d’investisseurs
institutionnels ou de mandats de personnes physiques;
• Distributeurs de parts d’OPC;
• Conseillers en Gestion de Patrimoine (CGP)...
La nature même d’IZNES est innovante. IZNES est le seul
Asset Servicer dont la conception des services et la gou-
vernance sont assurées directement par des sociétés des
gestion. Par ailleurs, la solution technologique Blockchain
de SETL permet d’avoir une solution digitale disruptive et
efficace.
IXTEL
Jacques BAUDRON – Gérant
06 60 62 79 74 – jacques.baudron@ixtel.fr
Ingénierie Conseil Services Telecom. Recherche, conseil
et formation en télécoms blockchain, Intelligence Artifi-
cielle et Information quantique auprès des étudiants et
des milieux professionnels.
36, avenue d’Assas, 78470 Saint-Rémy-lès-Chevreuse
www.ixtel.fr
Chiffres-clés
Statut juridique : EURL
Mission et offres
Description du produit/service :
• Simulation comportementale,
• Formations et séminaires sur Blockchain, Intelligence
Artificielle et Information quantique
Pédagogie Blockchain, Intelligence Artificielle et Informa-
tion quantique. Qualité des données, simulation compor-
tementale.
Marchés visés
Universités, séminaires professionnels.

KERNIX
François-Xavier BOIS – Gérant
01 53 98 73 40 – fxbois@kernix.com
Cabinet d’expertise en technologies reposant sur une
Digital Factory et un Data Lab.
6, rue Lalande 75014 Paris
www.kernix.com
fr.linkedin.com/company/kernix
Chiffres-clés
CA en 2018 : 3,9 M€
Projet(s) labellisé(s) : Scoring ML
Mission et offres
Description du produit/service : conception, Réalisation
et maintenance de plateformes digitales.
Datasciences, IA, Graph Mining, Traitement automatique
de données non structurées (textes, images).
Marchés visés
Kernix s’adresse à toutes les entreprises cherchant à
transformer leurs idées en réalisations digitales sûres et
performantes
Kernix combine ses expertises en digital en en data pour
fournir à ses clients des plateformes numériques com-
plètes.
267
KRIPTOWN
Mark KEPENEGHIAN – Président
06 72 99 79 46 – mark@kriptown.com
La Bourse des start-up – Nouvelle forme d’investissement
liquide pour contribuer au financement des start-up.
118, Avenue du général Leclerc, 75014 Paris
www.krip.town
www.linkedin.com/company/kriptown
Chiffres-clés
Date de création : mars 2018
Projet(s) labellisé(s) : Kriptown
Mission et offres
Marchés cibles : B2B (start-up) et B2C (investisseurs).
Description du produit/service : Kriptown démocratise
l'investissement en start-up en proposant à des investis-
seurs d'acheter, dès un euro, des tokens de la start-up
liés à la valeur de ses parts. Grâce à l'utilisation d'une
blockchain privée, la plateforme permet d’offrir de la liqui-
dité en donnant l’accès à un marché secondaire permet-
tant de revendre ou d'acheter des tokens à tout instant.

268
LE PARTENAIRE
Ludovic LABORDE – Directeur Général
06 42 17 58 33 – l.laborde@le-partenaire.fr
Précurseur de la digitalisation et de l’automatisation du
parcours client sur le marché du crédit et de l’assurance.
8, quai de la Madeleine, 45000 Orléans
www.le-partenaire.fr
Chiffres-clés
CA en 2018 : + 500 k€
Mission et offres
Marchés cibles : B2C et B2B.
Description du produit/service : Digitalisation de la dis-
tribution crédits & assurances pour les particuliers et les
professionnels.
Nous automatisons l’approche bancaire et assurantielle
au niveau du parcours client afin de commercialiser des
offres dédiées et qualifiées. Nos algorithmes prédictifs
génèrent un matching des offres pour chaque profil client :
• Analyse et Traitement de l’information disponible en
BDD ;
•
Rapprochement Profil client/Offres pour proposer la
meilleure solution personnalisée : crédit + assurance ;
• Analyse prédictive des besoins tout au long du projet
Les bénéfices clients :
• Le client génère en quelques clics un contrat via une
expérience enrichissante ;
• Souscription dématérialisée via paiement en ligne et si-
gnature électronique ;
• Personnalisation du parcours client, avec un mix hu-
main/digital .
Le Partenaire en quelques chiffres :
• 1 700 000 annonces immobilières et plus de 50 000 pro-
fessionnels ;
• + 70 000 particuliers ;
• + 3 200 prospects/mois.
Marchés visés
• B2C : 3 millions de Français chaque année en phase de
changement de vie immobilière ;
• B2B : TNS, TPE et petite PME.
Capter et transformer à moindres coûts des prospects
en recherche de crédit et d’assurance. Développer des
portails web permettant aux clients de réaliser leurs
démarches en ligne de manière simple, fluide et rapide
(une expérience client unique et novatrice). Concevoir une
plateforme digitale de distribution BtoBtoC de crédits et
d’assurances à destination de l’ensemble des profession-
nels de l’immobilier, du crédit et de l’assurance (affiliés).
LABORATOIRE
INFORMATIQUE
GRENOBLE
CNRS–UGA–GINP–INRIA
Éric GAUSSIER – PROF UGA
04 57 42 15 00 – eric.gaussier@univ-grenoble-alpes.fr
L’ambition est de s’appuyer sur la complémentarité et la
qualité reconnue des équipes de recherche du LIG pour
contribuer au développement des aspects fondamentaux
de l’informatique (modèles, langages, méthodes, algo-
rithmes) et pour développer une synergie entre les défis
conceptuels, technologiques et sociétaux associés à
cette discipline.
Bât. IMAG, 700 avenue Centrale, 38401 St-Martin
d’ Hères
www.liglab.fr/fr
Chiffres-clés
La diversité et la dynamicité des données, des services,
des dispositifs d’interaction et des contextes d’usage im-
posent l’évolution des systèmes et des logiciels pour en
garantir des propriétés essentielles telles que leur fiabili-
té, performance, autonomie et adaptabilité. Relever ces
défis trouve une résonance dans les cinq axes théma-
tiques de recherche explorés au LIG :
• Génie des Logiciels et des Systèmes d’Information ;
• Méthodes Formelles, Modèles et Langages ;
• Systèmes Interactifs et Cognitifs ;
• Systèmes Répartis, Calcul Parallèle et Réseaux ;
• Traitement de Données et de Connaissances à Grande
Échelle.
Le LIG se veut un laboratoire centré sur les fondements
et le développement des sciences informatiques, tout en
veillant à une ouverture ambitieuse sur la société pour en
accompagner les nouveaux défis.

LEXING
ALAINBENSOUSSAN
AVOCATS
Alain BENSOUSSAN – Président
01 82 73 05 05 – alain-bensoussan@alain-bensoussan.
com
Réseau international d’avocats dédié au droit du numé-
rique et des technologies avancées.
58, boulevard Gouvion-Saint-Cyr, 75017 PARIS
www.alain-bensoussan.com
LinkedIn, Facebook et Twitter (@AB_Avocats)
Chiffres-clés
Effectif en 2018 : 120 personnes, dont une centaine d’avocats
Statut juridique : SELAS
Pays d’implantation : Une trentaine de cabinets sur les cinq
continents.
Depuis sa création en 1978, le cabinet Lexing Alain Ben-
soussan Avocats se consacre au droit des nouvelles tech-
nologies, dans le domaine du droit de l’informatique, des
télécommunications et de la propriété intellectuelle. Ce
choix précurseur lui a permis de développer son expertise
et d’être à la pointe des meilleures pratiques juridiques
dans tous les domaines du numérique et des technologies
avancées au fur et à mesure de leur développement. No-
vateur dans son organisation, sa gestion et son système
qualité, il devient le premier cabinet d’avocat français à
être certifié ISO en 1998. Son équipe composée d’avo-
cats technologues associe la connaissance des secteurs
techniques et du droit spécifique qui s’y applique, et ap-
porte son savoir-faire dans tous les axes d’exercice du
métier.
Marchés visés
Le cabinet conseille et assiste, en conseil comme en
contentieux, la totalité des activités dédiées aux tech-
nologies avancées, par secteurs technologiques, écono-
miques et juridiques :
• Éditeurs & prestataires, dans tous les domaines tech-
nologiques ;
• Utilisateurs dans tous les secteurs : assurance, ser-
vice, banque, industrie, santé... ;
• Grands comptes internationaux et français ;
• Collectivités territoriales et ministères ;
• Start up & incubateurs.
Le cabinet, qui a fait de l’innovation sa première valeur et
son marqueur de différenciation, continue d’offrir de nou-
veaux services juridiques : depuis 2016, il propose à ses
clients une plateforme d’outils juridiques simples, intuitifs
et accessibles en mode SaaS depuis n’importe quel équi-
pement connecté à internet (ordinateur, tablette, smart-
phone) et dont les contenus sont à jour des dernières évo-
lutions législatives, réglementaires et jurisprudentielles.
269
LINGUA CUSTODIA
Olivier DEBEUGNY – Président
06 12 73 85 87 – olivier.debeugny@linguacustodia.com
Lingua Custodia est le spécialiste de l’intelligence artifi-
cielle appliquée à la traduction financière.
1, place Charles de Gaulle, 78180 Montigny-le-Bretonneux
www.linguacustodia.finance
www.linkedin.com/company/lingua-custodia
Chiffres-clés
Mission et offres
Marchés cibles : B2B, institutions financières (buy side
and sell side), Directions financières de grands groupes.
Description du produit/service : Lingua Custodia ap-
plique des techniques de machine learning à la linguis-
tique financière pour développer des outils de traduction
automatique personnalisables et spécialisés dans le do-
maine financier. Ces outils disponibles en ligne réduisent
les coûts de communication multilingue des institutions fi-
nancières grâce à des résultats de plus en plus pertinents
au fur et à mesure de leur utilisation.
• Natural Language processing ;
• Machine Learning ;
• Deep Learning ;
• Big Data ;
• Sémantique et linguistique financière.
Marchés visés
Lingua Custodia aide les professionnels de la finance à
gérer les traductions traitées en interne du fait de leur
urgence ou de leur technicité et leur permet d’y consacrer
moins de temps et de ressources. La société fournit aussi
un service de traduction finalisée par forfait grâce à sa
technologie.
Lingua Custodia a conçu et développé VERTO, un outil qui
permet de diviser par trois le temps passé en traduction
par les professionnels de la finance. VERTO a cette parti-
cularité de pouvoir « apprendre » des textes précédemment
traduits par ses utilisateurs et de prendre en considéra-
tion chacune des corrections effectuées sur les résultats
proposés.

