L'IA pour la conformité des services financiers désigne l'utilisation de systèmes d'intelligence artificielle pour automatiser, surveiller et renforcer les processus de conformité réglementaire dans la banque, l'assurance, la gestion d'investissement et d'autres secteurs financiers. Elle réduit la charge manuelle du travail de conformité tout en améliorant la rapidité et l'exactitude avec lesquelles les sociétés détectent les risques, remplissent leurs obligations de reporting et répondent aux évolutions réglementaires.
Les services financiers ont toujours été l'une des industries les plus exigeantes en matière de conformité au monde. Le volume de réglementation régissant la manière dont les sociétés gèrent l'argent des clients, déclarent les transactions, préviennent la fraude et gèrent les risques n'a cessé de croître pendant des décennies, et le coût opérationnel du maintien de la conformité a augmenté avec lui. Les équipes de conformité des grandes institutions financières comptent désormais régulièrement plusieurs centaines de personnes, et même les sociétés de taille moyenne disposent d'effectifs importants entièrement dédiés à des obligations réglementaires qui ne génèrent aucun revenu direct. L'IA n'élimine pas cette obligation de conformité, mais elle change fondamentalement l'effort humain nécessaire pour y répondre et la fiabilité avec laquelle cette obligation est remplie. Ce guide explique où l'IA crée l'impact le plus significatif dans la conformité financière, quels risques les sociétés doivent gérer lors de son déploiement et à quoi ressemble l'avenir de la conformité assistée par l'IA pour les organisations qui établissent correctement les fondations.
Pourquoi la conformité des services financiers est naturellement adaptée à l'IA
Le problème d'échelle que les processus manuels ne peuvent résoudre
Le défi de la conformité dans les services financiers est fondamentalement un problème d'échelle. Une grande banque traite des millions de transactions quotidiennement, chacune devant être contrôlée par rapport aux listes de sanctions, surveillée pour des schémas d'activité suspecte, vérifiée par rapport aux profils de risque clients et enregistrée dans des formats satisfaisant simultanément plusieurs cadres réglementaires qui se chevauchent. Effectuer ce travail manuellement n'est pas seulement coûteux. À un volume de transactions suffisant, cela devient mathématiquement impossible à faire de manière approfondie.
Les systèmes d'IA excellent précisément dans le type de traitement à fort volume, à forte densité de modèles et basé sur des règles que requiert la conformité financière. Un modèle d'apprentissage automatique entraîné sur des données historiques de transactions peut examiner des millions de transactions dans le temps qu'un analyste humain mettrait à en examiner des dizaines. Les systèmes de traitement du langage naturel peuvent surveiller simultanément les communications par e-mail, messagerie et canaux vocaux à la recherche de violations de conformité qui seraient invisibles pour les processus de revue par échantillonnage. Les systèmes de reporting automatisé peuvent assembler des soumissions réglementaires à partir de données en direct avec une précision et une vitesse que les processus manuels ne peuvent égaler à grande échelle.
Le paysage réglementaire aggrave le problème d'échelle. Les sociétés financières dans la plupart des grands marchés opèrent sous des obligations simultanées concernant la réglementation anti-blanchiment, les exigences de connaissance du client, les règles de conduite de marché, les cadres d'adéquation des fonds propres, le droit de la protection des consommateurs, la réglementation sur la protection des données et les règles sectorielles qui varient selon la juridiction, le type de produit et la catégorie de client. Se tenir au courant des évolutions de tous ces cadres et traduire les mises à jour réglementaires en ajustements opérationnels est en soi une fonction à temps plein dans les grandes institutions. Les outils de gestion du changement réglementaire assistés par l'IA gèrent de plus en plus une part significative de ce travail de traduction.
Où les équipes humaines de conformité sont mises à rude épreuve
Le modèle d'effectifs de conformité sur lequel les sociétés financières s'appuient depuis des décennies montre des signes de tension structurelle. Les responsables de conformité expérimentés possédant une expertise réglementaire approfondie sont coûteux, rares et difficiles à retenir. Le personnel junior effectuant un travail de revue à fort volume est sujet aux erreurs liées à la fatigue qui accompagnent les tâches répétitives à enjeux élevés. Et l'environnement réglementaire produit des changements plus rapidement que les cycles de formation ne peuvent les absorber.
