Ce matin, les experts s’accordent sur un tournant réglementaire majeur : l’AI Act, pleinement applicable à partir du 2 août 2026, impose désormais des obligations strictes en matière de transparence et de gestion des risques pour les systèmes d’IA classés « à haut risque ». Selon le baromètre Cesin publié aujourd’hui, 68 % des entreprises françaises estiment que la conformité à l’AI Act sera leur principal défi en 2026, devant la cybersécurité. Le texte européen exige notamment une documentation exhaustive des algorithmes, une évaluation des biais et une traçabilité des décisions automatisées, sous peine de sanctions pouvant atteindre 7 % du chiffre d’affaires mondial.

Hier, la Commission européenne a précisé les contours de ces obligations dans un guide technique, identifiant 12 secteurs prioritaires, dont la santé, la finance et les infrastructures critiques. Comme le souligne JSTM, les entreprises devront désormais cartographier leurs systèmes d’IA et mettre en place des mécanismes de détection des risques en temps réel, une exigence qui bouleverse les pratiques actuelles. Pour les PME, cette transition représente un coût moyen estimé à 150 000 €, selon une étude citée par Les Échos.

Aujourd’hui, la profession comptable a lancé une alerte sans précédent sur les pertes financières liées à l’usage d’IA génératives. Dans un rapport publié par Finyear, l’Ordre des Experts-Comptables révèle que 37 % des erreurs comptables en 2025 étaient imputables à des outils d’IA mal maîtrisés, entraînant des pertes moyennes de 82 000 € par entreprise. Les principaux risques identifiés incluent les hallucinations algorithmiques (données erronées générées par l’IA), les biais dans les prévisions financières et les failles de conformité fiscale.

La veille, IT Social avait déjà pointé du doigt ces dérives dans un article dédié, citant le cas d’une PME lyonnaise ayant perdu 2,3 millions d’euros suite à une erreur de classification automatique des dépenses. Les experts recommandent désormais un contrôle humain systématique des outputs IA, ainsi que la mise en place de cadres de gouvernance dédiés, comme le AI Risk Management Framework (AI RMF) du NIST.

En début de semaine, le baromètre Cesin a mis en exergue un paradoxe : si 84 % des entreprises intègrent désormais l’IA dans leur stratégie de cybersécurité, seulement 31 % disposent d’un plan de réponse aux incidents liés à l’IA. Comme le détaille IT Social, les principales menaces identifiées incluent les attaques par empoisonnement de données, les deepfakes utilisés pour le phishing et les vulnérabilités des modèles open-source.

Le 26 janvier, l’ANSSI a publié un guide pratique pour accompagner les entreprises dans la gestion des risques IA, insistant sur trois piliers :

1. La souveraineté des données : privilégier les infrastructures cloud européennes (OVHcloud, Outscale).
2. La robustesse des modèles : utiliser des benchmarks sectoriels comme ceux développés par le CEA.
3. La collaboration avec les autorités : travailler avec la CNIL et le Comité européen de l’IA pour bénéficier d’un accompagnement réglementaire.

Dans le secteur pharmaceutique, l’IA est déjà utilisée pour accélérer les essais cliniques, comme le rapporte VOI.id. Cependant, les entreprises doivent désormais auditer leurs algorithmes pour éviter les biais dans les résultats, sous peine de sanctions de l’Agence européenne des médicaments (EMA).

Hier, une polémique a éclaté à Toulouse après la diffusion d’une photo truquée par IA d’un candidat aux municipales, montrant six doigts à une main. Selon Actu.fr, cet incident relance le débat sur la régulation des deepfakes en période électorale. La CNIL a rappelé que toute manipulation d’image à des fins politiques doit être clairement identifiée comme telle, sous peine de poursuites pour manipulation de l’information.

Dans le même temps, une étude publiée par Le Big Data révèle que 63 % des femmes expriment une méfiance envers l’IA, contre 41 % des hommes. Les raisons invoquées incluent :

• Le manque de transparence des algorithmes (cité par 78 % des répondantes).
• La peur des biais discriminatoires (65 %).
• L’absence de représentation féminine dans les équipes de développement (52