MIEUXPLACER.COM
Guillaume-Olivier DORÉ - Fondateur et CEO
06 70 79 70 90 – guillaume-olivier.dore@mieuxplacer.com
Matthieu SÉNÉCHAL – cofondateur et Chief Science Officer
06 50 85 46 74 – matthieu.senechal@mieuxplacer.com
Mieuxplacer.com, une plateforme grand public de distri-
bution de produits financiers première de son espèce en
France. Sécurisée, gratuite et personnalisée, elle accom-
pagne, grâce à l’intelligence artificielle, ses clients dans
leurs choix, le suivi des performances et l’évolution de
leurs placements.
9, rue André Darbon, 33 300 Bordeaux (siège social)
16 avenue Kléber, 75016 Paris
www.mieuxplacer.com/
www.linkedin.com/company/mieuxplacer-com
Chiffres-clés
Projet(s) labellisé(s) : mieuxplacer.com a été labellisé le
8 décembre 2018 par le pôle de compétitivité Finance In-
novation.
Mission et offres
Marchés cibles : B2C.
Description du produit/service : L’épargne digitale et
performante, accessible à tous
! Sécurisée, gratuite et
personnalisée, la plateforme mieuxplacer.com utilise le
meilleur de l’intelligence artificielle appliquée à la finance
pour identifier les placements adaptés à votre profil et à
vos objectifs d’épargne.
Notre expertise repose sur notre capacité à profiler notre
utilisateur afin de lui proposer une recommandation glo-
bale et personnalisée de produits financiers. Grâce à nos
outils de data science, nous analysons son comportement
afin de nourrir l’intelligence artificielle et le machine lear-
ning de notre plateforme. Développée en interne par notre
département R&D, notre IA a été pensée en étroite colla-
boration avec notre équipe d’experts en gestion de patri-
moine. Leur mission est double pour mieuxplacer.com :
• ils nous permettent de la faire évoluer afin de la rendre
la plus humaine possible dans ces choix ;
• ils sourcent et identifient les meilleurs produits de pla-
cements disponibles sur le marché pour l’épargne de
nos clients.
Marchés visés
Notre ambition est de démocratiser le conseil en Gestion
de Patrimoine, encore trop souvent réservé à une élite.
Nous cherchons à toucher le grand public : quel que soit
leur profil, quels que soient les objectifs, tous les épar-
gnants peuvent investir et bénéficier de conseils gratuits
sur mieuxplacer.com.
Notre plateforme d’épargne assistée par l’intelligence ar-
tificielle.
270
MARGO
Xavier LAGARRIGUE – Associé Fondateur
+33 6 61 37 11 55 – xavier.lagarrigue@margo-group.com
Tech native, Margo est une société de conseil qui accom-
pagne les entreprises dans leur transformation digitale
sur des sujets à forte complexité technologique.
#LaPiscine – 9, rue Christophe Colomb, 75008 Paris
www.margo-group.com
www.linkedin.com/company/margofr
Chiffres-clés
CA en 2018 : 25,6 millions d’euros
Pays d’implantation : France – Angleterre – Pologne
Mission et offres
Description du produit/service : Les offres de Margo s’or-
ganisent autour de 4 piliers de savoir-faire : Business Agi-
lity, Haute performance IT, Data to Business et Modernisa-
tion de SI. En plaçant l’innovation au cœur de son modèle,
Margo guide les entreprises dans leurs choix stratégiques
et la création de technologies innovantes, dans l’objectif
d’acquérir un avantage concurrentiel.
Design IT competitive advantage whatever business sector
De plus en plus, les entreprises mettent l’IT au cœur de
leur Business model car elles ont besoin de se doter d’ou-
tils qui seront des avantages concurrentiels. Grâce à son
offre de Business Agility, Margo crée d’abord les condi-
tions favorables à la transformation à tous les niveaux,
Management, Business et IT. Ensuite nous intervenons
sur des sujets clés à forte complexité technique : la Haute
Performance IT, la Data to Business et la Modernisation
de SI. Nous investissons aussi en R&D sur des sujets
de Code-Mining et profitons de l’écosystème des startups
créées par nos fondateurs. Et nous vivons d’ailleurs dans
un start-up studio qui s’appelle #LaPiscine.
Marchés visés
Expert historique en Finance de marché, Margo accom-
pagne les entreprises de toutes tailles et tous secteurs
d’activité (Finance, Assurance, Énergie, Retail, Industrie,
Telecom, Secteur Public…) sur leurs projets de transfor-
mation digitale en France et à l’international.
CodeCase, a technology from the R&D program “Code
Mining”, accelerates and securizes code modernization
projects.

MONEMPRUNT.COM
Gaëlle AUBREE – Directrice générale adjointe
06 17 23 45 26 – gaelle.aubree@monemprunt.com
monemprunt.com est la solution qui simplifie l’accès au
crédit immobilier pour les particuliers > 100% en ligne,
gratuit, rapide.
1, rue Robert Duvivier, 35000 Rennes
Grande Arche de La Défense
www.monemprunt.com
LinkedIn/Facebook/Twitter : monemprunt.com
Chiffres-clés
Date de création : juillet 2016
Projet(s) labellisé(s) : Finance Innovation – Le Swave.
Mission et offres
Monemprunt.com est une plateforme qui digitalise, simplifie,
accélère toutes les étapes de la demande de crédit jusqu’au
déblocage des fonds. Elle s’appuie sur de puissants algo-
rithmes qui recherchent en temps réel les meilleures offres
des banques en fonction du projet et du profil (pré-accord de
faisabilité instantané) et sur une équipe d’experts financier
qui prennent en charge les dossiers des clients de A à Z.
Monemprunt.com facilite le parcours de tous les acteurs
du financement immobilier : acquéreur, courtier, banquier,
agent immobilier. Le back off de l’étude de financement est
réalisé par monemprunt.com : avec une partie automatisée
et scorée et une partie par nos experts. Seuls les dos-
siers complets, analysés et finançables sont transmis aux
banques les plus pertinentes en fonction de leurs conditions
du moment. Un gain de temps pour les banques et pour les
clients qui reçoivent une réponse en quelques jours.
Marchés visés
• Cible de jeunes urbains particuliers de 25 à 40 ans :
première acquisition immobilière;
• Les acteurs immobiliers, sensibles à l’innovation, qui
souhaitent améliorer leur processus de vente et accé-
lérer la signature des compromis via un financement
rapidement ficelé;
• Les banques régionales et nationales qui souhaitent ac-
quérir de nouveaux clients.
Le caractère innovant repose sur :
• La simplification du process pour l’emprunteur qui réalise un
achat immobilier et obtient un service de recherche de finan-
cement 4 étoiles, sans déplacement, sans frais, dans des
délais très courts. Il obtient instantanément un pré accord
de faisabilité ainsi que sa capacité maximum d’emprunt.
• Le temps de traitement et d’analyse divisé par 3 pour
l’équipe d’experts financiers monemprunt.com par
rapport à un traitement classique dans un cabinet de
courtage => grâce aux algorithmes, aux contrôles auto-
matiques, à la génération automatique des synthèse et
des alertes au client emprunteurs et aux banques.
• Pour les banques : dossier scoré correspondant à leur
cible, complet avec l’ensemble des pièces administra-
tives accessible en 1 clic.
• Pour les acteurs immobiliers, des outils de validation
immédiate de la capacité d’emprunt permettent de
verrouiller et accélérer les ventes en rassurant les ven-
deurs et les acquéreurs.
271
MONUMA
Emmanuel MOYRAND – Président
06 87 40 62 76 – e.moyrand@monuma.fr
Un expert dans votre poche 24/24. PARIMONIA : première
application blockchain valorisant les objets de valeurs par
photographies, constatant des situations par blockchain,
et valorisant globalement des risques. TRANSPORT : Pre-
mière application blockhain scannant toute la chaine du
transport, avec un expert encapsulé en back.
41, allée du butard 92420 Vaucresson
Bureau parisien : station F 75013
www.monuma.fr
monuma/@mouma_art/blog monuma
Chiffres-clés
CA en 2018 : 100 000 €
Projet(s) labellisé(s) : Blockchain Patrimonia
Pays d’implantation : France, Espagne, Monaco
Mission et offres
Marchés cibles : assureurs, banques, immobilier, collaboratif.
Description du produit/service : Première application
blockchain valorisant les objets de valeurs par photogra-
phies, constatant des situations par blockchain, et va-
lorisant globalement des risques. Première application
blockhain scannant toute la chaine du transport, avec un
expert encapsulé en back. En un mot : le tiers de confiance
blockchain dans votre poche.
Biens de valeurs, transport, assurance, expertise valorisation.
Marchés visés
Assureurs, banques, immobilier, collaboratif, marques de luxe.
PARIMONIA : Première application blockchain valorisant les
objets de valeurs par photographies, constatant des situa-
tions par blockchain, et valorisant globalement des risques.
TRANSPORT : Première application blockhain scannant toute
la chaine du transport, avec un expert encapsulé en back.

MYDATABALL
Stéphane CHAUVIN – CEO
06 79 86 42 01 - stephane.chauvin@mydataball.com
Plateforme visual data analytics et IA collaboratif.
38, rue de la blauderie, 79000 Niort
www.myDataBall.com
www.linkedin.com/in/schauvin
Chiffres-clés
Date de création : janvier 2010
CA en 2018 : 250
Projet(s) labellisé(s) : MyDataBall
Mission et offres
Marchés cibles : banque assurance, énergie, eau.
Description du produit/service : nous éditons la solution
MyDataBall, plateforme analytics qui accélère la capaci-
té à analyser de grands volumes de données et détecter
les insights d’optimisation métier, de mettre l’expérience
des collaborateurs au centre de la performance des en-
treprises.
Machine learning pour marketing analytique, finance
optimisation, CdG performance, Risk Management,
Knowledge Discovery Management, performance commer-
ciale multicanal.
Marchés visés
Notre offre se porte pour toute activité qui consomme de
la donnée pour l’aide à la décision. Nos verticaux sont
construits sur les métiers de la performance des entre-
prises.
Le processus MyDataBall de fabrication industrielle de
consommation de données par l’IA permet de :
• Pour accéder rapidement au patrimoine numérique mé-
tier étendu ;
• Pour accélérer la capacité d’analyse ;
• Pour synthétiser la détection des diagnostics métier par
votre IA ;
• Pour répondre aux enjeux de la communication des
chiffres et d’optimiser les tableaux de bord corporate
par l’IA ;
• Pour capitaliser sur les connaissances métiers des col-
laborateurs.
Grâce à notre moteur MyDataBall, les utilisateurs peuvent
créer leurs propres règles afin de profiler les insights à fort
retour sur investissement et d’augmenter la performance
par l’expérience des utilisateurs métiers. Notre innovation
rompt les verrous technologiques de l’auditabilité de l’IA
par la spécificité de mise à disposition visuelle et multi-
dimensionnelle des résultats des machines learning co-
construits par les collaborateurs. Le livrable des projets
est une industrialisation des insights métiers par la plate-
forme MyDataBall.
NAPOLEON INDEX
Arnaud DARTOIS – CEO
+33 6 17 62 52 95 – arnaud@napoleonindex.com
Agent Calculateur & Administrateur d’indices offrant pu-
blication classique et certification sur la blockchain.
59 Rue Montmartre, 75002 Paris
www.napoleonindex.com
www.linkedin.com/company/napoleonx
Chiffres-clés
Date de création : avril 2018
Projet(s) labellisé(s) : en cours – Soutenance du 21 Mars 2019
Mission et offres
Description du produit/service : Napoleon Index est un
administrateur d’indices selon la directive benchmark
(enregistrement en cours auprès de l’AMF). Au delà du
calcul et de l’administration d’indices, Napoleon Index am-
bitionne d’utiliser au mieux la blockchain pour élever les
standards de transparence dans cette activité, en propo-
sant un audit track blockchainé via son moteur de certifi-
cats horodatés.
Napoleon Index se démarque par une expertise et un sa-
voir-faire uniques :
• Administrateur de benchmark : enregistrement en cours
selon la directive benchmark (enregistrement annoncé
pour le 15 février). Seulement la deuxième société en
France avec cette certification;
• Calculateur d'indice et Review (révision des indices) :
plateforme unique et sécurisée, structurée en micro
services redondants et facilement adaptable à une
montée en charge importante;
• Certification Blockchain : moteur de publication de cer-
tificats horodatés sur la blockchain. Certification à ré-
vélation différentiée applicable au paper trading de so-
lutions d’investissement algorithmiques, aux analyses
d’actions prospectives et aux recommandations.
Marchés visés
Napoleon Index propose des solutions de calcul d’indices
à des clients professionnels tels que des banques, ges-
tionnaires d’actifs et courtiers. Napoleon Index a pour
ambition de s’imposer comme une alternative Française,
technologique et économique, sur le marché de la publica-
tion et de l’administration d’indices.
Outre le calcul et l’administration classique d’indices, Na-
poleon Index est le seul acteur à proposer un audit-track
basé sur la blockchain et un moteur de certificats horoda-
tés applicables aux recommandations et analyses d’opé-
rations sur titres.
272