L'IA pour la conformité des services financiers répond à chacun de ces points de pression de manière différente. Elle gère le travail volumineux qui ne nécessite pas de jugement expert, libérant les professionnels de la conformité expérimentés pour se concentrer sur les enquêtes complexes, les relations réglementaires et les décisions à forte intensité de jugement qui requièrent réellement une expertise humaine. Elle applique des règles cohérentes sans fatigue quel que soit le volume de données. Et elle peut être mise à jour pour refléter les changements réglementaires plus rapidement que la reformation d'une main-d'œuvre humaine.
Comprendre comment les choix d'architecture d'IA affectent la fiabilité et l'auditabilité des systèmes de conformité aide les sociétés financières à construire des déploiements satisfaisant à la fois leurs besoins opérationnels et les normes de documentation attendues par leurs régulateurs.
Où l'IA a le plus d'impact dans la conformité financière
Lutte contre le blanchiment d'argent et surveillance des transactions
La surveillance des transactions AML est l'une des applications les plus matures et les plus largement déployées de l'IA dans la conformité financière. Les systèmes traditionnels de surveillance des transactions basés sur des règles génèrent d'énormes volumes d'alertes, dont la majorité sont des faux positifs qui consomment du temps d'analyste sans produire de résultats exploitables. Le taux de faux positifs dans les anciens systèmes AML des grandes institutions financières dépasse couramment les 90 %, ce qui signifie que plus de neuf alertes sur dix examinées consomment des ressources de conformité sans rien rapporter de valeur.
La surveillance des transactions basée sur l'apprentissage automatique améliore considérablement ce ratio en apprenant les schémas comportementaux qui prédisent réellement l'activité suspecte plutôt qu'en appliquant des règles de seuil statiques qui captent le bruit aussi facilement que le signal. Les modèles entraînés sur des rapports d'activité suspecte confirmés et leurs schémas de transactions sous-jacents identifient les comportements de structuration, les schémas de superposition et les profils d'activité inhabituels avec une précision significativement supérieure aux approches basées sur des règles, réduisant les volumes de faux positifs tout en améliorant la détection des risques réels.
L'acceptation réglementaire des systèmes AML basés sur l'IA s'est développée parallèlement à leur maturité technique. Les régulateurs financiers aux États-Unis, au Royaume-Uni, dans l'UE et dans les principaux marchés asiatiques ont tous publié des orientations reconnaissant que la surveillance des transactions basée sur l'IA peut satisfaire aux obligations de conformité AML lorsqu'elle est mise en œuvre avec une documentation appropriée, une validation du modèle et une supervision humaine des escalades.
Connaissance du client et diligence raisonnable client
Les processus KYC et de diligence raisonnable client impliquent un travail substantiel de traitement de documents, de vérification d'identité, de filtrage des sanctions et de surveillance des médias défavorables que l'IA gère de manière plus cohérente et rentable que la revue manuelle à grande échelle.
L'IA de traitement de documents extrait des données structurées des documents d'identité, des états financiers, des dépôts d'entreprise et de la documentation sur les bénéficiaires effectifs plus rapidement et plus précisément que la saisie manuelle de données. Les systèmes de traitement du langage naturel surveillent simultanément la couverture médiatique défavorable à travers des milliers de sources, signalant les noms de clients dans les actions réglementaires, les procédures pénales ou la couverture de presse négative qui nécessiteraient un temps d'analyste significatif pour émerger via une surveillance manuelle.
La diligence raisonnable continue, l'obligation de mettre à jour les profils de risque clients lorsque leurs circonstances changent, est particulièrement bien adaptée à l'augmentation par l'IA. Plutôt que de s'appuyer sur des cycles de révision périodiques qui peuvent manquer des changements importants entre les dates de révision, les systèmes de surveillance par IA peuvent signaler les changements dans le comportement du client, les médias défavorables ou les mises à jour de listes de sanctions en quasi temps réel, déclenchant une revue renforcée au moment où elle est la plus pertinente.
