Deepak Kinger, directeur de la stratégie et cofondateur d’EvoluteIQ – Série d’entretiens

Deepak Kinger, directeur de la stratégie et cofondateur d’EvoluteIQ, est un dirigeant chevronné des secteurs des technologies et des affaires, fort de plus de vingt ans d’expérience dans la transformation des entreprises, les services financiers, l’automatisation et l’intelligence artificielle. Chez EvoluteIQ, il contribue à définir la stratégie globale de l’entreprise et dirige les principales alliances technologiques, les partenariats de solutions, le marketing et les relations avec les analystes. Avant de cofonder EvoluteIQ en 2019, Kinger a occupé des postes de direction chez GALE Partners, Virtusa, Sapient, Headstrong, Wipro et Mphasis. Ses responsabilités allaient de la gestion d’activités de services financiers dans la région Asie-Pacifique et du conseil auprès de hauts dirigeants sur la transformation numérique à la création de nouvelles activités et à la direction de projets technologiques de grande envergure. Son expérience couvre la stratégie, le développement commercial, la gestion des relations clients, la gestion des profits et pertes (P&L), les opérations et les technologies émergentes, notamment l’IA, l’apprentissage automatique, l’automatisation robotisée des processus, la chaîne de blocs et la science des données.

EvoluteIQ est une entreprise spécialisée dans l’IA pour les entreprises et l’automatisation intelligente, qui aide les organisations à automatiser et à orchestrer des processus opérationnels complexes de bout en bout. Sa plateforme EIQ réunit l’IA agentique, l’IA générative, l’automatisation des processus et de la prise de décision, la RPA intelligente, le traitement des événements, une infrastructure de données, l’analytique, des connecteurs d’entreprise et le développement d’applications multicanales dans un environnement low-code/no-code. La plateforme est conçue pour permettre aux entreprises de connecter leurs systèmes existants, de créer et de déployer des agents d’IA et des flux de travail automatisés, de suivre les résultats et de déployer l’automatisation à grande échelle dans des domaines comme l’expérience client, la finance, les opérations, les ventes et la gestion de la chaîne d’approvisionnement. Fondée en 2019, EvoluteIQ a élargi ses activités à l’automatisation agentique des entreprises grâce à des technologies comme son AI Workbench et son architecture Agentic Mesh. En 2025, l’entreprise a annoncé un investissement de croissance minoritaire de 53 millions de dollars, mené par Baird Capital, afin de soutenir son expansion mondiale et d’accroître les investissements dans ses activités de R&D à Bengaluru.

Avant de cofonder EvoluteIQ en 2019, vous avez passé deux décennies à travailler dans les services financiers, les technologies d’entreprise et la transformation numérique. Quels problèmes récurrents avez-vous observés au sein des grandes organisations qui vous ont finalement convaincu qu’il existait une occasion de créer EvoluteIQ, et qu’avez-vous voulu aborder différemment ?

Avant EvoluteIQ, j’ai travaillé 25 ans dans le conseil, en consacrant une grande partie de cette période à accompagner de grands établissements financiers dans leurs projets de transformation. Il s’agissait notamment des premiers programmes de banque numérique, ainsi que de projets liés aux opérations de négociation, à la gestion des risques et à la transformation globale de bout en bout. Au fil du temps, j’ai constaté une demande croissante d’automatisation, et nous aidions les entreprises à mettre en œuvre des plateformes proposées par certains des plus grands fournisseurs.

Ce qui nous a finalement motivés à créer EvoluteIQ, c’est la possibilité de passer de la mise en œuvre des technologies d’un tiers à la création de notre propre solution. Nous avons vu l’occasion de proposer une approche plus intégrée de l’automatisation, plutôt que d’obliger les entreprises à réunir plusieurs technologies, licences et couches d’intégration. Cette idée a contribué à motiver la création d’EvoluteIQ en 2019.

Lors de notre précédent entretien avec Unite.AI, au cours duquel votre cofondateur Sameet Gupte a présenté la vision plus large d’EvoluteIQ, qui consiste à faire passer les entreprises d’une automatisation fondée sur les tâches à des opérations autonomes de bout en bout, natives de l’IA, en quoi la gestion des changements réglementaires montre-t-elle qu’il est nécessaire de passer de l’automatisation de tâches individuelles à l’orchestration de processus opérationnels entiers ?

Les changements réglementaires touchent rarement une seule tâche isolée. En 2020, nous avons conçu une solution dans le cadre de la transition du LIBOR. Les banques devaient gérer un changement de grande ampleur qui touchait les contrats existants et obligeait les équipes opérationnelles, les assistants juridiques et les équipes commerciales à les examiner et à les mettre en conformité. De nombreux établissements ont essentiellement réagi en affectant davantage de personnel au problème. La leçon que nous avons tirée de la transition du LIBOR, c’est que les réglementations changent, mais que le défi sous-jacent se répète. Les changements réglementaires et la conformité font partie des exigences opérationnelles permanentes.