NEPHELAI
Eléonore DE VIAL – Présidente
06 85 74 21 25 – eleonore.devial@nephel-ai.com
Nephelai est une solution d'assistance à la saisie d'ordres
et de transactions financières pour les banques et sociétés
de gestion.
34, rue Dombasle, 75015 Paris
www.nephelai.eu/
www.linkedin.com/company/nephel-ai/about
Chiffres-clés
Date de création : novembre 2018
CA en 2018 : 60 000 €
Projet(s) labellisé(s) : oui
Mission et offres
Marchés cibles : B2B, banques d’investissement, ges-
tionnaire d’actifs, asset servicers.
Description du produit/service : Nephelai utilise le Machine
Learning pour détecter les erreurs sur les transactions/ins-
truments financières, afin d'aider les institutions financières
à contrôler leurs coûts de transactions et atteindre l'excel-
lence opérationnelle. La solution se branche dans la chaine
de traitement des opérations à différents niveaux pour détec-
ter plus de 90% des erreurs le jour de négociation.
Notre équipe fondatrice se compose de 5 associés aux com-
pétences et expériences complémentaires. Elle cumule en
particulier 35 années d'expérience dans l'édition de logiciels
financiers, la création d'une précédente startup à succès, 3
ans d'étude spécifique sur l'application d'algorithmes de Ma-
chine Learning à la détection d'erreurs dans les transactions
et une expertise des métiers de la gestion d’actifs. La com-
binaison de la connaissance métier et de l’IA fait la force de
Nephelai. Notre solution montre d’excellents résultats tout en
répondant aux exigences métier. Les alertes sont enrichies
d’explications détaillées pour guider les utilisateurs, les pré-
dictions sont réalisées en quelques millisecondes pour un
impact minimal sur la chaine de traitement des opérations,
les données des transactions passées sont consommées au
fil de l’eau et non stockées pour garantir leur confidentialité.
Marchés visés
Notre solution s’adresse à toutes les institutions finan-
cières ayant des volumes de transactions significatifs
(plus de 200 transactions par an et par classe d’actif.) En
particulier, notre solution intéresse les sociétés de ges-
tion qui traitent des titres et produits dérivés.
NETHEOS
Olivier DÉTOUR – CEO & Fondateur
06 17 37 14 71 – o.detour@netheos.net
Netheos accompagne les institutions financières dans
leur parcours de souscription digitalisé conciliant KYC et
expérience utilisateur.
1025, Henri Becquerel, Parc Club du Millénaire, Bat 18,
34000 Montpellier
www.netheos.com
fr.linkedin.com/company/netheos
www.twitter.com/Netheos
Chiffres-clés
CA en 2018 : 2 M€
Projet(s) labellisé(s) : Trust & Sign
Pays d’implantation : France, Belgique, Portugal, Italie
Mission et offres
Marchés cibles : B2B(2C).
Description du produit/service : La solution Saas, Trust and
Sign de Netheos, supprime le papier et utilise l'Intelligence
Artificielle pour sécuriser et accélérer la vente en ligne de
produits bancaires et assurantiels. Le motion design Trust
and Sign (2 min) : www.netheos.com/#videomotion.
Nous nous distinguons en premier lieu par notre savoir
faire en IA, nos technologies largement éprouvées et par
le niveau d'automatisation de nos solutions. Mais c'est
aussi notre orientation business qui fait la différence :
• Lutter contre la fraude sans considérer l'impact sur le
business n'est plus admissible aujourd'hui. Et le ratio
en ce sens de nos solutions est très bon,
• Il existe beaucoup de solutions de signature électro-
nique mais la nôtre est spécifiquement dédiée à la
vente en ligne et à l'acquisition de nouveaux prospects
ce qui la rend très efficace dans ce contexte.
Marchés visés
Nos marchés principaux sont ceux de l’assurance et de la
banque. Il s’agit de dématérialiser la souscription de pro-
duits du type assurance vie, mutuelle, garantie loyer im-
payé, assurance prêt immobilier, etc. Même si nous avons
quelques déploiements avec nos partenaires en Europe,
le territoire est aujourd’hui principalement la France.
273

ONEWEALTHPLACE
Alexandre HARKOUS – Président
01 84 25 30 40 – aharkous@onewealthplace.com
OneWealthPlace est une fintech évoluant dans le do-
maine de la gestion d’actifs et de fortune, créée en
Août 2017. Nous proposons des solutions digitales dis-
ruptives et innovantes intégrant intelligence artificielle
et blockchain afin d’accompagner les institutions finan-
cières dans leurs projets de transformation digitale.
38, Avenue de l'Opéra, 75001 Paris
www.onewealthplace.com
www.linkedin.com/company/onewealthplace
Chiffres-clés
Date de création : août 2017
Projet(s) labellisé(s) : AirFund, décembre 2018
Mission et offres
Marchés cibles : à la fois BtoB et BtoBtoC.
Description du produit/service : deux offres avec AirFund,
Blockchain privée à permission pour la gestion et dissémi-
nation des données pour les fonds avec un registre décen-
tralisée ; Et AirWealth, une solution 100% modulaire, cou-
vrant toute la chaîne de valeur pour la gestion de fortune,
gestion sous-mandat et gestion conseillée.
Un board exécutif et un comité consultatif disposant d’une
très grande expérience dans les métiers de la banque pri-
vée et de l’asset management. Un savoir-faire reconnu
des équipes OneWealthPlace dans la conduite et l’implé-
mentation de projets complexes globaux.
Marchés visés
Les typologies de clients concernés sont les banques
privées, les sociétés de gestion disposant d’une activité
de gestion sous mandat/gestion conseillée, les Conseil-
lers en Gestion de Patrimoine, les Family Office ainsi que
les Asset et Fund Managers. Les zones géographiques
ciblées, dans un premier temps, sont la France, la zone
Benelux et la Suisse.
OZE ENERGIES
Gilles NOZIÈRE – Président
09 61 68 40 08 – gilles.noziere@oze-energies.com
Optimisation du confort et économies d’énergies sans
travaux dans les immeubles tertiaires et résidentiels
avec une solution IA+IoT en utilisation réelle.
59, avenue de Paris, 94300 Vincennes
www.oze-energies.com
fr.linkedin.com/company/oze-energies
Chiffres-clés
Statut juridique : SARL
Projet(s) labellisé(s) : Conduite anticipée des équipe-
ments de génie climatique des bâtiments tertiaires en
fonction des conditions climatiques en vue d’optimisation
sans travaux des consommations et du confort des occu-
pants avec une solution à base d’Iot et d’IA.
Pays d’implantation : France et Europe
Mission et offres
Oze-Energies développe et commercialise une solution
originale reposant sur l’IA et les objets connectés, Op-
timzen®, qui booste les performances énergétiques et le
confort des immeubles tertiaires ou résidentiels collec-
tifs, sans travaux. Déployée rapidement, avec un temps
de retour sur investissement court, la solution permet
d’améliorer sensiblement le confort (ressenti et mesuré)
tout en réalisant 25% d’économies d’énergie, sans tra-
vaux, dans un bâtiment ancien ou neuf, sous tout climat
et dans tout environnement règlementaire. Elle valorise
un actif immobilier en le rendant plus « smart », traçable
économe et conforable, favorise le bien-être de ses oc-
cupants et réduit l’empreinte carbone d’un bâtiment. Op-
timzen® équipe actuellement plus de 3 millions de m2
.
• Optimisation simultanée du confort et de l’énergie sans
travaux sur les immeubles existants;
• Traçabilité et optimisation ;
• Smart Building ;
• Gestion fine et continue des performances d’un im-
meuble (énergie et confort) en condition d’utilisation
réelle, avec ou sans travaux d’amélioration;
• Relevé et de traitement de données reposant sur des
algorithmes et les objets connectés (IoT);
• Ingénierie en efficacité énergétique.
274

PAYLEAD
Charles DE GASTINES – CEO
06 80 16 27 82 - c.degastines@paylead.fr
PayLead révolutionne la connaissance clients grâce à
l’analyse de la donnée de transaction bancaire.
55, rue La Boétie, 75008 Paris
www.paylead.fr
www.twitter.com/pay_lead
Chiffres-clés
Date de création : 27 juillet 2016
Projet(s) labellisé(s) : ALO® (Account-Linked Offers)
Mission et offres
Description du produit/service : Grâce à son expertise en
Intelligence Artificielle, PayLead analyse les flux de paie-
ment et offre des clés de connaissance clients incompa-
rables aux institutions financières et aux commerçants,
tout en respectant une politique de « privacy by design ».
PayLead est une Fintech spécialisée dans la connaissance
clients. La fintech a pour ambition de mettre la puissance
de cette donnée engageante, indépendante du canal
d’achat et hautement prédictive au service des banques
& des acteurs du retail.
Marchés visés
Banques (traditionnelles, en ligne, néo-banques), assu-
rances, retail.
PayLead permet aux banques de devenir des prescripteurs
inspirants en offrant à leurs clients des avantages perti-
nents, différenciants et innovants dont la valeur perçue
est évidente pour le consommateur, au travers d’offres
commerciales 100 % personnalisées* selon leurs com-
portements et habitudes d’achats. En parallèle, PayLead
permet aux commerçants de s’appuyer sur une segmen-
tation puissante et leur offre ainsi un ciblage plus intel-
ligent et plus performant afin qu’ils puissent adresser
efficacement des audiences stratégiques par des offres
sur-mesure.
*Des offres de cashback conçues par les marchands partenaires et direc-
tement créditées sur les comptes bancaires des clients des banques parte-
naires touchés par les offres.
275
+SIMPLE.FR
Anthony JOUANNAU – Directeur Général
06 03 09 21 90 – ajouannau@plussimpe.com
Courtier en ligne pour les TPE/PME.
2, rue Grignan, 13001 Marseille
www.plussimple.fr/#/home
www.linkedin.com/company/-simple-fr
Chiffres-clés
Date de création : avril 2015
Mission et offres
Marchés cibles : B2B (TPE/PME).
Description du produit/service : fondé en 2015, +Simple.
fr est un courtier en assurance numérique pour les profes-
sionnels indépendants et les TPE, à savoir les entreprises
ayant moins de vingt salariés. Elle est implantée en France
à Paris (siège social), Nancy et Marseille.
La start-up a ainsi conçu une plateforme de souscription
et de gestion des assurances qui propose un parcours
simplifié 100 % digital et des solutions dédiées par métier.
Pour supprimer toutes les lourdeurs administratives et ga-
gner en transparence, +Simple a développé un robot-cour-
tier qui analyse les besoins du client pour lui fournir une
offre adaptée à son activité professionnelle. Il est capable
aujourd’hui d’analyser environ cinq cents métiers de ma-
nière autonome.
Marchés visés
TPE françaises.
De plus pour garantir aux entreprises une offre qui cor-
respond à leurs attentes, la société a noué des partena-
riats avec des assureurs, des courtiers, des banques, des
mutuelles ou encore des institutions de prévoyance qui
distribuent leurs offres directement via la plateforme de
+Simple. À ce jour, la start-up a signé une quinzaine de
partenariats.

QARD
Azzeddine Chaibrassou - CEO
+33 6 16 50 83 85 - ac@qardfinance.com
47, rue Marcel Dassault, Boulogne Billancourt
www.qardfinance.com
www.linkedin.com/company/qardfinance
Chiffres-clés
février 2018
Mission et offres
Marchés cibles : B2B, TPE e-commerçantes.
Description du produit/service : financement des TPE via
des contrats de dette à court terme pour les besoins en
fond de roulement. La prise de décision et la mesure de
risque sont effectuées de façon instantanée et basée sur
des données financières conventionnelles autant que non
conventionnelles telles que des ratios sur la performance
des ventes, l’efficacité opérations ou la satisfaction des
clients.
• Prise de décision via un modèle de risque ;
• Gestion et exploitation de données massives;
• Deep learning et reinforcement learning pour l’entraine-
ment du modèle.
Marchés visés
Qard vise le marché des TPE et en particulier des TPE
e-commerçantes avec un chiffre d’affaires annuel pouvant
aller jusqu’à 5 millions.
Qard propose des prêts à court terme sans garantie ni
caution pour tous les besoins en trésorerie des TPE e-com-
merçantes. Grace à sa technologie et son savoir-faire
Qard peut offrir aux TPE un prêt sur mesure et en moins
de 24 heures, prenant en compte de réels indicateurs de
performance de l’activité commerciale et non de simple
ratio financiers et comptables.
QUANTCUBETECHNOLOGY
Thanh-Long HUYNH - CEO
01 43 58 48 46 - tlh@q3-technology.com
FinTech spécialisée dans l’analyse en temps réel de don-
nées Big Data pour la finance et l’économie.
19, Boulevard Poissonnière, 75002 Paris
www.q3-technology.com
Chiffres-clés
Projet(s) labellisé(s) : FUI 22
Mission et offres
Marchés cibles : B2B, institutions financières.
Description du produit/service : le produit phare de
QuantCube Technology est la Global Macro Smart Data,
c’est-à-dire la croissance économique en temps réel, l’in-
flation en temps réel, le marché de l’emploi en temps réel.
Cette solution permet d’anticiper les changements de ten-
dance et de se positionner sur les marchés financiers.
Cette solution est principalement utilisée pour les inves-
tissements à moyen terme, pour la prévision des cycles
conjoncturels, et pour les investissements à long terme,
tels que l’immobilier ou l’infrastructure. La solution est
distribuée sous forme SaaS.
QuantCube Technology est constituée d’une équipe de
26 personnes, la plupart d’entre elles ayant des doubles
ou triples formations en mathématiques appliquées, intel-
ligence artificielle, statistiques, mais également en écono-
mie et en finance. Au sein de cette équipe, il existe plu-
sieurs sous-équipes spécialisées en IA, notamment pour
des techniques de NLP en natif pour l’analyse de texte
en différentes langues (anglais, français, chinois, arabe,
russe…), de deep learning pour la détection, classifica-
tion et segmentation d’images satellites, et de théorie des
graphes pour analyser les liens entre les personnes.
Marchés visés
Les marchés visés sont les grandes places financières :
New York, Londres, Paris, Tokyo et Dubaï. Les institutions
visées sont les institutions financières tels que les socié-
tés de gestion, les hedge funds et aussi les institutions
publiques – banques centrales ou ministères.
L’analyse des données alternatives a des applications
orientées investissement sur différents horizons : court
terme, moyen-terme et long-terme. Les solutions analy-
tiques permettent par exemple aux sociétés de gestion la
mise en place de stratégies d’investissement, mais aus-
si la création d’indicateurs macroéconomiques en temps
réel (estimation de la croissance économique ou de l’in-
flation par exemple), d’indices de sentiment en temps réel
avec l’analyse de l’e-réputation de sociétés, marques ou
individus, ou encore le monitoring des principaux champs
agricoles à l’échelle mondiale. Pionnière dans cette indus-
trie d’avenir de l’analyse macroéconomique et financière
basée sur la combinaison d’Intelligence Artificielle et de
données massives hétérogènes, la startup s’est imposée
ces dernières années comme le leader du domaine en Eu-
rope et ambitionne d’atteindre le même statut à l’échelon
mondial.
276