| Fonction de conformité | Approche traditionnelle | Approche augmentée par l'IA | Bénéfice principal |
|---|---|---|---|
| Surveillance des transactions | Alertes de seuil basées sur des règles | Détection de schémas ML avec modélisation comportementale | Moins de faux positifs, meilleurs taux de détection |
| Traitement de documents KYC | Extraction et vérification manuelles des données | IA de documents automatisée avec revue humaine des exceptions | Rapidité et précision à grande échelle |
| Filtrage des sanctions | Correspondance de noms avec des listes statiques | Correspondance floue avec notation contextuelle des risques | Faux positifs réduits, meilleure couverture |
| Reporting réglementaire | Assemblage et formatage manuels des données | Génération automatisée de rapports à partir de données en direct | Précision et fiabilité des délais |
| Surveillance des communications | Recherche de mots-clés sur des communications échantillonnées | Surveillance NLP de l'ensemble de la population | Couverture complète sans risque d'échantillonnage |
| Gestion du changement réglementaire | Revue manuelle des mises à jour réglementaires | Identification des changements et évaluation d'impact assistées par IA | Traduction plus rapide des règles en opérations |
Reporting réglementaire et gestion de la piste d'audit
Les obligations de reporting réglementaire dans les services financiers sont à la fois volumineuses et impitoyables. Les soumissions tardives ou inexactes aux régulateurs financiers entraînent des sanctions financières significatives et peuvent déclencher un examen prudentiel plus large créant des perturbations opérationnelles bien au-delà de l'échec de reporting lui-même.
Les systèmes de reporting assistés par IA assemblent automatiquement les données requises à partir des systèmes sources, appliquent des règles de validation pour détecter les erreurs avant la soumission et maintiennent la documentation de piste d'audit que les régulateurs s'attendent à voir lorsqu'ils examinent comment un rapport a été produit. Pour les sociétés opérant dans plusieurs juridictions avec différents formats de reporting et fenêtres de soumission, la complexité de coordination des processus manuels de reporting crée un risque opérationnel significatif que les systèmes automatisés réduisent substantiellement.
La fonction de piste d'audit est particulièrement importante pour les processus de conformité assistés par IA en général. Les régulateurs examinant le programme de conformité d'une société veulent voir non seulement que les bons résultats ont été produits, mais comment ils ont été produits, par qui et avec quelle supervision. Les systèmes d'IA qui génèrent des journaux structurés de leurs entrées de décision, sorties et chemins d'escalade fournissent la base documentaire qui rend l'examen réglementaire gérable plutôt qu'adversarial.
Examiner comment les exigences de sécurité de l'IA et de contrôle d'accès s'appliquent aux systèmes de données de conformité aide les sociétés à construire l'architecture documentaire qui satisfait simultanément les exigences de gouvernance internes et les attentes réglementaires externes.
Ce que les sociétés doivent réussir avant de déployer l'IA en conformité
Exigences de validation des modèles et d'explicabilité
Les régulateurs financiers ont été explicites sur le fait que les modèles d'IA utilisés dans les fonctions de conformité doivent satisfaire aux mêmes normes de validation que les autres modèles utilisés dans les activités réglementées. Les orientations de gestion des risques de modèles du SR 11-7 de la Réserve fédérale, les lignes directrices de l'ABE sur la gouvernance interne et les cadres équivalents dans d'autres juridictions exigent tous que les sociétés documentent leurs modèles, valident leurs performances, surveillent la dégradation au fil du temps et maintiennent la capacité d'expliquer les sorties du modèle aux régulateurs lorsqu'on leur demande.
L'explicabilité est particulièrement significative pour les systèmes d'IA utilisés dans les décisions de conformité qui affectent les clients. Un système d'IA qui signale une transaction comme suspecte et déclenche un Rapport d'Activité Suspecte doit produire une base documentée pour cette détermination qu'un analyste humain peut examiner et qu'un régulateur peut auditer. Les modèles boîte noire qui produisent des sorties sans raisonnement interprétable créent à la fois un risque réglementaire et une vulnérabilité opérationnelle lorsque leurs sorties sont contestées.
L'implication pratique est que les sociétés déployant l'IA pour la conformité des services financiers doivent investir dans une infrastructure de validation des modèles parallèlement aux systèmes d'IA eux-mêmes. Cela signifie de la documentation des modèles, des benchmarks de performance, une surveillance continue de la dérive et un processus de gouvernance qui examine le comportement du modèle selon un calendrier défini plutôt que seulement lorsque des problèmes surviennent.
