Nous avons étudié la capacité d’un modèle d’intelligence artificielle à identifier automatiquement les disclosures sur les risques de litige dans les rapports financiers des sociétés cotées en Suisse. Notre démarche s’appuie sur une analyse séquentielle : sélection d’un corpus représentatif d’états financiers, annotation manuelle de références aux risques juridiques, puis phase de test automatisé. L’algorithme utilisé applique un modèle d’extraction d’entités nommé (NER) optimisé pour le contexte réglementaire suisse. Résultat : il classe chaque disclosure détectée par type de risque, origine du litige et statut procédural. L’objectif reste constant : accélérer la veille réglementaire et réduire la charge humaine dans l’audit documentaire, tout en conservant un contrôle qualité rigoureux. L’équipe a relevé que l’exactitude du système dépend fortement de la clarté rédactionnelle des documents sources. Les rapports structurés permettent une extraction quasi systématique ; les textes ambigus ou trop synthétiques requièrent souvent une validation manuelle. Nous avons donc intégré une étape de relecture assistée, pilotée par nos analystes, afin de fiabiliser l’ensemble du pipeline. Cette combinaison IA + expertise humaine assure un équilibre entre automatisation et fiabilité, sans sacrifier la profondeur d’analyse.

Lors de notre étude de cas sur une société du secteur énergétique, l’IA a extrait en moins de deux minutes la totalité des mentions liées aux litiges en cours, aux provisions pour risques et aux arbitrages. Les disclosures étaient catégorisées automatiquement, avec une restitution dans un tableau synthétique, prêt à être utilisé pour le reporting réglementaire ou les due diligences. Nous avons évalué la performance selon trois critères : taux de rappel (identification des mentions pertinentes), taux de précision (exactitude de la catégorisation) et taux d’erreur humaine résiduelle après relecture. Les résultats montrent un gain de temps significatif, surtout sur les documents volumineux. Cependant, l’analyse critique de notre équipe met en avant un point de vigilance : les modèles d’IA actuels gèrent moins bien les formulations juridiques complexes ou les disclosures intégrées à des notes de bas de page. Notre protocole prévoit donc une double vérification pour ces cas particuliers. La méthode réduit la charge répétitive pour l’équipe conformité, sans éliminer le besoin d’une expertise humaine pour les analyses de fond.

En Suisse, le respect des exigences réglementaires en matière de disclosures sur les risques de litige représente une charge importante pour les directions financières et les auditeurs. L’automatisation par l’IA apporte un soutien objectif : elle signale les omissions potentielles, accélère la revue annuelle et facilite la compilation de synthèses pour les rapports de gestion. Selon notre expérience, l’intégration du modèle dans le flux de travail documentaire se fait sans modifier l’architecture informatique existante. La formation initiale de l’équipe reste limitée à quelques heures, la prise en main étant intuitive grâce à une interface orientée vers l’audit. Nous recommandons cependant un suivi continu des performances, via des statistiques d’usage et des retours utilisateurs, afin de garantir l’amélioration constante du système. Notre démarche : observer, mesurer, ajuster. Ce principe guide chaque évolution du projet, dans un esprit d’exigence partagée avec nos partenaires du secteur financier.