QUANTICS
TECHNOLOGIES
Pascal FOURNIÉ-TAILLANT – Président
+33 6 07 24 86 62
pascal.fournie-taillant@quantics-technologies.com
Depuis 2010, Quantics Technologies développe des so-
lutions pour la gestion quantitative, le trading algorith-
mique et le Machine Learning.
42, avenue Montaigne, 75008 Paris
www.quantics-technologies.com
www.linkedin.com/company/quantics-technologies
Chiffres-clés
CA en 2018 : 420 M€
Projet(s) labellisé(s) : Qualta
Mission et offres
Marchés cibles : clientèle institutionnelle (Asset manage-
ment, BFI).
Description du produit/service : diffusion via un service
Web de signaux d’achat/vente d’instruments financiers
basés sur la technologie propriétaire de Machine Lear-
ning/IA QUALTA et développement de stratégies d’inves-
tissement quantitatives exploitant ces signaux.
Depuis 2010, Quantics Technologies développe des solu-
tions pour la gestion quantitative, le trading algorithmique
et le Machine Learning. En 2016, la société a livré uantify,
la 1ère
version de sa plateforme Web de gestion de porte-
feuille entièrement automatique. En 2018, elle obtient un
1er
brevet significatif en Machine Learning en rendant pos-
sible l’industrialisation à grande échelle de la « Détection
de Signaux Faibles » qui est au cœur de la solution Qualta,
et qui bénéficie d’applications concrètes pour la prédic-
tion des marchés financiers. Deux offres complémentaires
destinées à une clientèle institutionnelle (banques, assu-
rances, gérants d’actifs). Quantics Technologies a bénéfi-
cié du statut JEI et est éligible au CIR, éligibilité confirmée
par une expertise du Ministère de l’Enseignement supé-
rieur, de la Recherche et de l’Innovation menée en 2016.
Qualta est notre technologie brevetée de Machine Lear-
ning (BOPI N°18-46 du 16/11/18), software + hardware,
permettant une analyse prédictive de données fondée sur
la recherche de règles d’association, dite « Détection de
Signaux Faibles ». Il est le fruit de la complémentarité d’ex-
pertises de haut niveau en mathématiques appliquées,
développement logiciel et électronique. L’idée fondamen-
tale de Qualta est l’accélération de la compréhension de
problématiques complexes, rendue disponible à l’indus-
trie via l’optimisation de calculs massifs. Son originalité
tient dans son approche agnostique de l’analyse prédic-
tive de données, ainsi que dans une innovation techno-
logique puissante augmentant les vitesses de calcul tout
en réduisant le coût environnemental et logistique lié à
l’utilisation de fermes de calcul.
Marchés visés
Asset management, BFI.
REAL QUALITY RATING
Olivier MÈGE – Président
07 87 11 84 34 – olivier.mege@realqualityrating.eu
Leader mondial de la mesure de qualité des actifs
immobiliers.
49, rue de Ponthieu, 75008 Paris
www.realqualityrating.com
Chiffres-clés
Date de création : octobre 2016
CA en 2018 : 53 000 euros
Projet(s) labellisé(s) : novembre 2017
Mission et offres
Marchés cibles : investisseurs et propriétaires occupants.
Description du produit/service : RQR est une start up
spécialisée dans la mesure de qualité des actifs immobi-
liers. Ses services sont destinés à améliorer la précision
et l’efficacité des prises de décisions locatives ou d’inves-
tissement. Sa diffusion permettra à terme l’avènement
d’un marché de l’investissement immobilier plus juste,
plus efficace et ainsi une meilleure allocation de l’épargne
publique. Son approche est fondée sur l’intelligence col-
lective augmentée (ICA), rencontre du collectif des acteurs
économiques, des sciences cognitives et de l’intelligence
artificielle. RQR développe ses méthodologies en collabo-
ration avec des chercheurs de Dauphine et du CNRS. Elle
a été labellisée Finance Innovation par le Ministère des
Finances pour le caractère innovant de son service. Elle
est financièrement soutenue par la BPI et par la Commu-
nauté européenne.
Systèmes experts permettant l’évaluation de la qualité,
de la création de valeur, et de l’obsolescence.
Marchés visés
Immobilier commercial dans les pays développés.
Service d’aide à la décision d’investissement ou locative
dans les domaines de l’investissement, de l’asset mana-
gement, et du fund management. Plateforme d’évaluation
collaborative permettant de réaliser le scoring des im-
meubles an amont d’une acquisition et de benchmarker
le score obtenu en interne avec l’évaluation du marché,
générée par l’algorithme de notation.
277

SECURE-IC
Hassan TRIQUI – CEO
+33 6 71 45 47 46 – hassan.triqui@secure-ic.com
Secure-IC : The Security Science Company.
ZAC des Champs Blancs, 15, rue Claude Chappe, Bât. B,
35510 Cesson-Sévigné, France
www.secure-ic.com/
www.linkedin.com/company/secure-ic/
www.twitter.com/SecureIC
Chiffres-clés
Pays d’implantation : France (Rennes, Paris), Singapour, Japon
Mission et offres
Marchés cibles : B2B & B2C.
Description du produit/service : Our mission is to partner
with our Clients throughout and beyond the IC design pro-
cess to provide best-of-breed security expertise, solutions,
and technologies, for embedded systems and connected
objects: Protect (a rich IP portfolio), Evaluate (tools to eva-
luate the security of design before & after Silicon), Service
& Certify (support from experts along the project to reach
the security goals).
Secure-IC has developed security solutions for any elec-
tronic embedded system and connected object to protect
them against attacks and guarantee at each stage of the
design process that the security level reached is optimal.
In order to offer its clients best-of-breed technologies and
above state-of-the-art protections, Secure-IC, The Security
Science Company, is highly committed in its research com-
munity to analyze upcoming threats, explore innovative so-
lutions, and support the work of standardization bodies.
Our research activities benefit our partners through trai-
nings or closer collaborations on specific topics.
Marchés visés
Banking & Payment, Identity, IoT & Mobility, Media & Enter-
tainment, Government, Trusted Computing, Automotive.
Secure-IC proposes to its clients and partners a full range
of products and services. Our Protect offer contains a
complete set of hardware and software technologies to
include into your design in order to make them attack-re-
silient. The Evaluate offer is a product line dedicated to
the security assessment tools. Our Service offer com-
pletes these products to provide the necessary help and
knowledge for an optimal use.
SERENDPTECH
Émilie THÉBAULT – CEO
06 20 45 16 25 – emilie.thebault@serendptech.com
SerendpTech est une start-up hybride de la RegTech et
de la cybersécurité qui sécurise et simplifie le KYC en
vérifiant les identités de manière instantanée et mobile.
1, avenue du champ de Mars, 45000 Orléans
www.serendpTech.com
Chiffres-clés
Projet(s) labellisé(s) : Sync’ID
Mission et offres
Marchés cibles : B2B2C.
Description du produit/service : applications mobiles qui
permettent de fluidifier l’entrée en relation (onboarding)
des clients dans le monde physique et dans le full digital.
Simplification et sécurisation des obligations de KWC lors
de la création de compte en ligne. Facilitation de l’identifi-
cation et de l’authentification des transactions.
L’équipe est constituée de 3 anciens des ministères de
l’intérieur et de la défense, responsable et représentant
de la France au sein de la commission européenne et
à l’ONU de la sécurité des titres d’identité et de la lutte
contre la fraude. Spécialistes de la biométrie et de la lec-
tures des puces et de la cryptologie associée.
Marchés visés
Le marché bancaire et assurantiel, les fintechs, et le retail.
Ces applications sont les seules actuellement à proposer
un KYC instantané pour plus de 1 milliard de titres dans le
monde et à le rendre fluide et sécurisé grâce à des tech-
nologie de crypto et lecture des puces des passeports
notamment. RGPD compliance, la solution permets de pro-
téger les données des clients.
278

279
SHIFTTECHNOLOGY
Jérémy JAWISH – CEO
06 70 15 19 12 - jeremy.jawish@shift-technology.com
Entreprise offrant une solution en mode Saas pour la dé-
tection de fraude à l’assurance et l’automatisation de la
gestion des sinistres.
14, Rue Gerty Archimède, 75012 Paris
www.shift-technology.com
www.linkedin.com/company/shift-technology
Chiffres-clés
CA en 2018 : 3 M€
Pays d’implantation : France, Singapour, Japon, États-
Unis, Espagne, Suisse, Royaume-Uni, Hong Kong
Mission et offres
Description du produit/service : Nous proposons des so-
lutions aux compagnies d’assurance pour la détection de
fraude à l’assurance et l’automatisation de la gestion des
sinistres.
Notre expertise se concentre dans l’IA, le Big Data et le
Machine Learning ainsi que dans l’expérience métier des
équipes sinistres et fraudes de l’assureur.
Marchés visés
Nous visons les compagnies d’assurance du monde en-
tier pour tout type de ligne de business (Auto, Habitation,
Santé…).
Nous proposons une solution de détection de fraude aux
assurances, basée sur l’intelligence artificielle, bapti-
sée FORCE™. FORCE™ est une plate-forme de prise de
décision spécialement conçue pour les gestionnaires an-
tifraude qui permet d’accroître la capacité à détecter des
comportements frauduleux (fraude opportuniste et crime
organisé). Nous avons également une solution d’automa-
tisation de la gestion des sinistres pour les compagnies
d’assurance baptisée LUKE™.
SIS
Rémi DEMONT – Président
06 50 28 85 81 – remi.demont@sisnet.fr
SiS développe My SiS-id, première communauté de
direction financière de lutte contre la fraude aux vire-
ments.
20, Bld E Deruelle
www.sis-id.com
Chiffres-clés
Pays d’implantation : France, UK
Mission et offres
Description du produit/service : SiS développe My SiS-
id, première communauté de direction financière de lutter
contre la fraude aux virements.
L’innovation tant technologique qu’organisationnelle re-
pose sur le partage très large d’informations assortie
d’une exploitation strictement confidentielle et anonymi-
sée. La plateforme, tiers de confiance, sécurise les don-
nées bancaires et des paiements par :
• La création d’un référentiel de coordonnées de paie-
ment hautement sécurisé et infalsifiable reposant sur
l’utilisation de la technologie blockchain (partenariat
avec IBM);
• La mutualisation anonymisée des données de paiement
pour qualifier les nouvelles demandes avant leur émis-
sion et d’ainsi prévenir les tentatives de fraudes (parte-
nariat avec le LIRIS/CNRS).
Marchés visés
B2B.
• Un référentiel des données de paiement sous la respon-
sabilité des destinataires de paiement, authentifiées et
sécurisées une fois pour tous les membres du réseau;
• Un scoring des fichiers de paiement …avant leur départ
en banque;
• Une police d’assurance couvrant la fraude à d’identité
bancaire.