L'exigence de supervision humaine que les régulateurs surveillent de près
Chaque grand régulateur financier examinant l'IA en conformité a souligné le même principe : l'IA peut assister le travail de conformité mais ne peut pas remplacer la responsabilité humaine pour les décisions de conformité. Le responsable de conformité qui approuve une soumission réglementaire, valide un dépôt de SAR ou autorise un client par diligence raisonnable renforcée porte la responsabilité personnelle et organisationnelle pour cette décision indépendamment du fait qu'un système d'IA l'ait éclairé.
Cela crée une exigence de conception pour les systèmes d'IA de conformité qui va au-delà de la performance technique. La structure de supervision humaine doit être authentique plutôt que nominale. Un système d'IA qui génère des décisions de conformité que les examinateurs humains entérinent sans évaluation significative parce que le volume rend la revue réelle impraticable n'a pas préservé la supervision humaine de manière significative. Il a créé l'apparence de la supervision tout en supprimant sa substance.
Le principe des 30 % offre un cadre utile ici. L'IA devrait gérer les portions à fort volume et à règles cohérentes d'un flux de travail de conformité, environ 30 % de la fonction totale, tandis que les professionnels de la conformité qualifiés exercent leur jugement sur les cas complexes, ambigus et à enjeux élevés qui constituent l'essentiel du travail de conformité qui compte réellement. Concevoir des déploiements d'IA autour de ce principe produit des systèmes qui satisfont aux attentes réglementaires tout en offrant les bénéfices opérationnels que les sociétés cherchent en investissant dans l'IA.
Comprendre comment les fonctionnalités d'IA des plateformes de conformité d'entreprise mettent en œuvre les flux de travail de supervision aide les sociétés à évaluer si l'approche d'un fournisseur en matière de revue humaine est opérationnellement solide plutôt que cosmétiquement conforme.
L'IA va-t-elle remplacer les équipes de conformité financière ?
La question revient dans chaque conversation sérieuse sur l'IA pour la conformité des services financiers et mérite une réponse directe. L'évaluation honnête, soutenue par la manière dont la technologie est réellement déployée dans l'industrie, est que l'IA transforme les rôles de conformité plutôt qu'elle ne les élimine.
Les fonctions de conformité les plus affectées par l'IA sont les activités à fort volume et à faible jugement qui ont historiquement absorbé des effectifs importants. La revue des alertes de transactions, l'extraction de données de documents, l'assemblage de rapports de routine et le travail de filtrage de base sont toutes des domaines où l'IA réduit les heures humaines nécessaires pour maintenir la couverture de conformité. Les sociétés gèrent des volumes de transactions significativement plus élevés et une portée réglementaire plus large sans croissance proportionnelle des effectifs, et dans certains cas avec une réduction des effectifs dans des rôles opérationnels spécifiques.
Les fonctions de conformité les moins affectées sont celles nécessitant une expertise réglementaire, la gestion des relations avec les superviseurs, un travail d'enquête complexe et les décisions à forte intensité de jugement qui portent la responsabilité personnelle. Ces rôles ne sont pas automatisés. Ils deviennent, dans de nombreux cas, plus précieux à mesure que l'IA gère le travail de volume qui consommait auparavant le temps d'expert sur des tâches en dessous de leur niveau de capacité.
L'effet net sur l'emploi dans l'industrie est plus nuancé que ce que suggèrent les cadrages alarmistes ou dédaigneux. Certains rôles déclinent en volume. De nouveaux rôles émergent autour de la gouvernance des modèles d'IA, de la gestion de la technologie de conformité et des fonctions de supervision que le déploiement de l'IA crée plutôt qu'il n'élimine. Les professionnels de la conformité qui développent une aisance avec les outils d'IA et les cadres de gouvernance qui les entourent se positionnent pour le travail à plus haute valeur ajoutée qui reste irréductiblement humain.
