L’évaluation des tiers, fournisseurs, partenaires, intermédiaires n’est plus un simple exercice documentaire. C’est une démarche de conformité qui doit être démontrable, répétable, et surtout capable de révéler des signaux réputationnels défavorables quand ils existent. Or, la recherche d’informations défavorables reste un point clé, tant dans la pratique que dans les attentes des superviseurs.
Un constat ressort d’une enquête menée par l’AFA : 76,8 % des répondants déclaraient utiliser, dans le cadre d’invalidations individuelles, de l’information défavorable (intégrité, réputation, etc.). Autrement dit, la réputation et la probité ne sont pas “optionnelles” : elles font partie du cœur du devoir de vigilance.
Mais comment obtenir ces informations de manière efficace et auditable ? C’est précisément là que l’IA change la donne en augmentant la profondeur de lecture, la couverture multilingue et la traçabilité, tout en réduisant la charge opérationnelle.
1) Pourquoi la recherche d’informations défavorables reste difficile
Dans la plupart des organisations, trois approches coexistent (ou se succèdent) :
Des bases dédiées (fournisseurs de données, bases de personnes/entités à risque, monitoring, adverse media).
Des questionnaires envoyés aux tiers (déclaration d’antécédents, condamnations, presse négative).
Des recherches manuelles via moteurs de recherche (Google/Bing) et sources ouvertes.
Ces méthodes ont toutes des limites. Les bases dédiées sont efficaces, mais pas toujours exhaustives selon les langues, les sources locales ou certains événements récents. Les questionnaires dépendent de la sincérité et de la complétude des réponses. Les recherches web, elles, sont souvent chronophages, difficiles à standardiser, et moins faciles à prouver lors d’un audit.
Le problème central n’est donc pas "d’accéder à l’information", mais de garantir un triptyque indispensable en conformité :
Maîtrise du risque (ne pas rater un signal critique),
Coût opérationnel (ne pas épuiser les équipes),
Traçabilité / auditabilité (pouvoir expliquer et justifier la démarche).
Comme l’ont souligné des responsables conformité et data science, l’enjeu consiste à trouver une approche qui “colle” au métier : chercher, lire, analyser, trier puis documenter.
2) Les limites concrètes des recherches web classiques (même "bien faites")
Une recherche Google peut sembler simple : tapez un nom, explorez des résultats, ouvrez quelques liens. Pourtant, en contexte d’évaluation des tiers, plusieurs freins apparaissent.
La recherche est chronophage et coûteuse
Dès que le volume de tiers augmente, la recherche manuelle explose en temps : ouverture d’onglets, lecture partielle, vérification des homonymies, recoupements. Le coût opérationnel devient un frein à la profondeur.
L’équilibre "ne rien rater" vs "investir le bon niveau d’effort"
Les moteurs de recherche retournent des titres parfois trompeurs. Un intitulé peut être alarmiste… ou au contraire minimiser une information réelle. Sans méthode rigoureuse, on risque soit de sur-investir, soit de manquer un signal.
La reproductibilité est fragile
Dans une équipe, deux analystes peuvent produire deux résultats différents en fonction de :
leur interprétation
leur niveau de prudence
leur vitesse de lecture
leur façon de sélectionner les liens
Or, la conformité exige une démarche homogène et homogénéisable.
Le bruit (langue, orthographe, homonymes) rend l’exercice instable
Langue locale, variantes d’écriture, synonymes, noms commerciaux, homonymes… tout augmente la probabilité de faux positifs et de faux négatifs si la méthode n’est pas encadrée.
Ces limites sont d’autant plus importantes que, dans les sondages présentés, 45 % des organisations déclaraient déjà intégrer la recherche en source ouverte, mais surtout pour l’améliorer, l’industrialiser ou l’optimiser.
3) IA générative et source ouverte : l’objectif n’est pas “remplacer” l’analyste
Un point doit être clarifié : l’IA n’a pas vocation à produire un “verdict automatique”. L’ambition est plutôt de créer une veille à 360° qui restitue l’essentiel en limitant le bruit.
L’idée, telle qu’elle a été formulée, est simple : reproduire la démarche d’un analyste, mais de façon systématique et documentée.
La méthode vise trois transformations :
Couverture multilingue : ne pas se limiter au français/anglais.
Lecture réelle : aller au-delà des titres et des extraits, lire le contenu.
Tri et résumés structurés : classer par thème et conserver des preuves opposables.
Cette logique répond directement aux attentes compliance : la décision reste humaine, mais le travail de collecte et de préparation devient beaucoup plus robuste.
4) Une définition simple (et actionnable) : comment “enrichir” l’évaluation avec l’IA
Voici une définition opérationnelle d’un processus enrichi par IA dans l’évaluation des tiers :
Une recherche IA enrichie consiste à lancer, pour un tiers donné, une recherche multilingue en source ouverte, à lire intégralement les contenus pertinents, à analyser la correspondance au tiers et au risque, puis à livrer une liste d’articles datés, sourcés, résumés et classés, avec une traçabilité complète.