Avec les plus récentes modifications proposées par FinCen concernant la lutte contre le blanchiment de capitaux et le financement du terrorisme (LBC/FT), nous observons un abandon d’un modèle de conformité très prescriptif, fondé sur des contrôles à cocher. Cela relève en réalité le niveau d’exigence en matière de conformité au lieu d’alléger la tâche, car les établissements doivent interpréter la réglementation, définir leurs propres risques et déterminer ce que ceux-ci impliquent pour leur modèle opérationnel. Ce changement concerne nécessairement différents services et fonctions au sein d’une organisation, et pas seulement les équipes chargées de la conformité et de l’audit.

Vous avez soutenu que les banques devraient cesser de traiter chaque changement réglementaire majeur comme un nouveau projet de transformation et plutôt faire de la gestion des changements réglementaires une capacité opérationnelle permanente. À quoi ressemblerait concrètement ce modèle opérationnel, et pourquoi les établissements financiers ont-ils eu du mal à le mettre en place jusqu’à présent ?

Le nouveau modèle opérationnel partirait du principe que le changement est continu : il ne s’agit plus d’un processus à déployer chaque trimestre ou à l’arrivée des auditeurs. La mise au point d’une solution pour le LIBOR nous a montré que, même lorsqu’un changement réglementaire finit par être mis en œuvre, la nécessité de s’adapter demeure. Comprendre le changement, le traduire en exigences opérationnelles et actualiser les processus sera nécessaire pour faire face au prochain changement réglementaire.

Le nouveau modèle opérationnel ne doit pas non plus être cantonné à la conformité. Dans un modèle davantage fondé sur les risques, la fonction conformité peut rester, en dernier ressort, responsable du respect des exigences, mais les opérations, les affaires juridiques et, dans certains cas, la gestion du risque de contrepartie prennent toutes davantage d’importance. L’une des erreurs que les institutions peuvent commettre consiste à sous-estimer l’ampleur des répercussions des changements réglementaires sur l’organisation.

Historiquement, cela a été difficile, car les entreprises ont accumulé des environnements technologiques fragmentés et des modèles opérationnels cloisonnés. Lorsque différentes unités opérationnelles s’appuient sur des plateformes distinctes de RPA, de BPM, de reporting et d’autres technologies, répondre à une nouvelle exigence devient en soi un projet d’intégration.

Lorsqu’une nouvelle réglementation est introduite, une banque peut devoir déterminer quels clients, produits, contrats, systèmes et processus sont concernés. Dans quelle mesure l’IA peut-elle améliorer concrètement cette analyse d’impact, et quelles parties du processus nécessitent toujours des règles déterministes ou le jugement humain ?

L’IA peut réduire considérablement le travail manuel nécessaire pour comprendre et mettre en œuvre les changements réglementaires. Plus précisément, elle peut aider à analyser et à classer de grands volumes d’informations, et à déterminer sur quels aspects les efforts humains doivent se concentrer. Par exemple, les capacités d’EvoluteIQ en matière de réponse réglementaire peuvent classer et hiérarchiser les contrats selon le client et le type d’actif, relier ces informations aux systèmes de l’entreprise et aux sources de données externes, puis orchestrer les tâches qui en découlent au sein des services juridiques, de gestion des risques et des opérations. Les institutions peuvent ainsi passer de l’identification des éléments potentiellement concernés à la gestion effective des changements qui en résultent tout au long du processus.

Le contrôle et la supervision humains restent essentiels. Dans certaines parties d’un processus réglementé, une institution doit disposer de règles opérationnelles, de conditions, d’exceptions et de procédures d’escalade clairement définies. Le modèle que nous préconisons associe la capacité d’adaptation de l’IA à l’automatisation déterministe et au jugement humain, selon les besoins. L’IA peut aider à interpréter les éléments et à faire ressortir ceux qui pourraient nécessiter une action ; des règles déterministes peuvent régir l’exécution de décisions définies ; et les exceptions ou les décisions nécessitant un jugement peuvent être transmises à la personne compétente.

La mise en œuvre d’une réglementation mobilise souvent les équipes juridiques, conformité, gestion des risques, opérations, données et technologie. Comment l’IA et l’orchestration des processus peuvent-elles aider ces équipes à s’appuyer sur une interprétation commune d’une réglementation, plutôt qu’à créer des flux de travail distincts et des règles opérationnelles potentiellement contradictoires ?