| Rôle de conformité | Impact de l'IA | Direction |
|---|---|---|
| Analyste d'alertes de transactions | Volume élevé de travail automatisé | Rôle évoluant vers l'escalade de cas complexes |
| Processeur de documents KYC | Extraction de routine automatisée | Évoluant vers la gestion d'exceptions et la supervision de la qualité |
| Spécialiste du reporting de conformité | Assemblage de rapports automatisé | Évoluant vers la gouvernance des données et la supervision de l'exactitude |
| Analyste de filtrage des sanctions | Filtrage initial automatisé | Se concentrant sur la résolution de correspondances complexes et l'escalade |
| Directeur de la conformité | Informé et soutenu par l'IA | Rôle gagnant en importance stratégique |
| Risque et validation de modèles | Nouvelle fonction créée par l'adoption de l'IA | Demande croissante, nouvelle exigence de compétence |
| Affaires réglementaires | Gestion du changement assistée par IA | L'expertise humaine reste centrale |
Un guide IA approfondi sur la planification de la transition de la main-d'œuvre pour les fonctions de conformité aide les organisations à gérer les implications en capital humain de l'adoption de l'IA de manière réfléchie plutôt qu'à les découvrir réactivement pendant le déploiement.
À savoir
Plusieurs réalités importantes concernant l'IA pour la conformité des services financiers que les praticiens expérimentés ont apprises par le déploiement :
L'acceptation réglementaire des outils de conformité IA varie significativement selon la juridiction et le régulateur. Ce qui satisfait les attentes d'un régulateur bancaire fédéral américain en matière de validation des modèles AML peut nécessiter une documentation supplémentaire pour satisfaire les exigences équivalentes de la FCA, de la BCE ou de la MAS. Les sociétés multi-juridictionnelles doivent évaluer l'acceptation réglementaire sur chaque marché plutôt que de supposer une norme globalement cohérente.
La qualité des données d'entraînement détermine la qualité du modèle plus que la sophistication de l'algorithme. Un modèle AML entraîné sur les SAR historiques confirmés d'une société n'est bon que dans la mesure où la qualité et la représentativité de ces SAR le permettent. Les biais, lacunes et erreurs dans les décisions historiques de conformité sont encodés dans les modèles entraînés sur cette histoire. L'évaluation de la qualité des données avant l'entraînement du modèle n'est pas optionnelle.
Les outils de conformité IA fournisseurs nécessitent le même examen de validation que les modèles développés en interne. Acheter un outil d'IA de conformité auprès d'un fournisseur réputé ne transfère pas l'obligation de validation du modèle. La société déployant l'outil est responsable de valider sa performance dans son contexte spécifique, de la surveiller en continu et de documenter cette gouvernance pour l'examen réglementaire.
Les systèmes d'IA peuvent encoder et amplifier les biais historiques de conformité. Si les décisions historiques de conformité d'une société ont été systématiquement influencées par des facteurs démographiques de manière à désavantager certains groupes de clients, l'IA entraînée sur cette histoire peut perpétuer ces schémas à grande échelle. Les tests de biais dans les modèles d'IA de conformité sont à la fois une exigence légale dans de nombreuses juridictions et une obligation éthique.
Les exigences d'explicabilité créent une tension avec la performance du modèle. Les modèles d'IA les plus précis sont souvent les moins interprétables. Les modèles de gradient boosting et les réseaux de neurones profonds peuvent surpasser la régression logistique sur les métriques de détection AML tout en étant significativement plus difficiles à expliquer à un régulateur. Les sociétés doivent prendre des décisions délibérées sur le compromis explicabilité-performance basé sur le contexte réglementaire spécifique de chaque application.
La planification de la réponse aux incidents pour les défaillances d'IA en conformité doit prendre en compte les obligations de notification réglementaire. Un système d'IA de conformité défaillant produisant une période de surveillance AML inadéquate peut être lui-même un événement à déclarer aux régulateurs financiers. Savoir à l'avance quelles défaillances déclenchent quelles notifications est significativement moins stressant que de le déterminer en temps réel pendant un incident.
Construire une pratique durable de conformité IA dans les services financiers
Les sociétés de services financiers qui tirent la valeur la plus durable de leurs investissements en conformité IA partagent une approche cohérente. Elles ont commencé par des cas d'utilisation où l'acceptation réglementaire de l'IA était la plus claire, le gain d'efficacité était le plus mesurable et l'inconvénient d'une défaillance du modèle était le plus gérable. Elles ont construit une infrastructure de gouvernance des modèles avant d'en avoir besoin plutôt que de la rétro-adapter après que les régulateurs ont posé des questions. Et elles ont traité le personnel de conformité comme des partenaires dans le déploiement de l'IA plutôt que comme des obstacles à celui-ci.