Concrètement, le workflow présenté s’organise en quatre étapes.
Étape 1 - Chercher "large" (mais ciblé)
Le système interroge le web en croisant le nom du tiers avec des mots-clés par thème de risque (par exemple : intégrité / corruption / devoir de vigilance environnement, droits humains). Les langues peuvent être paramétrées, y compris pour couvrir des presse locales.
Pourquoi c’est crucial ? Un incident chez un fournisseur brésilien peut n’apparaître qu’en portugais. Une recherche limitée à une langue raterait l’alerte.
Étape 2 - Lire réellement
Contrairement aux recherches classiques qui s’arrêtent souvent à des extraits, l’approche IA ouvre et lit chaque article. L’objectif est d’éviter les conclusions hâtives basées sur des titres.
Étape 3 - Analyser et trier
L’IA vérifie :
si l’article correspond bien au tiers (homonymie)
si le type de risque correspond bien au thème recherché (droits humains vs risque financier, etc.)
et extrait les éléments essentiels
Étape 4 - Livrer une liste exploitable
Les résultats sont :
datés
sourcés avec URL
résumés (dans la langue requise par la plateforme)
classés par thème
et filtrés selon des règles (ex. articles trop anciens écartés ; exclusion de certains types de contenus si nécessaire)
Le résultat est un livrable "compliance-friendly" au lieu de dizaines d’onglets, une liste structurée.
5) Les bénéfices pour les opérationnels et pour la conformité
Pour les équipes opérationnelles : passer de la corvée au réflexe
Pour les acheteurs, commerciaux ou équipes non dédiées à plein temps à la conformité, l’enjeu est de réduire le temps de traitement.
Le module IA se résume alors à deux actions :
fournir le nom du tiers (ou ses variantes)
parcourir une liste de résultats résumés, classés et actionnables
Le gain est double : moins de navigation et des conclusions plus rapides, tout en gardant une profondeur de lecture
Pour la conformité : traçabilité, auditabilité et reproductibilité
Côté conformité, les bénéfices se lisent dans les preuves.
Traçabilité : chaque article retenu est associé à une URL vérifiable en un clic, avec date et mots-clés
Auditabilité : il est possible de documenter ce qui a été tenté même lorsque rien n’est trouvé. Par exemple : "X articles examinés, zéro retenu"
Reproductibilité : la méthode est identique pour tous les tiers, limitant la variabilité liée aux analystes.
C’est un changement culturel : la recherche devient une démarche défendable, et pas un "témoignage" d’effort.
6) Comment réduire les faux positifs sans augmenter le risque de “manquer un incident”
Une question revient souvent : si l’IA remonte plus d’articles que nécessaire, ne risque-t-on pas d’ajouter du bruit pour l’analyste ?
La réponse apportée est pragmatique : la calibration vise un équilibre. Dans le doute, un article est retenu plutôt qu’écarté, et l’humain arbitre en dernier ressort. L’idée est de minimiser le risque de faux négatif (ne pas voir un signal critique), quitte à gérer davantage de faux positifs.
Deux autres garde-fous ont été mentionnés :
Paywalls / contenus inaccessibles : si l’article ne peut pas être lu, la solution ne "devine" pas. Mieux vaut exclure un contenu non vérifiable que fabriquer une certitude.
Homonymes : le système utilise des informations d’entrée (raison sociale, enseignes, pays) pour identifier le bon tiers. Cela réduit fortement le bruit restant.
7) Un exemple d’intégration dans un parcours d’évaluation : ce que cela change au quotidien
Dans une interface d’évaluation des tiers, le module IA s’ajoute comme un "levier supplémentaire" au moment où le criblage produit des signaux partiels ou lorsqu’une vérification complémentaire est nécessaire.
Le système peut afficher, par exemple :
le nombre d’articles lus
leur répartition par thème (ex : droits humains / environnement)
la liste des articles avec titres, dates, sources
et des résumés prêts à être examinés
De plus, la logique s’intègre aux règles du scoring et aux workflows : si une information défavorable est identifiée et jugée pertinente, cela peut impacter les décisions internes et déclencher des étapes de validation.
Autrement dit : l’IA ne vit pas en "outil à part". Elle nourrit le processus existant.
8) Trois enseignements à retenir pour passer à l’action
La recherche d’informations défavorables est centrale : les données utilisées et la couverture de risque sont observées par les superviseurs.
Le problème n’est pas uniquement la collecte, mais la preuve : traçabilité, auditabilité et reproductibilité font la différence.
L’IA apporte un levier opérationnel sans enlever la responsabilité humaine : la machine prépare, l’analyste arbitre.
Enfin, un point stratégique : la source ouverte ne remplace pas les bases dédiées et les questionnaires. Elle complète. Le bénéfice de l’IA est de rendre cette complémentarité rapide, standardisée et défendable.