L’une des principales conséquences d’un modèle de conformité davantage fondé sur les risques est que la responsabilité s’étend à un plus grand nombre de services de l’organisation. La responsabilité finale peut toujours incomber à la conformité, mais les équipes des opérations, des affaires juridiques et du risque de contrepartie jouent toutes un rôle important. Les institutions doivent donc éviter de considérer que la mise en œuvre peut être menée à bien par la seule fonction conformité.

C’est pourquoi une plateforme intégrée est essentielle. Dans une grande organisation, les différents systèmes de référence et les règles opérationnelles doivent être intégrés à ce nouveau modèle, ce qui implique également de tenir compte des enjeux complexes de sécurité. Une approche unifiée peut réduire le risque que différentes parties de l’organisation mettent en œuvre un même changement au moyen de piles technologiques entièrement distinctes.

L’IA générative peut interpréter des documents réglementaires complexes, mais les banques ne peuvent pas se permettre des hallucinations ni des interprétations incohérentes lorsque des décisions de conformité sont en jeu. Quelles mesures de protection faut-il mettre en place autour des systèmes d’IA utilisés pour gérer les changements réglementaires, et à quelles étapes les experts humains doivent-ils continuer à participer aux décisions ?

Premièrement, ne déployez pas d’agents d’IA de manière isolée, car cela pourrait entraîner leur prolifération en l’absence d’une gouvernance adéquate.

Deuxièmement, ce qu’une organisation peut automatiser dépend non seulement de ses capacités techniques, mais aussi de la réglementation, de la confidentialité et des données qu’il est légalement possible de partager.

Le principe fondamental à respecter est que l’IA doit accélérer le travail d’interprétation sans prendre les décisions. Comme l’attendent les autorités de réglementation, des personnes nommément désignées restent responsables de la conformité. Les mesures de protection relèvent de deux catégories : le contrôle des résultats produits par l’IA et la mise en place réfléchie de points de décision humains. Chaque résultat produit par l’IA doit s’appuyer sur une source faisant autorité, et des garde-fous encadrant les entrées et les sorties doivent être intégrés au système d’IA.

Enfin, pour chaque résultat, il convient de conserver une piste d’audit indiquant les clauses sources, les versions du modèle et des instructions, le niveau de confiance, l’évaluateur, la décision et sa justification.

La traçabilité des audits est particulièrement importante dans les services financiers. Si l’IA contribue à interpréter une réglementation, à générer des règles opérationnelles, à identifier les clients concernés et à lancer des flux de travail, comment les institutions peuvent-elles conserver des éléments de preuve clairs montrant aux autorités de réglementation exactement comment et pourquoi chaque décision a été prise ?

Dans les secteurs fortement réglementés, la traçabilité doit aller au-delà de la simple documentation de la décision finale. Il est bien plus utile de pouvoir reconstituer le cheminement qui a conduit à cette décision en indiquant les informations utilisées, les règles appliquées, les décisions prises, les changements survenus tout au long du processus, ainsi que les moments où des personnes sont intervenues et ce qu’elles ont approuvé.

Lorsque plusieurs agents, règles métier et workflows interagissent, la traçabilité devient encore plus importante. L’auditabilité doit être intégrée à la couche d’orchestration. Les pistes de décision peuvent consigner les décisions, les modifications apportées aux règles et leur justification, tandis que la traçabilité de bout en bout des agents offre une visibilité sur toute une chaîne d’actions autonomes.

Si un organisme de réglementation demande pourquoi un client, un contrat ou une transaction en particulier a été traité d’une certaine manière, l’institution financière doit pouvoir retracer le résultat à partir des données, des règles, des décisions prises par l’IA, des approbations et des actions qui l’ont produit. C’est ainsi que l’explicabilité cesse d’être une question liée uniquement au modèle pour devenir une capacité opérationnelle.

Les grandes banques s’appuient sur des décennies d’infrastructures héritées, et leurs données essentielles sur les clients et les transactions sont réparties entre de nombreux systèmes. Comment peuvent-elles mettre en place une couche de conformité réutilisable pilotée par l’IA sans entreprendre un remplacement coûteux de leur parc technologique sous-jacent ? 

Toute nouvelle capacité d’entreprise doit pouvoir fonctionner dans l’infrastructure existante. Il serait déraisonnable de s’attendre à autre chose. La consolidation est également importante, car de plus en plus de clients nous disent disposer de plusieurs plateformes de RPA ou d’un système BPM ancien associé à plusieurs technologies de production de rapports distinctes dans l’entreprise. Nos clients expriment de plus en plus clairement leur volonté de se concentrer sur les outils et les systèmes qui génèrent un retour sur investissement, plutôt que de chercher à les remplacer. Une couche de conformité réutilisable doit donc fonctionner dans l’environnement existant, au lieu de partir du principe que tout ce qui se trouve en dessous sera remplacé.

