IA et secret professionnel : utiliser l'IA générative en profession réglementée sans compromettre la confidentialité

Utiliser l'IA générative dans une profession réglementée, c'est confier à un système informatique, souvent opéré par un tiers, des informations que l'on a reçues sous condition de confidentialité : la situation familiale d'un client, son patrimoine, sa santé, un litige, une stratégie. Le secret professionnel n'interdit pas l'IA. Il impose en revanche de savoir où vont les données, qui peut les voir, ce qu'elles deviennent et de pouvoir le prouver.

Les régulateurs l'ont dit clairement. Dans ses questions-réponses sur l'IA générative, la CNIL rappelle que les utilisateurs ne doivent jamais soumettre d'informations confidentielles, données personnelles ou secrets d'entreprise, à un service grand public (CNIL, 18 juillet 2024). Le Conseil national des barreaux a adopté le 17 mars 2026 un guide déontologique qui place la protection du secret professionnel et le respect du RGPD en tête des exigences pour les avocats (CNB). Ce guide propose une grille transversale, valable pour le conseil patrimonial, le droit, l'expertise comptable, la banque ou l'assurance : distinguer les obligations, comprendre le trajet réel des données, choisir une architecture et tracer les usages. Il s'inscrit dans notre série sur le deuxième cerveau, l'IA agentique et l'IA en environnement réglementé.

Secret professionnel, confidentialité, données personnelles : trois obligations à ne pas confondre

Définition courte. Le secret professionnel est l'interdiction, pénalement sanctionnée, de révéler une information à caractère secret reçue en raison de sa profession ou de sa fonction. L'article 226-13 du Code pénal punit cette révélation d'un an d'emprisonnement et de 15 000 € d'amende. Mais dans les débats sur l'IA, trois régimes différents se mélangent souvent. Les distinguer permet de savoir quelle règle s'applique à quel usage.

Le cas des professionnels du patrimoine (analyse). Le conseiller en gestion de patrimoine exerce sous plusieurs statuts (CIF, courtier en assurance, IOBSP, agent immobilier) et le régime exact de secret dépend de chacun ; nous ne tranchons pas ici cette question juridique. En pratique, la conclusion est la même : un recueil patrimonial réunit des données personnelles, souvent des données de santé (prévoyance, emprunteur), des informations familiales et fiscales, et des éléments transmis par des établissements eux-mêmes tenus au secret. Le niveau d'exigence doit donc être aligné sur le régime le plus strict. Pour le socle RGPD du cabinet, voir notre checklist RGPD pour CGP.

Ce qui se passe réellement quand on colle un dossier client dans une IA

Le risque ne se situe pas dans « l'intelligence » du modèle, mais dans le trajet de l'information. Quand un collaborateur colle un compte rendu de rendez-vous dans un assistant conversationnel, au moins six choses se produisent, et chacune pose une question distincte.

1. La transmission. Le texte quitte le poste de travail et part vers les serveurs du fournisseur. Où sont-ils situés, et sous quel droit ?
2. Le traitement. Le modèle lit le texte en clair pour produire une réponse. Qui, chez le fournisseur ou ses propres sous-traitants, peut y accéder ?
3. La conservation. La conversation est souvent stockée dans un historique. Combien de temps, et peut-on la supprimer ?
4. La réutilisation. Selon les conditions d'utilisation, les échanges peuvent servir à améliorer les modèles. La CNIL recommande une analyse au cas par cas lorsque le fournisseur se réserve ce droit.
5. La journalisation. Des journaux techniques peuvent conserver des extraits des requêtes, indépendamment de l'historique visible.
6. La sortie. La réponse générée est copiée dans un email, un rapport, un CRM. Si elle contient une erreur ou une information d'un autre dossier, elle se propage.

L'« IA fantôme ». Le premier risque, dans la plupart des organisations, n'est pas un outil mal choisi par la direction, mais un outil choisi par personne : des collaborateurs qui utilisent un compte personnel, gratuit, pour gagner du temps. Aucun contrat, aucun registre, aucune trace. C'est pourquoi la CNIL recommande de commencer par définir une liste d'usages autorisés et interdits et d'impliquer dès le départ le délégué à la protection des données, le responsable informatique et les métiers.

Distinguer fait et hypothèse. Tous les services d'IA ne conservent pas les données et ne les réutilisent pas ; les offres professionnelles prévoient souvent des engagements contraires. Mais ces garanties sont contractuelles : elles se vérifient dans les conditions, le contrat de sous-traitance et la documentation technique, pas dans la page d'accueil. Pour les obligations propres au règlement européen sur l'IA, voir notre analyse de l'AI Act pour les CGP.