STRATUMN
Richard CAETANO – CEO
richard@stratumn.com
Stratumn a pour mission de restaurer la confiance dans
les processus inter-entreprises.
1 bis, cité Paradis
www.Stratumn.com
www.linkedin.com/company/stratumn
Chiffres-clés
Mission et offres
Marchés cibles : B2B assurances et banques.
Description du produit/service : notre produit TRACE est
une solution de traçabilité et d’optimisation de processus
complexes. TRACE combine le chiffrement, la technologie
blockchain et une connectivité simplifiée via API pour per-
mettre à plusieurs partenaires de partager un processus
en temps réel. Ainsi TRACE supprime les frictions opéra-
tionnelles causées par l’absence de confiance au sein de
chaînes de valeur complexes.
Stratumn a pour mission de restaurer la confiance dans
les processus inter-entreprises. Notre produit TRACE com-
bine un chiffrement de nouvelle génération, la technologie
blockchain et une connectivité simplifiée via API pour per-
mettre une traçabilité universelle des processus. Grâce à
TRACE, les processus entrent dans un nouveau paradigme
où la traçabilité n’est plus réservée à quelques étapes
simples, par exemple la signature d’un contrat d’assu-
rance, mais à l’ensemble d’un processus complexe mul-
ti-acteur. Nous supprimons les frictions opérationnelles au
sein de chaînes de valeur complexes causées par l’ab-
sence de confiance. Là où historiquement les acteurs sont
obligés de répliquer des centaines de tâches manuelles et
de documents, nous créons la confiance dans un même
processus, partagé en temps réel :
• plus de réconciliation a posteriori;
• automatisation en toute sécurité de processus com-
plexes avec historique des éléments entrant dans la
prise de décision;
• preuve de conformité en temps réel avec piste d’audit
certifiant de la réalisation des contrôles règlementaires
avec enregistrement des résultats obtenus;
•
responsabilisation des acteurs avec signatures digi-
tales et irrépudiabilité des actions.
Marchés visés
Tracabilité, optimisation de processus, conformité, KYI,
KYC, KYS, banques et assurances.
Avec TRACE, nos clients passent du monde d’une confor-
mité gérée a posteriori à force de contrôles documentaires
manuels et fastidieux à un monde où l’exécution même du
processus apporte la preuve de sa conformité, accessible
et vérifiable de manière indépendante par les auditeurs et
les régulateurs. Les applications en cours de déploiement
en production chez des leaders européens de la Banque
et Assurance sont la gestion documentaire du processus
KYC/KYI, l’automatisation de sinistre en Prévoyance, et le
suivi de données financières critiques.
280
TACOTAX
Aldric EMIÉ - co-fondateur & CEO
06 20 34 75 77 – aldric@tacotax.com
Le coach en ligne pour les finances personnelles des
particuliers.
112, avenue de Paris, 94306 Vincennes
www.tacotax.fr
www.linkedin.com/company/10292132/admin
Chiffres-clés
Mission et offres
Marchés cibles : B2C2B.
Description du produit/service : TacoTax met à disposi-
tion des particuliers tous les outils et conseils pertinents
de nos experts pour les aider à optimiser leurs situations
financières.
Accompagnement fiscal, accompagnement finances per-
sonnelles, machine learning.
Marchés visés
Tout le marché des finances personnelles : défiscalisation,
gestion de patrimoine, crédits, assurances, etc.
Nous avons développé des algorithmes de machine lear-
ning qui nous permettent d'adapter les investissements
suggérés à nos utilisateurs en fonction de leur situation
personnelle. Basés sur les comportements des utilisa-
teurs sur le site (clics, temps passé, demandes de rappel
téléphoniques) mais aussi sur le niveau de satisfaction
des utilisateurs (via des enquêtes par email) et de nos
partenaires (via des sondages mensuels), ces algorithmes
sont au cours de notre ambition de rendre accessible et
facile les prises de décision patrimoniales.

281
TESTAMENTO
Virgile DELPORTE - PDG
01 85 09 67 62 – v.delporte@testamento.fr
Plateforme de sensibilisation et d’anticipation succes-
sorale.
91, Rue du Faubourg Saint-Honoré, 75008 Paris
www.testamento.fr
www.linkedin.com/company/testamento
Chiffres-clés
Effectif en 2018 : 10 personnes
CA en 2018 : 100 k€
Projet(s) labellisé(s) : Plateforme globale d’anticipation suc-
cessorale
Mission et offres
Marchés cibles : B2B2C et B2C.
Description du produit/service : Testamento propose des
solutions uniques de transmission et d’optimisation de la
succession, au travers de services de sensibilisation (Kit
Info Succession), de solutions juridiques (testament, der-
nières volontés), et de protection de patrimoine.
Chez Testamento, nous pensons que toutes les étapes de
la vie doivent être anticipées en toute simplicité, même
les moins amusantes. C’est la raison pour laquelle nous
avons décidé, avec notre équipe d’experts du droit, du
marketing, de la technologie et de l’assurance, de démo-
cratiser les sujets de succession, en les rendant simples,
pratiques, et sécurisées.
Marchés visés
Le principal marché de Testamento est le B2B2C. Nous
travaillons avec assureurs/banques, mutuelles, courtiers
et institutions de prévoyance, qui souhaitent apporter du
conseil à leurs clients, augmenter leur connaissance client
pour mieux vendre et leur fournir des solutions simples
pour faire face à leurs obligations réglementaires (en par-
ticulier la DDA et la Loi Eckert). Le marché français est le
premier visé, mais Testamento souhaite se déployer dans
tous les pays de droit latin dans les prochaines années.
Testamento propose 3 grandes catégories de solutions
pour le marché de la prévoyance et de la vie :
• Offre 1 : inclusion des services Testamento sur un es-
pace Testamento.fr co-brandé ;
• Offre 2 : logiciels SaaS de gestion de clause bénéfi-
ciaire dans le parcours de souscription et en self-care
pour les assurés ;
• Offre 3 : solutions d’acquisition et/ou de fidélisation en
prévoyance individuelle ou collective.
THE INDEPENDANT
CALCULATIONAGENT(ICA)
Stéphane RIO - CEO and founder
+33 1 53 65 35 95 - stephane.rio@the-ica.com
Les calculs de risques de marchés réinventés : Pricing & Risk
as a Service ou les technologies au service du Pricing & Risk.
112 avenue Kleber, 75116 Paris
www.the-ica.com
www.linkedin.com/company/the-independent-calculation-agent
www.twitter.com/IndepCalcAgent
Chiffres-clés
Projet(s) labellisé(s) : ICA
Pays d’implantation : France, Angleterre, Japon
Mission et offres
Marchés cibles : B2B. Clients : banques, consultants, auditeurs,
«
buy-side
» (clients des banques).
Description du produit/service : Les nouvelles réglementations
surlesdérivésimposentauxbanquesdescalculsdeplusenplus
complexes et une gestion de quantités énormes de données,
pour lesquels les systèmes historiques ne sont plus adaptés.
ICA propose une solution plus performante, agile et économique,
basée sur les technologies du cloud computing et du big data, en
«
Software as a Service
» ou en implémentation spécifique.
Pour atteindre notre objectif, nous avons utilisé les innovations des
acteurs du web et des nouvelles technologies (big data, cloud com-
puting, IA…) pour les mettre au service des calculs quantitatifs sur
les produits dérivés qui permettent d’obtenir des prix et mesures
de risques dans les domaines les plus complexes de la finance de
marché (comme xVA, FRTB…). Le résultat est un système qui nous
permet de faire ces calculs plus efficacement que les systèmes tradi-
tionnels : à la fois en termes de temps de calculs et de coûts. Cette
expertise est disponible à travers notre offre de Software as a Service
ou d’implémentations spécifiques à partir des modèles des banques.
Marchés visés
• Pour les utilisateurs de produits dérivés : externalisation de la
complexité des calculs liés aux nouvelles réglementations
;
• Avec nos technologies du cloud computing, big data et
AI appliquées à vos librairies financières, réduisez vos
temps et coûts de calculs actuels à une fraction.
• Pricing & Risk as a Service : externalisation de toute la chaîne
de calculs depuis les modèles financiers jusqu’à la puis-
sance de calculs. L’utilisateur garde la main sur les inputs et
calibrations, mais ne se soucie pas de l’implémentation, la
maintenance, la puissance de calculs nécessaires ;
• UI et BI, focus 100% business : depuis le report réglemen-
taire ou comptable jusqu’à la capacité de gérer des scénarios
«
what-if
» en temps réel pour optimiser un portefeuille existant,
pour optimiser l’exécution d’une nouvelle transaction, pour éva-
luer le prix donné par une contrepartie («
reverse engineering
») ;
• Base de données big data capable de manipuler («
slide and
dice ») en quasi-temps réel des centaines de milliards de don-
nées sur des ordinateurs classiques (y compris un laptop
!) ;
• Utilisation innovante du cloud en séparant les calculs
confidentiels (gérés localement ou dans un cloud pri-
vé) de ceux qui ne le sont pas (utilisation de l’élasticité
du cloud public). Module d’anonymisation pour enlever
TOUS les éléments confidentiels.

282
TIIME
Maxime DIGUE – Co-Fondateur
06 11 21 68 77 – maxime.digue@tiime.fr
Tiime est une suite d’application gratuite pour entre-
prendre simplement.
15 – 17, rue Auber, 75 009 Paris
www.tiime.fr
www.linkedin.com/company/tiime-app
Chiffres-clés
CA en 2018 : 1 M€
Mission et offres
Description du produit/service : Tiime est une suite
d’application gratuite répondant à différents besoins des
entrepreneurs : créer en ligne son entreprise, facturer fa-
cilement, collecter l’ensemble de ses reçus et matcher
automatiquement relevés bancaires et factures. Notre
mission : simplifier la vie des petites entreprises et leur
faire gagner du temps. À ce jour, Tiime a aidé plus de
15 000 entrepreneurs en France.
Utilisation de l’Intelligence Artificielle dans la catégori-
sation des données bancaires à des fins d’exploitations
comptables ou de gestions.
Marchés visés
Tiime s’adresse aux entrepreneurs français, mais l’ouver-
ture à l’international n’est pas exclue.
Tiime offre à ses utilisateurs :
• une carte Mastercard et un IBAN français ;
• la création d’entreprise (SARL, SAS) en ligne et gratuite ;
• une application de devis et factures simples ;
• le rapprochement automatique des factures et des rele-
vés bancaires ;
• la collecte et le classement des justificatifs.
TREEZOR
Éric LASSUS – Directeur Général
+33 1 84 19 29 81
eric.lassus@treezor.com – sales@treezor.com
Treezor est une plateforme de Bank-as-a-Service qui
propose aux entreprises des services de paiement en
marque blanche par API.
94, rue de Villiers, 92300 Levallois-Perret
www.treezor.com
www.linkedin.com/company/treezor/
www.twitter.com/TreezorBanking
Chiffres-clés
CA en 2018 : 1 100 000 €
Pays d’implantation : France et Espace économique Européen
Mission et offres
Marchés cibles : B2B2B & B2B2C.
Description du produit/service : Treezor est un EME agréé
par l’ACPR, membre Mastercard et SEPA. La plateforme de
Bank-as-as-Service, offre aux sociétés des solutions de
paiement en marque blanche par API. La plateforme per-
met de gérer l’ensemble des moyens paiements : cartes,
virement, prélèvement… Une solution de paiement com-
plète qui répond aux besoins des projets de néobanque,
marketplace, cagnotte, programme carte.
Paiement, Monnaie électronique, Tokenisation, Gestion de
la fraude, Digitalisation.
Marchés visés
Treezor s’adresse à toutes les entreprises européennes
qui souhaitent se doter de solutions de paiement inno-
vantes et digitalisées pour simplifier les usages. Treezor
vise essentiellement les Fintech, Banque, Assureur, Mar-
ketplace, Plateformes collaboratives et Retailer/E-com-
merçant.
API, Core-banking, Wallet, IBAN, KYC, Acquisition en ligne
par Cartes bancaires, Virement SEPA, Prélèvement SEPA,
Émission de carte physique et virtuelle, BIN Sponsorship,
Apple Pay, Samsung Pay…