Ce dernier point compte plus que la plupart des projets de transformation menés par la technologie ne le reconnaissent. Les professionnels de la conformité qui comprennent les exigences réglementaires, les cas limites qui comptent et la dynamique relationnelle avec les superviseurs sont les mêmes personnes dont l'expertise du domaine fait que les modèles d'IA de conformité fonctionnent réellement plutôt que de fonctionner techniquement tout en passant à côté du point. Les organisations qui déploient l'IA en conformité avec l'expertise du personnel plutôt qu'autour d'elle se retrouvent avec de meilleurs modèles, une meilleure adoption et de meilleures relations réglementaires.
L'IA pour la conformité des services financiers n'est pas un remplacement de l'expertise en conformité. C'est le multiplicateur de force qui fait que l'expertise en conformité passe à l'échelle. Bien combiner ces éléments est ce qui sépare les sociétés qui obtiennent un véritable avantage concurrentiel des investissements en IA de conformité de celles qui dépensent l'argent et finissent par gérer les risques d'un déploiement qu'elles n'ont pas pleinement réfléchi.
Foire aux questions
Qu'est-ce que l'IA générative pour la conformité dans les services financiers ?
L'IA générative pour la conformité dans les services financiers désigne les applications de grands modèles de langage qui automatisent la rédaction de rapports réglementaires, de documentation de politique, de communications de conformité et d'évaluations des risques, ainsi que les systèmes qui surveillent et résument les évolutions réglementaires dans plusieurs juridictions simultanément. Elle s'étend au-delà des tâches de détection de schémas et de classification sur lesquelles se concentraient les outils antérieurs d'IA de conformité, ajoutant des capacités de génération et de compréhension du langage naturel qui adressent les portions à forte intensité documentaire du travail de conformité.
Comment l'IA pourrait-elle être utilisée dans les services financiers ?
L'IA est utilisée dans les services financiers pour la surveillance des transactions et la détection de fraude, la diligence raisonnable client et le traitement KYC, l'automatisation du reporting réglementaire, la surveillance des communications, l'évaluation du risque de crédit, la surveillance de marché pour les risques de conduite et la gestion du changement réglementaire. Le fil commun à ces applications est que l'IA gère un travail à fort volume et à forte densité de schémas qui nécessitait auparavant un temps humain significatif tandis que les experts humains se concentrent sur le jugement complexe, les décisions d'escalade et les relations réglementaires.
Comment l'IA peut-elle être utilisée en conformité ?
L'IA peut être utilisée en conformité pour automatiser la surveillance des transactions, des communications et du comportement client pour les violations réglementaires, pour traiter et extraire des données de documents de conformité à grande échelle, pour assembler des rapports réglementaires à partir de données en direct avec une précision et une vitesse que les processus manuels ne peuvent égaler, et pour suivre les changements réglementaires dans les juridictions et évaluer leur impact opérationnel. Dans chaque application, les déploiements les plus efficaces maintiennent les professionnels de la conformité qualifiés responsables des décisions escaladées et des soumissions réglementaires plutôt que de déléguer complètement ces fonctions aux systèmes automatisés.
L'IA va-t-elle remplacer la conformité financière ?
L'IA ne remplacera pas la conformité financière en tant que fonction mais transforme déjà quelles parties du travail de conformité nécessitent un effort humain et lesquelles peuvent être gérées par l'automatisation. Le filtrage à fort volume, le reporting de routine et le traitement de documents évoluent vers l'augmentation par l'IA, tandis que l'expertise réglementaire, l'enquête complexe et la responsabilité des décisions de conformité restent irréductiblement humaines. Les professionnels de la conformité qui développent une littératie en IA se positionnent pour le travail à plus haute valeur ajoutée que l'automatisation crée plutôt qu'elle n'élimine.
L'IA va-t-elle prendre le contrôle des services financiers ?
L'IA ne prendra pas le contrôle des services financiers mais devient une infrastructure intégrée dans la plupart des fonctions des services financiers, de l'onboarding client et de la décision de crédit au trading, à la gestion des risques et à la conformité. Le cadre réglementaire régissant les services financiers crée des exigences de responsabilité humaine qui empêchent l'automatisation complète des décisions conséquentes, et les aspects à forte intensité relationnelle et dépendants du jugement des services financiers restent des domaines où les professionnels humains apportent une valeur que les systèmes d'IA ne peuvent reproduire.