Les quatre architectures d'IA et leur niveau d'exposition

Toutes les « IA » n'exposent pas les données de la même manière. La CNIL recommande de choisir le mode de déploiement selon la sensibilité des informations et souligne que, pour des données personnelles ou sensibles, les solutions déployées sur une infrastructure maîtrisée limitent le risque d'extraction par des tiers. Le tableau suivant propose une grille de lecture ; il décrit des catégories générales, pas des produits précis.

Analyse. Pour une petite ou moyenne structure, l'architecture 4 est rarement réaliste, et l'architecture 1 n'est pas acceptable pour des dossiers clients. Le choix se joue presque toujours entre 2 et 3. La différence décisive tient à trois points : ce qui est envoyé au modèle (tout le dossier ou le strict nécessaire), sous quelle forme (en clair ou pseudonymisé) et qui conserve la mémoire (le fournisseur d'IA ou l'organisation). Nous avons détaillé ce dernier point dans notre article sur le deuxième cerveau d'entreprise : la mémoire est un actif de l'organisation, le modèle d'IA un moteur interchangeable.

Une mémoire qui reste chez vous, un moteur d'IA au choix

Dans la grille ci-dessus, Brain se place dans la troisième catégorie, avec des choix documentés : données hébergées à Paris chez Scaleway et chiffrées en AES-256, données sensibles qui ne sortent jamais en clair, aucune donnée utilisée pour entraîner un modèle public, une copie de la mémoire synchronisée chez vous et un moteur d'IA remplaçable. La page Sécurité détaille chacun de ces points.

Lire les engagements de sécurité Voir la méthode

Hébergement en Union européenne • Chiffrement AES-256 • Moteur d'IA interchangeable

Pseudonymisation, anonymisation, chiffrement : ce que chaque mesure protège vraiment

Ces trois termes sont souvent employés l'un pour l'autre dans les argumentaires. Ils désignent pourtant des protections très différentes, et aucune ne suffit seule.

• Pseudonymisation. Le RGPD la définit (art. 4, point 5) comme un traitement par lequel les données ne peuvent plus être attribuées à une personne sans recourir à des informations supplémentaires conservées séparément. Concrètement : « Jean Martin, 12 rue… » devient « CLIENT_A » avant l'envoi au modèle, et la table de correspondance reste chez l'organisation. Les données pseudonymisées restent des données personnelles au sens du RGPD (considérant 26) : la mesure réduit le risque, elle ne fait pas sortir du règlement.
• Anonymisation. Elle est irréversible : plus personne, pas même l'organisation, ne peut réidentifier la personne. Les données anonymes sortent du champ du RGPD, mais elles sont rarement utiles pour traiter un dossier client, où il faut précisément savoir de qui l'on parle.
• Chiffrement. Il protège les données au repos (stockage) et en transit (réseau) contre un accès non autorisé. Mais un modèle d'IA doit lire le texte pour le traiter : au moment du traitement, l'information est déchiffrée. Le chiffrement protège le coffre, pas ce que l'on fait avec son contenu.

La limite de la pseudonymisation (illustration). Prenons un cabinet fictif qui masque les noms mais envoie tel quel le texte : « dirigeant de la seule clinique vétérinaire de telle commune, divorcé l'an dernier, cession prévue ». Aucun nom n'apparaît, et pourtant la personne est identifiable. Une pseudonymisation sérieuse traite les identifiants directs et s'accompagne d'une règle de minimisation : n'envoyer au modèle que ce qui est nécessaire à la tâche.

La bonne combinaison. Chiffrement du stockage et des échanges, pseudonymisation des identifiants avant tout appel à un modèle externe, minimisation du contexte envoyé, engagement contractuel de non-réutilisation, et hébergement dans l'Union européenne. C'est cet ensemble, et non une mesure isolée, qui permet de soutenir qu'on a pris des mesures de sécurité appropriées au sens de l'article 32 du RGPD. Sur le chiffrement et l'hébergement, voir aussi notre guide de la sécurité des données en cabinet.

Traçabilité de l'IA : prouver qui a vu quoi, et d'où vient chaque réponse

Définition courte. La traçabilité d'un système d'IA, c'est la capacité à reconstituer après coup ce qui s'est passé : qui a posé quelle question, sur quelles données, quelle réponse a été produite, à partir de quelles sources, et qui l'a validée. Dans une profession réglementée, elle recouvre deux dimensions complémentaires.

Le piège des droits d'accès. Un assistant branché sur l'ensemble des documents d'une organisation peut contourner, sans le vouloir, le cloisonnement qui existait entre les dossiers : il suffit de lui poser la bonne question. Les droits d'accès doivent donc s'appliquer aux données que l'IA peut lire, et pas seulement à l'affichage. L'ANSSI, dans ses 35 recommandations de sécurité pour un système d'IA générative (avril 2024), consacre une large part à ces questions de cloisonnement, de droits et de journalisation.