283
UNIRIS
Sébastien DUPONT-RAOSETA – CEO
06 12 13 55 51 – seb@uniris.io
Votre carte bancaire c’est vous ! Uniris et ses 11 bre-
vets redéfinissent les standards en termes d’inclusion,
de sécurité, de respect des données privées, et d’argent
programmable (Biométrie, Blockchain, AI).
86, rue de Paris, 91400 Orsay
www.uniris.io
www.linkedin.com/company/uniris
Chiffres-clés
Date de création : février 2017
Pays d’implantation : France, Inde
Mission et offres
Marchés cibles : B2C (ICO) & B2B.
Description du produit/service : Le premier produit est la
cryptomonnaie « UCO » pivot d’une Blockchain de nouvelle
génération, qui, contrairement à ses ainées permet :
• une réduction vertigineuse de la consommation d’éner-
gie (20 millions de fois moins);
• une validation instantanée & un stockage illimité des
transactions ;
• des fonctionnalités « smart-contract » inédites (facilité
de programmation, mise à jour, déclenchement automa-
tisé et interactions avec le monde réel).
AI, blockchain, biométrie, cyber sécurité, brevets.
Marchés visés
Le premier marché visé est de celui de la Blockchain (10
milliards d’euros d’ici à 2022) notamment sur 2 axes
prioritaires que sont la cyber sécurité (Défense, ONU) et
les Services financiers. La branche Services Financiers
démarrera Q1 2019 par le lancement de l’ICO avant de
s’étendre, à moyen terme, sur des services tels qu’une
MarketPlace et bien sûr les paiements par un simple ef-
fleurement de doigt ne nécessitant plus aucun équipe-
ment personnel.
La solution Uniris repose sur 2 innovations technologiques
majeures et brevetées (11 brevets FR/US/Chine/Inde). Le
premier est constitué d’un dispositif biométrique de nou-
velle génération permettant d’authentifier n’importe quelle
personne à partir de son réseau veineux des doigts, et
ce, de façon aussi sécurisée qu’une carte bancaire, mais
sans nécessiter le moindre dispositif, ni de communiquer
quelque donnée personnelle que ce soit. Le second est
une Blockchain de nouvelle génération, qui, contrairement
à ses ainées (Bitcoin, Ethereum …) a résolu les épineux
problèmes de la consommation d’énergie, du temps de
validation d’une transaction et de la capacité de stockage
jusque-là extrêmement limitée, en outre, cette Blockchain
dispose de smart-contracts (ou actions programmées dé-
centralisées) beaucoup plus simples et évolués que les
standards actuels (p.ex Ethereum/Solidity).
UNKLE
Matthieu LUNEAU - Co-fondateur & CEO
06 27 35 59 14 - matthieu@unkle.fr
Unkle est le nouveau garant souscrit simplement et auto-
matiquement en ligne par un locataire pour booster son
dossier et rassurer son propriétaire qui est couvert gra-
tuitement contre les loyers impayés.
112, Avenue de Paris, 94300 Vincennes
www.unkle.fr/
www.linkedin.com/company/unkle-tech
Chiffres-clés
Date de création : 26 juin 2018
Mission et offres
La mission de Unkle est de fluidifier l’accès au logement pour
tous les locataires qui ne remplissent pas les conditions de
marché pour louer rapidement et facilement un appartement.
Aujourd’hui, les conditions de marché sont les suivantes :
• Avoir une situation stable (s’apparentant quasi-systéma-
tiquement à un CDI);
• Avoir un garant solide;
• Avoir un historique en France;
• Gagner au moins trois fois le loyer.
Faute de remplir toutes ces conditions, 6 millions de locataires
ont (ou auront un jour) du mal à se loger rapidement et facile-
ment en France. Unkle propose aux locataires de devenir leur
garant afin de (i) booster leur dossier de location, de (ii) faciliter
leurs démarches de recherche immobilière et de (iii) convaincre
plus facilement un propriétaire de leur laisser louer son appar-
tement. Avec Unkle, le propriétaire est assuré de continuer à
toucher ses loyers tous les mois même si le locataire arrête
de le payer. Le locataire paie mensuellement 3,5% du montant
du loyer et Unkle touche une commission chaque mois. La ga-
rantie Unkle apportée par un locataire pour son propriétaire :
• Une garantie gratuite pour le propriétaire;
• Un remboursement jusqu’à 96 000€ de loyers impayés;
• Une couverture de 24 mois d’impayés sur toute la durée
du bail;
• Pas de franchise ni délai de carence.
Le locataire se connecte sur www.unkle.fr, rempli un ques-
tionnaire, upload ses pièces justificatives et Unkle lui
donne une réponse.
Unkle est une Fintech à classer plutôt dans la catégorie
Insurtech à la croisée des chemins entre l’assurance et
l’immobilier. Unkle est un intermédiaire en assurance et
en banques et en services de paiement. Unkle est agréée
par l’ORIAS (l’organisme pour le Registre des Intermé-
diaires en Assurance, Banque et Finance) sous le numéro
18005151. Unkle a développé une une plateforme tech
100% en ligne, une garantie ainsi qu’un scoring innovant
et est adossé à un porteur de risque.
Marchés visés
Les clients d’Unkle sont les freelances, les indépendants,
professions libérales, jeunes actifs, expatriés, étudiants,
colocataires, retraités. Tous ces futurs clients ont pour
point commun de ne pas réunir l’ensemble des conditions
de marché pour louer facilement un appartement.

UTOCAT
Clément FRANCOMME - CEO
06 37 58 42 80 - clement@utocat.com
Éditeur de logiciel blockchain pour le domaine bancaire
et assurantiel.
Euratechnologies Doge B, 4, avenue des Saules, 59160 Lille
www.utocat.com
www.linkedin.com/company/utocat
Chiffres-clés
Date de création : 10 novembre 2014
CA en 2018 : 412k€
Mission et offres
Description du produit/service : Catalizr est un logiciel de
gestion numérique des titres non cotés. La solution traite,
de la souscription à l’archivage en passant par la signa-
ture, les documents nécessaires à un investissement en
non coté sous un format numérique. Elle centralise les
échanges entre acteurs et propose une gestion simplifiée
des OST et des revalorisations.
Nous concevons des solutions permettant d’assurer la
transition numérique de nos clients. Nous sommes spé-
cialisés dans la technologie blockchain depuis 4 ans et
nous amenons la technologie blockchain dans des usages
métiers. Nous assurons également une sécurité numé-
rique maximale dans l’ensemble de nos produits grâce à
un usage contrôlé de la technologie.
Marchés visés
Nous évoluons sur le marché bancaire et financier et
nous avons, pour principal client, l’ensemble des grandes
banques françaises et européennes, les conservateurs
ainsi que les entités juridiques traitant les dossiers d’in-
vestissements.
Catalizr permet de faciliter l’accès à l’investissement
dans l’économie réelle. Fini les procédures manuelles et
les dossiers administratifs à rallonge, nous proposons de
centraliser l’ensemble des processus afin de proposer à
l’investisseur une expérience unique d’investissement.
Nous garantissons également l’accès à l’ensemble des
produits financiers permettant d’optimiser vos investis-
sements tels que le PEA. Nous utilisons la technologie
blockchain comme une surcouche sécuritaire supplémen-
taire en indexant les preuves numériques afin de certifier
les procédures.
VARIABL
Simon POIROT – Directeur Opérations, Cofondateur
06 38 68 90 57 – simon@variabl.io
Plateforme de création et d’échange de produits dérivés
en cyberactifs programmés et exécutés sur la Blockchain
Ethereum pour plus de transparence, sécurité et stabilité. Le
projet VariabL est supporté par la société ConsenSys France.
WeWork, 64 rue des Archives, 75003 Paris
www.variabl.io
Twitter @VariabLio
Chiffres-clés
Mission et offres
Marchés cibles : B2B, B2C.
Description du produit/service : VariabL est une plate-
forme d’échange construite sur la blockchain publique
Ethereum, permettant d’entrer dans des contrats dérivés en
crypto-actifs. La plateforme est dite «
semi-décentralisée
» :
certaines fonctionnalités sont exécutées directement sur la
Blockchain (ie. décentralisées) et d’autres sont gérées en
interne (ie. centralisées). Il s’agit du premier marché d’ins-
truments dérivés sur une blockchain publique bénéficiant de
toutes ses caractéristiques et avantages, et notamment :
• Un haut niveau de sécurité des transactions, qui sont validées,
gérées et exécutées par le biais d’un réseau informatique dé-
centralisé sans nécessité d’intervention d’un intermédiaire ;
• Des transactions effectuées quasi instantanément ;
• Des frais de transaction très faibles ;
• Des «
fonds
» qui n’ont pas besoin d’être consignés par un in-
termédiaire, puisque les actifs en jeu sont conservés dans les
« smart-contracts » à partir du moment où un ordre est placé, et
cejusqu’àlaliquidation.Eneffet,cesontles« smart-contracts »
et non VariabL qui sont les consignataires des fonds des utili-
sateurs : seul leur code peut décider de l’issue du contrat et
de la répartition des fonds qu’il contient. Ces décisions sont
conditionnées par avance et ces conditions sont immuables.
• Pas de possibilité de détournement des fonds ;
• Une compensation et un règlement effectués automati-
quement : la plateforme est codée de manière à ce que
la compensation et le règlement des transactions s’ef-
fectuent automatiquement d’une manière quasi décen-
tralisée selon les conditions prédéfinies dans le code,
et qui ne peuvent être modifiées, même par VariabL ;
• Un enregistrement en temps réel de l’historique des tran-
sactions dans un registre partagé qui ne peut être falsifié.
Expertise technique :
• développement logiciel et serveurs ;
• blockchain Ethereum et smart-contracts (infrastructure,
fonctionnement, évolutions) ;
• technologie « state channels » ;
Expertise financière.
Marchés visés
• À court terme, le marché existant du trading d’actifs
numérique (50 millions d’utilisateurs estimés) ;
• À moyen terme, le marché des applications décentrali-
sées – autrement dit, les entreprises développement des
solutions utilisant la technologie blockchain. Il s’agit d’un
marché très jeune, à la croissance exponentielle ;
• À long terme, les institutions financières traditionnelles
souhaitant s’exposer à risque de marché ou couvrir un
risque financier.
284

VIALINK
Philippe SANCHIS – CEO & Directeur Général
philippe.sanchis@vialink.fr
23-25, rue Daviel, 75013 Paris
www.vialink-kyc.com
www.linkedin.com/company/vialink-france
Chiffres-clés
Projet(s) labellisé(s) : à venir
Pays d’implantation : France, Europe prochainement
Mission et offres
Marchés cibles : B2B, B2B2C.
Description du produit/service : Vialink propose une
plateforme en mode API, permettant la reconnaissance et
la lecture de documents, mais aussi le contrôle automati-
sé de dossiers (KYC) en passant par la contractualisation
digitale (SIGN). Vérification automatique des documents :
basé sur des algorithmes Machine & Deep Learning et
sur la connexion à de nombreuses bases de données ex-
ternes (Infogreffe, PEP, OFAC, BODACC, …), Vialink assure
de manière systématique les contrôles sur chaque docu-
ment de manière unitaire comme croisée. Ces contrôles
sont valables tant pour la personne physique que mo-
rale, et permettent d’accélérer drastiquement les délais
d’entrée en relation. Notre solution de «
face matching
»
(reconnaissance faciale) permet d’ajouter un niveau de
contrôle supplémentaire sur les parcours à distance tout
en fluidifiant les parcours de souscription. Simplification
et sécurisation contractuelle : notre plateforme propose
une large gamme de solutions de signatures : de la signa-
ture simple à avancée (respectant les normes eIDAS en
vigueur), pour les personnes physiques ou morales. KYC +
SIGN, une plateforme unique pour répondre à l’ensemble
des problématiques de conformité et de parcours clients.
• Assurer un parcours clients sans couture, 100% digitali-
sé de l’entrée en relation à la signature du dossier;
•
Accélérer l’acquisition de nouveaux clients avec en
moyenne une hausse de 40% du taux de conversion ;
• Réduire les coûts de traitement back-office et conformité.
Le GROS plus de la solution Vialink est qu’elle est totale-
ment adaptable aux besoins métiers grâce à ses possibi-
lités de paramétrage. Par exemple : l’authentification des
éléments d’une carte identité sera décisive pour l’ouver-
ture d’un compte bancaire, alors que l’authentification et
la lecture d’un bulletin de salaire le sera pour une agence
immobilière dans la location d’un appartement. La plate-
forme permet de gérer simplement, rapidement et de ma-
nière conforme la relation client, de la prise de contact à
la signature de l’acte.
285
WIZI–TYRELL SAS
Julien LOZANO - CEO
06 70 99 75 68 - julien@wizi.eu
WIZI permet de simplifier et d’optimiser le process de
gestion locative entre particuliers.
55, rue Alphonse Pluchet, 92220 Bagneux
www.wizi.io
Chiffres-clés
Mission et offres
Marchés cibles : Actuellement commercialisé en B2C,
nous souhaitons développer notre offre à destination du
marché B2B.
Description du produit/service : Wizi est une application
mobile collaborative qui donne aux locataires ET aux pro-
priétaires les moyens de sécuriser, d’optimiser et de sim-
plifier TOUTES les étapes du cycle de vie d’une location
longue durée entre particuliers.
Marchés visés
Le parc immobilier locatif français représente 5 500 000 lo-
gements détenus par 2
400
000 propriétaires bailleurs
dont les 2/3 louent leur bien en direct. A l’échelle euro-
péenne, la tendance est encore plus marquée, 78 % des
bailleurs traitent en direct avec les locataires sans passer
par une agence immobilière. Mais le propriétaire bailleur,
pour rester «
maitre
» de son bien en traitant directement
avec son locataire, doit assurer toutes les tâches de mise
en location et de gestion. Sans les compétences et les
outils d’un professionnel immobilier il assume les risques
de vacance locative, d’impayés et même de non-conformi-
té juridique, car le marché immobilier est très réglementé.
De son côté le locataire qui, pour éviter les frais d’agence,
s’engage dans une relation directe avec un bailleur prend
le risque de visites inutiles ou décevantes, car mal ci-
blées, d’une contractualisation non conforme, abusive
ou illégale et d’un suivi administratif parfois chaotique.
Les bailleurs et locataires en sont ainsi réduits, malgré
les incertitudes et les risques d’une relation directe non
professionnelle, à gérer par eux-mêmes leur processus de
location en intégrant laborieusement outils disparates et
gestion manuelle.
Wizi est une innovation de service qui bouscule le marché
en intégrant dans une application unique l’ensemble des
moyens permettant d’exploiter un bien immobilier : ges-
tion d’une annonce jusqu’au rapprochement locataire/
propriétaire, contractualisation jusqu’à la signature du
bail, gestion locative jusqu’au congé du locataire. Wizi
est la première solution « tout en un » couvrant l’intégralité
du processus de location entre particuliers. La stratégie
d’une solution «
Mobile first
», donc sur smartphones do-
tés des dernières fonctionnalités (photo, géolocalisation,
notifications, agenda …), permet d’exploiter les dernières
technologies telles que la signature électronique, le paie-
ment électronique, l’authentification faciale, la visite en
réalité virtuelle, la réalité augmentée. Wizi, solution réso-
lument innovante, fait également le pari d’être une solu-
tion « ready for future ».