Vous avez accompagné des institutions financières à travers plusieurs générations de technologies, des systèmes centraux traditionnels à l’IA agentique, en passant par l’automatisation robotisée des processus et l’apprentissage automatique. Qu’est-ce qui distingue fondamentalement la transition actuelle vers l’IA, et selon vous, où les institutions financières risquent-elles de répéter les erreurs des précédents cycles d’automatisation ?

Les premières générations d’automatisation concernaient des tâches déjà bien définies. Les systèmes bancaires centraux codifiaient les dossiers et les transactions. La RPA reproduisait des frappes au clavier d’un écran à l’autre. L’apprentissage automatique formulait des prévisions ciblées, telles que des scores de fraude et des évaluations du risque de crédit, à partir de données structurées et avec une précision mesurable. Dans chaque cas, une personne ou une règle fixe déterminait l’étape suivante, et la technologie suivait un parcours connu.

L’IA agentique change la donne de plusieurs façons :

• Elle traite plus efficacement les tâches non structurées qui exigent un certain discernement. Les banques ne se contentent plus d’automatiser des tâches : elles délèguent des résultats, et le système choisit lui-même comment les atteindre.
• Elle peut échouer sans que cela se remarque. Lorsqu’une banque modifiait la disposition d’un écran, un robot RPA tombait en panne de manière évidente et quelqu’un le réparait. Un modèle de langage qui se trompe produit une réponse fluide, plausible et assurée. C’est un problème.
• Son comportement est probabiliste ; il est donc absolument essentiel de l’ancrer dans le contexte de l’entreprise pour éviter les hallucinations.
• Enfin, développer avec l’IA est devenu peu coûteux, et les utilisateurs métier peuvent désormais créer des agents opérationnels en une après-midi. Auparavant, la capacité des équipes informatiques constituait le principal goulot d’étranglement de l’automatisation ; aujourd’hui, c’est la capacité de gouvernance.

Les institutions financières doivent également veiller à ne pas oublier les enseignements tirés de l’ère de l’automatisation traditionnelle. En voici quelques exemples :

• Automatiser des processus défaillants. L’héritage le plus marquant de la RPA, ce sont les milliers de robots ajoutés à des processus que personne n’avait repensés. Cela a créé une dette technique fragile dont les banques continuent d’assumer les coûts de maintenance. Ajouter des agents aux mêmes workflows fragmentés revient à répéter l’erreur, mais avec un degré de sophistication supérieur. Les banques devraient d’abord repenser le travail, puis décider de ce qu’elles souhaitent déléguer.
• Courir après des indicateurs de façade : les preuves de concept s’enlisent en l’absence d’un financement permettant leur mise en production. Compter les agents déployés revient à reproduire l’habitude de la RPA consistant à compter les robots plutôt qu’à mesurer les résultats concrets pour l’entreprise.
• Sous-investir dans les fondations des données. L’apprentissage automatique a montré que la qualité des modèles est limitée par celle des données. Les agents qui puisent dans des politiques obsolètes, des documents en double ou des sources contradictoires tireront des conclusions avec assurance à partir de prémisses erronées.

À l’avenir, pensez-vous que la conformité réglementaire évoluera vers une forme de conformité continue, voire partiellement autonome, dans laquelle les systèmes d’IA détecteraient les changements réglementaires, en évalueraient les effets, mettraient à jour les workflows et ne signaleraient que les cas particuliers nécessitant un jugement humain ? Que faudrait-il pour que les banques et les organismes de réglementation soient à l’aise avec un tel degré d’autonomie ?

Oui, mais l’autonomie s’installera par étapes. La détection, le triage, la cartographie des répercussions et la mise à jour des workflows pour les changements bien définis seront largement continus et automatisés. L’interprétation des règles ambiguës, l’acceptation des risques et les positions réglementaires resteront du ressort des personnes. À terme, on peut envisager une « autonomie supervisée », dans laquelle les machines exécutent le cycle par défaut et les personnes interviennent pour gouverner les exceptions.

Pour que cela puisse se produire, les autorités de réglementation doivent également publier des règles dans des formats structurés et versionnés, en s’appuyant sur des initiatives telles que les travaux de la FCA et de la Bank of England en matière de déclaration réglementaire numérique.

Il faudra également intégrer la réversibilité et des dispositifs d’arrêt d’urgence aux systèmes d’exécution, afin que les modifications autonomes des flux de travail puissent être facilement annulées lorsque des anomalies, des taux d’erreur ou des changements de modèle sont détectés. La confiance progressera plus rapidement lorsque les superviseurs utiliseront eux-mêmes des outils similaires. Cela crée un langage commun pour les tests et pourrait, avec le temps, permettre une supervision directe de machine à machine.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus peuvent consulter EvoluteIQ.