Agent Orchestrateur Test 1 · HSBC · Banque Démo

Des agents qui scannent, comparent et testent. Un expert qui décide.

Quoi. Une démonstration commerciale de gouvernance des métadonnées, proposée dans un contexte HSBC : scan hebdomadaire, écarts comparés à la référence validée, tests automatiques T1 à T6, propositions de correctifs, puis validation humaine. Ce n’est pas un système HSBC en production et il n’utilise aucune donnée réelle de HSBC.

Comment. Un orchestrateur coordonne des rôles spécialisés (scan, comparaison, remise en question, tests, correctifs). Le calcul est déterministe, dans le navigateur. La « Narration IA » est optionnelle et ne décide jamais.

Aujourd’hui (démo). Une base Postgres Lovable Cloud seedée (catalogue de métadonnées, normes RAG, journal d’audit) et un moteur de cycle déterministe exécuté dans le navigateur. Données Banque Démo 100 % fictives.

Demain (pilote). Lecture de BigQuery Information Schema / Data Catalog, RAG vectoriel privé, SSO de la banque, et aucune écriture en production sans accord de l’expert.

  • Human-in-the-loop
  • Art. 22
  • AI Act · supervision
  • RAG = preuve
  • Parcours pilote HSBC
Audit & conformité

Ce que la démo montre au comité.

Quatre réponses aux questions que posent la DSI, le DPO et les auditeurs.

01

Journal d’audit

Qui a lancé le cycle, quels écarts, quels tests, quelle décision expert, quelle version de référence. Traçabilité complète pour le comité et la DSI.

02

RGPD — Art. 22

Aucune décision individuelle automatisée à effet juridique sur une personne. Ici : métadonnées techniques fictives. Toute évolution de la référence = validation humaine explicite (human-in-the-loop).

03

AI Act (UE)

Outil d’aide à la gouvernance technique avec supervision humaine obligatoire. Pas de scoring crédit, pas de décision client. Mode « Scénario sûr » par défaut ; l’IA reformule seulement.

04

Limites assumées

Parser SQL de démo (pas de CTE, pas de SELECT *). Pas de BigQuery réel. En pilote : brancher l’Information Schema et les critères d’évaluation SI.

Cadre pédagogique pour le pitch / atelier — pas un avis juridique. En pilote : AIPD / analyse de risque IA avec le DPO et le RSSI.

Rôles

Sept rôles, une seule décision humaine.

Orchestrateur

Fait : Enchaîne les étapes et journalise le cycle

Ne fait pas : Ne remplace pas le moteur déterministe

Scanneur

Fait : Inventaire DDL/SQL et lineage

Ne fait pas : Pas d’Information Schema réel (démo)

Comparateur

Fait : Calcule les écarts vs la référence validée

Ne fait pas : Pas de fusion automatique

Contrôleur

Fait : Classe et remet en question les propositions

Ne fait pas : Pas d’approbation finale

Générateur

Fait : Propose des correctifs SQL (boucle bornée)

Ne fait pas : Pas d’écriture en production

Testeur

Fait : Exécute T1–T6 de façon déterministe

Ne fait pas : Pas de verdict métier

Expert (humain)

Fait : Approuve, corrige ou rejette : seule porte de décision

Ne fait pas : Ne peut pas être remplacé par un modèle

RAG — usage, fichiers, augmentation

Le RAG justifie. Il ne décide jamais.

Le moteur calcule les écarts et les tests ; le RAG cite les normes, politiques et runbooks pour éclairer l’expert. Si la recherche ne trouve rien : « Aucune preuve documentaire — escalade expert ».

Dans la démo aujourd’hui

Corpus simulé de normes Banque Démo : aucune API d’embeddings, aucun document réel. Dans l’interface : panneau « Preuves (RAG) » et pastille « N sources » sur chaque carte de validation.

Fichiers et sources à ingérer en pilote

  • PDF / DOCX : politiques de gouvernance, standards de nommage, règles de lineage
  • Markdown / Confluence / SharePoint : pages de documentation SI
  • CSV / Excel : dictionnaires de données et matrices de criticité
  • SQL DDL / dbt docs / exports de Data Catalog
  • JSON / YAML : runbooks et playbooks d’approbation
  • Optionnel : extraits de tickets Jira / ServiceNow (anonymisés)

Chaîne d’augmentation (pilote)

  1. Ingérer et classifier (étiquettes de sensibilité)
  2. Découper et vectoriser dans un magasin approuvé par la banque (VPC / privé)
  3. Retrouver le top-k avec citations (id du document, version, paragraphe)
  4. Attacher les preuves à chaque écart ; jamais d’application automatique
  5. Rétention et droits alignés sur l’IAM de la banque
Orchestration & APIs de connexion (pilote HSBC)

Un cœur déterministe, des connecteurs en lecture d’abord.

L’orchestrateur planifie les rôles et journalise chaque étape. La narration IA est un canal latéral optionnel ; les faits et les décisions ne dépendent jamais d’un modèle.

Orchestration

  1. Scanner : lit les métadonnées de la plateforme
  2. Comparateur : calcule les écarts vs la référence validée
  3. Contrôleur : remet en question les propositions
  4. Testeur : exécute les contrôles T1–T6, boucle correctifs bornée
  5. Expert métier : porte de décision humaine obligatoire
  6. Référence versionnée : chaque décision produit une nouvelle version

Connecteurs proposés pour le pilote

  • BigQuery Information Schema / Data Catalog (GCP) — lecture de métadonnées
  • Optionnel : Dataplex / Collibra / Alation — synchronisation du catalogue
  • Stockage objet (GCS / S3) — réception des packs de politiques
  • IdP / OIDC (SSO de la banque) — authentification
  • Secrets via le coffre de la banque — aucun secret dans l’application
  • Webhook / bus d’événements (Pub/Sub ou équivalent) — déclenchement des cycles
  • API d’export : écarts + dossier de preuves (JSON) vers GRC / ServiceNow
  • Écriture : aucune en production sans accord de l’expert ; référentiel versionné

Note de sécurité

Aucune donnée personnelle dans la démo ; le pilote se limite aux métadonnées et aux documents approuvés. Réseau : points de terminaison privés, rôles en lecture au plus juste. Secrets dans le coffre de la banque, jamais dans l’application.

Proposition de pilote — aucune intégration HSBC réelle n’est en place, aucune donnée HSBC n’est utilisée.

Données fictives — démo