XBRAIN
Gregory RENARD - CEO & Chief AI Officer
+1 650 285 8405 - gregory.renard@xbrain.ai
xBrain est un éditeur de logiciel spécialisé dans l’aug-
mentation de la productivité par l’intelligence artificielle
au travers du langage naturel. Satisfaction.AI est sa 1ere
solution complète dédiée à l’augmentation de la relation
client.
6, Boulevard Haussmann, 75009
www.satisfaction.ai
www.linkedin.com/company/xbrain
Chiffres-clés
Pays d’implantation : France, USA
Mission et offres
Marchés cibles : B2B, B2C.
Description du produit/service : satisfaction.AI est une
solution d’augmentation de la qualité et productivité de la
relation client par la mise en oeuvre de processus d’intelli-
gence collective entre l’Intelligence Humaine et l’IA.
Intelligence Collective Homme-Machine par Intelligence ar-
tificielle, Natural language processing et Machine Learning
au service de la relation client.
Marchés visés
Les petites, moyennes et grandes entreprises dans un 1er
temps, à travers le monde et pour tout type d’industrie
(relation client, banque, assurance, e-commerce…). L’ob-
jectif à terme étant de rendre la solution accessible à tous
les professionnels.
Satisfaction.AI est une solution d'IA de gestion de la
conversation dédiée à la relation client et basée sur la
complémentarité homme / machine. En plus de vous
permettre d'apporter une réponse 24h/24 à vos clients,
elle permet une présence sur l'ensemble des canaux de
communication : voix, sms, chat, email répondant ainsi à
100% des demandes de vos clients sur leur canal privi-
légié. satisfaction.AI vous permet aussi de passer très
simplement d'un canal à un autre, de la voix au SMS par
exemple. Ses interfaces de monitoring vous offrent une
vue unifiée de l'ensemble des conversations en cours et
permettent à vos collaborateurs de prendre la main si be-
soin sur des conversations (sur la base de notre solution
brevetée d’analyse de l’atmosphère de la conversation et
d'indicateurs métiers).
YESACCOUNT
José VAZQUEZ - directeur des Opérations
+33 6 32 24 09 47/+33 1 77 13 17 51 - jv@netsas.com
Solution YesAccount by Netsas, éditeur de logiciel. Ye-
sAccount est une plateforme d’automatisation de la te-
nue comptable et de certification blockchain des pièces,
écritures comptables et transactions.
100, rue Lafayette, 75010 Paris
www.yesaccount.fr
Chiffres-clés
Effectif en 2018 : 1 à 2 salariés
CA en 2018 : 350 k€
Projet(s) labellisé(s) : YesAccount
Mission et offres
Marchés cibles : La solution YesAccount s’adresse en
B2B aux professions du chiffre et principalement aux Ca-
binets d’Expertise Comptable.
Description du produit/service : YesAccount propose un
bouquet d’applications permettant de collecter, traiter et
exploiter les documents et les données utiles au pilotage
de l’entreprise : gérer ses devis et factures d’achats ou
de vente, suivre ses encours clients et fournisseurs, gérer
ses notes de frais ou ses contrats. Elle permet de pro-
duire automatiquement des écritures comptables exploi-
tables par son cabinet d’expertise.
YesAccount permet de produire automatiquement des écri-
tures comptables directement exploitables par son cabi-
net d’expertise. Le Dirigeant dispose ainsi au fil de l’eau
des données d’activité et le cabinet d’une tenue comp-
table automatisée pour plus de réactivité et de conseil.
Ceci de manière transparente, simple et sécurisée.
Marchés visés
YesAccount est commercialisé avec succès par des ca-
binets d’expertise comptable. Nous voulons accélérer le
développement commercial de la solution auprès des TPE
françaises ainsi qu’auprès des banques ou une société
d’assurance pour apporter un service différentiant à vos
clients et disposer de données uniques.
La fiabilité des données est une composante clé
puisqu’elles sont utilisées pour les déclarations légales
telles que la TVA, DNS, IS. Elles ne peuvent pas être al-
térées ou considérées comme peu fiables. Pour répondre
à cette problématique centrale, nous avons fait reposer
YesAccount dès sa conception en mai 2015, sur la tech-
nologie de blockchain publique. En soumettant l’ensemble
des documents, transactions et exports comptables réa-
lisés au fil de l’eau, les données exploitées deviennent
alors irrévocables, uniques. Ces informations de grande
valeur permettent de créer des services à très forte valeur
ajoutée comme des achats groupés ciblés, des prêts inte-
rentreprises, des analyses financières en temps réel pour
n’en citer que quelques-uns.
286

287
YOUSE
Olivier Bazin - Co-Fondateur et Directeur Général Adjoint
06 88 11 57 21 - olivier.bazin@youse.fr
Youse, c’est le garant qui change tout. Plus besoin de
CDI avec une sélection unique à partir des relevés ban-
caires. Plus de retards de paiement ou d’impayés car
c’est Youse qui verse le loyer.
4, place Raoul Dautry, 75015 Paris
www.youse.fr
LinkedIn ou autre :
www.linkedin.com/company/yousehome
www.twitter.com/YouseFrance
Chiffres-clés
Date de création : juin 2018
CA en 2018 : 800 000 €
Projet(s) labellisé(s) : labellisé dans la catégorie Immobi-
lier + Prix du public pour la Fintech de l’année 2018.
Mission et offres
Youse, c’est le garant qui change tout pour le propriétaire
et pour le locataire.
Propriétaires
? Ne manquez plus un seul de vos loyers. En
tant que propriétaire, vous avez deux exigences : trouver un
locataire solvable, et percevoir vos loyers en temps et en
heure. Et si nous avions enfin la solution
? Filiale à 100 %
de CNP Assurances, Youse est le garant institutionnel qui
sélectionne les locataires en analysant leurs relevés ban-
caires. Plus qu’un simple garant, Youse est un intermé-
diaire de paiement automatisé qui vous reverse chaque
mois vos loyers à date fixe. Finis les impayés et retards de
paiement
! Et en plus, c’est gratuit pour vous : la garantie
Youse est intégralement financée par le locataire (3,8 % du
loyer charges comprises). Résultat
? Vous sécurisez la ren-
tabilité de votre bien… et vous gardez l’esprit libre
! Alors,
prêt à oser Youse ?
Locataires
? Obtenez votre garant et rassurez les proprié-
taires ! Décrocher un appartement en location est devenu
un vrai parcours du combattant. Quand on a pas de CDI,
un garant et 3 fois le loyer, difficile de faire accepter son
dossier. Et s’il était temps de tout changer
? Filiale de CNP
Assurances, Youse apporte aux locataires le garant dont
ils ont besoin pour rassurer les propriétaires. Comment ça
marche ? Sur simple étude de vos relevés bancaires, Youse
sélectionne les locataires les plus fiables et se porte ga-
rant. Après signature du bail, Youse reverse chaque mois
vos loyers au propriétaires, contre une mensualité de 3,8 %
du loyer charges comprises. Pour votre propriétaire, c’est
une garantie forte qui inspire confiance. Alors, prêt à oser
Youse ?
ZELROS
Christophe BOURGUIGNAT - CEO
06 30 89 92 09 - christophe.bourguignat@zelros.com
AI for Augmented Insurers.
Station F - 5, Parvis Alan Turing, 75013 Paris
www.zelros.com
www.twitter.com/ZelrosAI
Chiffres-clés
CA en 2018 : 1 M€
Mission et offres
Description du produit/service : Solution d’IA pour assu-
reurs : aide à la vente et à la gestion des sinistres. Grâce
à notre technologie de machine learning, les assureurs
obtiennent des gains de 40 % en moyenne, l’enjeu final
étant l’amélioration de l’expérience client.
Machine Learning, Big Data, Intelligence Artificielle, cloud,
traitement du langage naturel.
Marchés visés
Notre marché est celui des technologies d’Intelligence
Artificielle pour assureurs et bancassureurs. Notre vision
est que dans le futur, les assureurs les plus performants
feront cohabiter cerveaux biologiques (experts humains)
et cerveaux de silicium (intelligence artificielle) : ce sera
l’avènement de l’Assureur Augmenté.
Solution de collaborateur augmenté pour assureurs. Grâce
à notre technologie de machine learning, nous révolution-
nons la vente des produits d’assurance et la gestion des
sinistres. Plusieurs clients ont déjà choisi notre solution
(CNP Assurances, Natixis Assurance, MAIF, AXA…), princi-
palement dans l’assurance habitation, crédit emprunteur,
et vie.

288
Remerciements
très particuliers
à l’attention de
Sarah Lamoudi
Je souhaite remercier tout particulière-
ment Sarah Lamoudi, expert Blockchain
et Intelligence Artificielle pour son excep-
tionnelle contribution au pilotage et à la
réalisation de ce Livre blanc.
En effet, au tout début de l’aventure, Sa-
rah Lamoudi a montré une exceptionnelle
motivation pour l’innovation en technolo-
gie appliquée à la finance : diplômée de
l’École d’ingénieurs Polytech’ Paris, titu-
laire d’un MBA de la Sorbonne et certifiée
Fintech du MIT (Cambridge USA), et forte
de 12 ans d’expérience en conseil dans
de grands cabinets de conseil et stratégie
(Capgemini, Accenture, PwC), Sarah a sou-
haité apporter son expérience au dévelop-
pement de l’écosystème Fintech au sein
du Pôle de compétitivité, et la conduite du
Livre blanc a représenté une opportunité
inédite pour l’innovation dans le secteur
financier et les défis de transformation di-
gitale.
Sarah a montré des qualités très pré-
cieuses à plusieurs titres : l’identifica-
tion des experts et des compétences
nécessaires au projet sur un plan fran-
çais et international, l'identification des
meilleures tendances en intelligence ar-
tificielle, blockchain et quantique. Sarah
est très « débrouillarde », curieuse et aime
«
challenger
» les idées avec les meilleurs
experts. Elle a su convaincre des experts
de premier plan à rejoindre l’aventure.
C’est sur la base de cet état des lieux cou-
plé avec l’état des lieux français que le
livre blanc a été lancé au sein du Pôle de
compétitivité fin 2017.
Une fois le Comité de pilotage désigné,
Sarah a coordonné et piloté l’ensemble
des groupes de travail (7 groupes de tra-
vail avec plus de 60 réunions) pour faire
émerger avec les 200 participants (cher-
cheurs du CNRS/CEA/INRIA, banquiers/
assureurs/asset managers, startups/fin-
techs…) et en collaboration étroite avec
les pilotes du Livre blanc et les équipes
du Pôle, les domaines d’innovation priori-
taires mis en exergue dans le Livre blanc.
Sarah a démontré pendant tout le temps
du projet un esprit collaboratif, ainsi
qu’une attitude très créative et a réalisé
un travail de rigueur (technique/scienti-
fique) avec détermination, en lien étroit
avec des experts seniors notamment Ju-
liette Mattioli (PhD, Senior Experte en IA,
Thalès), Bertrand Braunschweig (Directeur
de la Stratégie IA pour la France, ex-Direc-
teur de INRIA Paris-Saclay), Jean Gebriel
Ganascia (Professeur à Sorbonne universi-
té), Muriel Faure (Directrice de l’AFG), Phi-
lippe Denis (Head of Blockchain Lab, BNP
Paribas CIB), Cathy Rosalie-Joly (Avocate
associée, Experte réglementation fintech
et blockchain, Bird&Bird), Patrick Seifert
(Cabinet Chappuis Halder), Pascale Se-
Sarah LAMOUDI

289
nellart (Directrice de recherche CNRS en
quantique)… ainsi que l’ensemble des ex-
perts qui sont remerciés très chaleureuse-
ment dans ce livre blanc.
Aujourd’hui, Sarah, ayant évolué dans le
monde de l’innovation avancée, et forte
d’un réseau global d’experts, est sur
sa lancée pour mettre à disposition ses
compétences au sein de structures (TPE/
PME/Grandes entreprises ou fonds d’in-
vestissement) en pleine transformation
technologique et humaine.
Ma chère Sarah, un grand merci de ma
part et de toute l’équipe du Pôle ainsi que
ceux qui ont collaboré avec toi.
Joëlle Durieux
Directrice générale
Pôle de compétitivité mondial
FINANCE INNOVATION