Une réponse sans source ne compte pas. C'est l'un des principes affichés par la méthode Brain : pendant la phase de test sur dossiers réels, chaque réponse est vérifiée sur sa justesse et sur sa traçabilité avant d'aller plus loin. Le principe vaut au-delà de tout outil : une affirmation que l'on ne peut rattacher à aucun document n'a pas sa place dans un dossier réglementé. Nous avons développé ce lien entre autonomie et contrôle dans notre guide de l'IA agentique en entreprise. Pour tester concrètement un outil et fixer des critères d'acceptation, voir notre guide Fiabilité de l'IA : hallucinations, sources et vérification des réponses.

Méthode : 7 étapes pour encadrer l'IA dans une organisation soumise au secret

La méthode suivante s'appuie sur les recommandations de la CNIL et de l'ANSSI. Elle ne suppose aucune compétence technique avancée : elle suppose de l'écrit et des décisions.

1. Inventorier les usages réels. Demander, sans sanction, qui utilise quel outil d'IA, pour quoi faire et avec quels comptes. L'objectif est de faire apparaître l'IA fantôme, pas de la punir.
2. Classer les informations. Quatre niveaux suffisent souvent : public, interne, confidentiel (données clients), secret ou sensible (santé, contentieux, informations couvertes par un secret sectoriel).
3. Croiser informations et outils. Pour chaque niveau, indiquer quelles architectures sont autorisées (voir la matrice ci-dessous). C'est la liste d'usages autorisés et interdits recommandée par la CNIL.
4. Vérifier le contrat. Qualification du fournisseur (sous-traitant au sens de l'article 28 du RGPD), localisation, transferts hors UE, durée de conservation, non-réutilisation pour l'entraînement, sous-traitants ultérieurs.
5. Évaluer le risque quand il est élevé. Une analyse d'impact relative à la protection des données (AIPD, art. 35 du RGPD) est à envisager lorsque le traitement porte à grande échelle sur des données sensibles ou combine plusieurs critères de risque.
6. Former les utilisateurs. Expliquer ce qu'il ne faut jamais coller dans un outil non autorisé, comment vérifier une réponse et à qui signaler un incident. Le règlement européen sur l'IA impose par ailleurs aux organisations qui déploient ces outils d'assurer un niveau suffisant de maîtrise de l'IA chez leurs utilisateurs.
7. Tracer et réviser. Conserver les journaux d'usage, revoir la matrice à chaque nouvel outil ou nouvel usage, et au minimum une fois par an.

Exemple de matrice informations × outils (à adapter).

Cette matrice est une illustration : chaque organisation doit la calibrer selon son régime de secret, ses engagements contractuels et l'avis de son DPO ou de son conseil. Le principe, lui, est stable : plus l'information est sensible, plus l'architecture doit être maîtrisée et la validation humaine explicite.

Le cas du cabinet patrimonial : commencer petit, sur une mémoire maîtrisée

Les cabinets de conseil patrimonial concentrent toutes les difficultés décrites plus haut : des données personnelles abondantes, des informations de santé, des situations familiales délicates, des contraintes de preuve fortes (devoir de conseil, rapport d'adéquation) et des équipes réduites, sans DSI. C'est aussi là que le gain de temps est le plus attendu.

Illustration. Prenons un cabinet fictif de quatre personnes. Avant tout outil, il liste ses usages : un associé utilise un assistant grand public pour reformuler des emails, une assistante y colle parfois des comptes rendus. Le cabinet interdit immédiatement le second usage, garde le premier pour des textes sans données clients, puis choisit de relier deux ou trois sources seulement (messagerie, agenda, logiciel métier) à une plateforme qui pseudonymise avant l'appel au modèle et cite ses sources. Il teste pendant quelques semaines sur de vrais dossiers, vérifie chaque réponse, puis décide d'élargir ou non.

Cette progression correspond à la méthode décrite par Brain : un audit de départ, une cartographie des sources (connectables, à valider techniquement ou non reliées), un périmètre initial de deux ou trois sources, un test sur dossiers réels, puis une décision. Elle repose sur une idée que nous avons développée dans l'article de présentation de Majors Brain : l'approche progressive n'est pas une précaution de principe, c'est la seule manière de vérifier la confidentialité et la fiabilité sur ses propres données avant d'en dépendre.

Ce que la plateforme métier apporte. Pour la partie réglementaire du dossier (recueil, profil de risque, rapport d'adéquation), la Suite Majors® héberge les données en France et les chiffre en AES-256 ; Brain s'y connecte comme une des sources de la mémoire du cabinet. Pour situer ces outils dans l'ensemble du système d'information, voir notre article CRM, GED, IA : pourquoi votre cabinet a besoin d'une mémoire intelligente.