290
Un grand merci
à tous les
contributeurs
L’intelligence artificielle
• Juliette MATTIOLI
Thales
• Bertrand BRAUNSCHWEIG
INRIA
• Jean-Gabriel GANASCIA
Professeur au Lip6 Sorbonne Université/
COMETS (Comité d’éthique du CNRS)
• Hamza DIDARALY
IA Pour Tous
• Yannick GAILLARD
Chappuis Halder & Co.
• Patrick SEIFERT
• Christophe BOURGUIGNAT
ZELROS
• Jean-Guillaume DE MANEVILLE
Netixis
• Christine DAMEME
Orange Bank
• Arnaud DE SERVIGNY
Bramham Gardens
• Olivier DEBEUGNY
Lingua Custodia
• Frédérique FAGES
FBF – Fédération Bancaire Française
• Alice FROIDEVAUX
Quant Cube
• Philippe GUILLAUME
Mutex
• Stéphane HOUIN
CGI
• Augustin HURET
MondoBrain
• Thanh-Long HUYNH
Quant Cube
• Benoît JULLIEN
Athling
• Mouna KHETAB MOUSSAOUI
Invivoo
• Youssef KHOALI
Digitalent consulting
• Gauthier LALANDE
Malakoff Médéric
• Jacques LEVY-VEHEL
INRIA
• Nicolas MÉRIC
DreamQuark
• Laure MERVAILLIE
xBrain
• Éric MIGNOT
PlusSimple.fr
• Laure MINOO MORRA
Société Générale
• Yvon MOYSAN
IESEG
• Bibi NDIAYE
BPCE
• Gilles PAGÈS
LPMA Sorbonne Université
• Guillemette PICARD
Allianz
• Nathalie POUX-GUILLAUME
BNP Paribas
• Laurent PRUD’HON
EURO-Information (Crédit Mutuel - CIC)
• Gregory RENARD
xBrain
• Bertrand RONDEPIERRE
Mission Villani pour l’intelligence
artificielle
• Michèle SEBAG
Laboratoire de Recherche en
Informatique
• Philippe SERAFIN
Sopra Steria
• Benoît SPOLIDOR
Sopra Steria
• Ludan STOECKLÉ
BNP Paribas
• Thomas VALLI
Association Française de la Gestion
Financière
• Hervé VARILLON
Crédit Agricole
• Chloé BEAUMONT
MAIF
• Pejvan BEIGUI
EASY MILE
• François-Xavier BOIS
Kernix

291
• Francoise BRIAND
Dassault Aviation
• Loïc BRIENT
Pôle Digital – BPCE
• Stéphane BUFFAT
Institut Recherche Biomédicale
des Armées
• Jean-Charles CABELGUEN
iExec
• Fabien CELLIER
Dascils
• Georges COLLET
Athling
• Jean-Marc DAVID
Renault
• Olivier DE BELLESCIZE
OPCVM 360
• Christine DUVAL
IBM
• Stéphane FENIAR
DataRobot
• Agathe GUILLOUX
Université Evry Paris Saclay
• Samy JOUSSET
Région Île-de-France –
Direction des entreprises et de l’emploi
• Philippe KERIGNARD
Bouygues Telecom
• François LABURTHE
Amadeus
• Philippe LEPEUPLE
Intégraales Agora - inCube
• Achille LERPINIÈRE
DGE – Direction Générale des
Entreprises
• Laurent MARCELLIN
CashLab
• Jean-Marc MERCIER
MPG Partners
• Michel MOULINET
Winbids
• Gilles NOZIÈRE
OZE-Energie
• Anass PATEL
Groupe570
• Michel REVEST
ex-COVEA - Pôle Finance Innovation
• Pierre RIOU
3WS-EVEA Cognitive
IBM
• Pierre VERGER
Immo Neuf
• Guillaume ANDRÉ
Banque de France
• Véronique AUBERGÉ
UGA, CNRS – Laboratoire
d’Informatique de Grenoble
• Nathalie BEAUDEMOULIN
Banque de France
• Olivier BLANDIN
Assurance Courtage Conseil Risk
Management Associés
• Stéphane CHAUVIN
mydataball
• Philippe DUBOUCHET
Expert people
• Sylvie FLECKINGER-BOTTER
Leader Trust - U-Invest
• Thierry LE FUR
Addlib
• Marie SOULEZ
Lexing Alain Bensoussan Avocats
• Bertrand ANNETTE
Lyncas
• Frédéric BARDOLLE
Algo Transparency
• Jacques BAUDRON
IXTEL
• Alain BENSOUSSAN
Lexing Alain Bensoussan Avocats
• Pierre BLANC
Athling
• Jean-Hubert DE KERSABIEC
Prévention, Sécurité, Santé,
Satisfaction au Travail (P3S)
• Dominique DELEERSNYDER
Cercle LAB
• Jérôme DUPRÉ
Agreement Avocat
• Adrien FACON
Secure-IC
• Mélissa FREUNDLICH
Ailancy
• Yannick GRELOT
DEECISION
• Nicodème KANHONOU
Avistem
• Serge KRYWYK
Aevatar
• Françoise MERCADAL-DELASALLES
Crédit du Nord

292
• Xavier RIPART
Investance Partners
• Matthieu SÉNÉCHAL
Robin’Finance
• Carolina SPOREA GODVIN
GenHybrid
• Su YANG
Banque de France
La Blockchain
• Muriel FAURE
AFG
• Cathie-Rosalie JOLY
Bird & Bird
• Alexandre STACHTCHENKO
Blockchain Partner
• Alain ROSET
La Poste
• Philippe DENIS
BNPP Securities Services
• Marc ALAURENT
BNPP Personal Finance
• Fatiha GRANDJEAN
Risk Management Solutions
• Olivier SALOMON
Allianz
• Arnaud GRUNTHALER
FieldFisher
• Charles GUILLEMINOT
BNP Paribas
• Stéphane EYRAUD
• Daniel AUGOT
INRIA
• Muriel BARNEOUD
La Poste
• Sébastien BOURGUIGNON
Margo
• Guillaume BRUYAS
TATA Consultancy Services
• Camille BUSSY
• Fabien CELLIER
Dascils
• Mathis COLIN
Consultant independant
• Sébastien COUTURE
Stratumn
• Rémi D’ALISE
Lusiol Project Fintechrisks
• Noémie DIE
Institut Louis Bachelier
• Alexandre EICH-GOZZI
Sopra Steria
• Roxanne FAURE
Caisse des dépôts/LabChain
• Nadia FILALI
Caisse des dépôts/LabChain
• Francois-Xavier HAY
MACIF
• Michel IVANOVSKY
MIPISE
• Gauthier LALANDE
Malakoff Médéric
• Jean-Marc MERCIER
MPG Partners
• Jihane KHOUZAIMI
Fédération Française de l’Assurance
(FFA)
• Astrid MITTELHOCKAMP
Dentons
• Anh NGUYEN
Pulsar Connect
• Céline PASSEDOUET
50 Partners
• Matthieu PATELSKI
Sopra Steria
• Thomas REYNAUD
GarantMe
• Agnès SERERO
EY Société d’Avocats
• Xavier SIMONIN
Sopra Steria
• Séraphin TSETE
La Banque Postale
• Aurore TUAL
DGE – Direction générale des Entreprises
• Cyril VIGNET
BPCE
• Michelle ABRAHAM
Cabinet Michelle Abraham
• Matthieu ALLEAUME
• Thierry BEDOIN
Banque de France
• Laurent BENICHOU
AXA
• Cécile BLONDEAU DALLET
CNP Assurances

293
• Paul BOUGNOUX
Largilliere Finance
• Thomas BUREAU
Psion Finance
• Gregory CHENUE
Crédit Agricole
• Dominique CHESNEAU
Tresoriskconseil
• Thibaut DE LAJUDIE
Ailancy
• Régis DELAYAT
Scor
• Jean-Louis DELPERIE
Exton Consulting
• Romain DEVAI
Ailancy
• Marc ESCUYER
Banque de France
• Bruno GARÇON
Covéa
• Mathilde GAROTIN
Allianz
• Éric GAUBERT
Reinsurance Group of America
• Christophe LEPITRE
OFI Asset management
• Andres LOPEZ VERNAZA
Banque de France
• Fabienne MARQUET
Économiste, vice-présidente
X-sursaut
• Emmanuel MORANDINI
April
• William O’RORKE
ORWC Avocats
• Johann PALYCHATA
BNPP
• Claire PION
VariabL
• Simon POLROT
LGO Group
• Patrick SENICOURT
Nota PME
• Dominique STUCKI
Cornet Vincent Ségurel
• Audrey THOMAS
Exton Consulting
• Stéphane THOMAS
• Christophe VAN CAUWENBERGHE
Paylib Services
• Azzedine ALKHALFIOUI
Barclays
• Christophe CHEREAU
BNP Paribas Personal Finance
• Jérôme COIRIER
BeeAM
• Dany DUBRAY
Celac Finance/Bloowing
• Serge KRYWYK
Aevatar
• Jean-Marc LEVY DREYFUS
Fone4 Technology
• Henri MOCKA
Consultant indépendant
• Quentin MOREL
Enza Management Consulting
• Anass PATEL
Groupe 570 / ConexCap
• Marie ROBIN
Bird & Bird
• Lionel TOLEDANO
Sopra Steria
• Sajida ZOUARHI
ConsenSys
Technologies quantiques
• Pascale SENELLART
Centre de Nanosciences et de
Nanotechnologies, CNRS,
Université Paris-Sud, Université
Paris-Saclay
• Maud VINET
Leti CEA Tech
• Eleni DIAMANTI
Chercheuse CNRS à Sorbonne
Université, directrice adjointe du
PCQC
• Adrien FACON
Secure-IC
IBM France
• Philippe DULUC
Atos
• Yazid GHIRA
• Vincent WIENCEK
• Benoît GENEST

294
• Cyril ALLOUCHE
Atos
• Alexia AUFFEVES
CNRS
• Anil CASSAM CHENAI
Logicells
• Philippe CATON
Covea
• Alain CHANCÉ
Enza Management Consulting
• Christine DUVAL
IBM France
• Jean-Christophe GOUGEON
BPI France
• Grégoire JAFFRE
BPCE
• Iordanis KERENIDIS
CNRS
• Julien KRYWYK
Preditt
• Clément LEBLANC
• Anthony LEVERRIER
INRIA
• Sami LOUATI
BPCE
• Frédéric MAGNIEZ
IRIF
• UNIVERSITÉ PARIS DIDEROT – PARIS 7
LIAFA
• Jean-Jacques RABEYRIN
BNP Paribas
• Olivier SALOMON
Allianz
• Miklos SANTHA
IRIF/CNRS
• Philippe TESCHER
Exton Consulting
• Jean VANNIMENUS
CNRS

Vivienne Investissement est une société de gestion de
portefeuille innovante créée en 2005 qui met en œuvre
unprocessusd’investissementscientifiqueetdiscipliné
en s’appuyant sur une approche par intelligence
artificielle des marchés.
Membre du Pôle FINANCE INNOVATION,
la société a obtenu le label Bpifrance : Entreprise Innovante.
L’idée phare deVivienne Investissement ?
Mettre l’innovation par la recherche au coeur de
la construction et de la gestion du portefeuille :
• En mettant des technologies de pointe telles que l’intelligence artificielle, le Big Data
et les méthodes d’apprentissage automatique (Machine Learning) au service de la performance.
• En développant des outils d’analyse financière propriétaire multi-classes d’actifs
afin de sélectionner dynamiquement les meilleures stratégies d’investissement.
• En étant toujours à la pointe de la recherche scientifique et financière et en
poursuivant sa politique de publication et de conférences.
"Notre ambition est d'apporter à nos clients le meilleur de la recherche. Nous croyons
dans l'innovation, qui apporte de la robustesse et permet d’adapter sans cesse notre
compréhension des risques et des biais, pour structurer nos processus de gestion.
L'idée majeure est de faire parler les données dans l'optique de comprendre les faits."
Laurent Jaffrès, Président de Vivienne Investissement.
Vivienne Investissement
Grand Hôtel-Dieu
1 place Pascalon, Bât D
69002 LYON - FRANCE
www.vivienne-investissement.com

Livre blanc-ia-et-technologies-quantiques-finance-innovation

Contenu connexe

Tendances (20)

Similaire à Livre blanc-ia-et-technologies-quantiques-finance-innovation (20)

Livre blanc-ia-et-technologies-quantiques-finance-innovation