L'exercice de supervision climatique 2026 oblige les banques françaises à coupler scénarios NGFS, données géospatiales et modèles de crédit. Retour sur une méthode qui mobilise autant la donnée que la puissance de calcul.
Le 29 janvier 2026, l'ACPR a réuni la place bancaire française pour faire le point sur les risques climatiques et environnementaux. Cette réunion de place a présenté les actualités réglementaires, ainsi que les principaux enseignements des actions de supervision menées sur ce thème. L'enjeu central de cette édition tient à l'entrée en application des nouvelles exigences : le superviseur doit évaluer la mise en œuvre du plan dans le cadre du SREP et vérifier que la banque teste sa résilience dans des scénarios climatiques adverses à différents horizons temporels.
Ce dispositif s'appuie désormais sur un questionnaire structuré. Les 29 questions sont réparties en trois onglets reprenant les exigences des orientations EBA 2025/01, concernant la stratégie incluse dans le plan prudentiel, sa gouvernance et la gestion des risques intégrée au plan prudentiel. Fait notable pour mesurer la maturité réelle des établissements : 60 % des établissements ont réalisé au cours des 12 derniers mois une évaluation du caractère significatif des risques climatiques. Ce chiffre, loin des 100 % attendus, explique pourquoi la modélisation reste un chantier technique autant que réglementaire.
Ce cadre bancaire climatique s'inscrit désormais dans un paysage de supervision plus large. La BCE a par ailleurs annoncé le 12 décembre 2025 un exercice distinct de reverse stress test géopolitique pour 2026, qui porte sur 110 banques supervisées et part d'un résultat critique prédéfini, une baisse de 300 points de base du ratio CET1, pour remonter en amont vers les scénarios et canaux de transmission susceptibles d'y conduire. Les équipes risques consolident ainsi, la même année, deux logiques de modélisation inverse : l'une climatique, l'autre géopolitique.
La difficulté technique du stress test climatique ne réside pas dans le scénario macroéconomique lui-même, mais dans sa déclinaison jusqu'à l'actif financé. Les scénarios de référence utilisés par les banques et le superviseur proviennent du Network for Greening the Financial System. La version la plus récente, publiée en 2025, a changé la donne sur le risque physique aigu : la modélisation a été enrichie pour inclure quatre aléas physiques aigus — vagues de chaleur et sécheresses, en plus des cyclones tropicaux et des inondations fluviales, modélisés dans les conditions climatiques actuelles et futures — et des canaux de transmission supplémentaires vers l'économie réelle ont été implémentés pour mieux capturer leurs impacts macroéconomiques.
Pour la France spécifiquement, les premiers résultats des scénarios court terme publiés par la Banque de France donnent une mesure concrète de l'exposition nationale : en mai 2025, le NGFS a publié ses premiers scénarios climatiques de court terme, et si l'Europe devait connaître une combinaison d'événements météorologiques particulièrement sévères, la France pourrait perdre 7,4 % de son PIB. Sur le risque chronique à horizon 2050, l'écart entre scénarios reste considérable : le risque physique chronique est mesuré à l'aide de la fonction de dommage de Kalkhuk et Wenz, et pour la France, l'impact négatif sur le PIB atteindrait 2,9 % en 2050 dans le scénario de politiques actuelles, contre 1,1 % dans le scénario de neutralité nette.
Mais un scénario macroéconomique national ne dit rien de l'exposition d'un portefeuille de crédit immobilier ou professionnel localisé. C'est là qu'interviennent les couches de données géospatiales et les modèles d'intelligence artificielle pour la descente d'échelle (downscaling). La Banque de France documente ce changement de granularité : la Caisse Centrale de Réassurance est capable de modéliser les inondations en France à 10 mètres près, offrant une précision supérieure aux cartes harmonisées pour l'Europe et capturant mieux les caractéristiques spécifiques du climat français actuel et futur.
Cette granularité ne sert à rien si elle n'est pas reliée à l'actif financé. Des sources de données plus granulaires et précises, comme la localisation et la valeur des bâtiments, sont précieuses pour les approches microéconomiques ; un projet international impliquant la Banque de France applique ainsi un concept de jumeau numérique pour quantifier l'impact des inondations sur les entreprises et leurs prêts bancaires, en s'appuyant sur des informations détaillées — localisation, valeurs des actifs et des stocks, distinction entre propriétaires et occupants — qui affinent la compréhension de la transmission des impacts. C'est précisément ce type d'architecture — croisement d'un aléa physique géolocalisé, d'une base d'actifs physiques et d'un encours de crédit — que les équipes data des banques françaises doivent industrialiser en 2026, bien au-delà d'un exercice réglementaire ponctuel.
Certains établissements ont pris une longueur d'avance en s'appuyant sur des partenariats externes plutôt que sur des développements internes complets. BNP Paribas illustre cette stratégie de coopération : en coopération depuis 2021 avec le projet OS Climate de la Fondation Linux, boosté par l'intelligence artificielle, la banque a développé son propre modèle de risque pour évaluer le risque physique de son portefeuille de crédits. Cette logique de mutualisation des données d'exposition — plutôt que leur recollecte individuelle par chaque établissement — réduit le coût marginal de la modélisation, un point que le superviseur encourage implicitement en publiant des guides méthodologiques communs.
Le marché des fournisseurs de données climatiques spécialisées s'est lui aussi structuré récemment. Un rapprochement annoncé en mars 2026 illustre la tendance à la granularité maximale au niveau de l'actif unitaire : Clarity AI s'est associé à RiskThinking.ai pour fournir des informations sur les risques physiques au niveau des actifs, intégrant des données granulaires et une modélisation avancée des risques physiques à des capacités d'IA natives, offrant une transparence ascendante sur la vulnérabilité climatique. L'offre inclut notamment des données de latitude et de longitude pour des millions d'actifs d'entreprises à travers le monde, y compris les infrastructures critiques, les sites de production, les sièges sociaux et les points de vente au détail. Pour un établissement de crédit français, l'intérêt pratique est direct : relier chaque garantie hypothécaire ou chaque site industriel financé à une coordonnée géographique précise, puis à un indice d'aléa.
Cette hétérogénéité des pratiques nourrit un débat académique sur la fiabilité réelle de l'IA appliquée au risque de crédit en contexte de stress. Une étude récente sur les banques de la zone euro met en garde contre un effet pervers : l'IA renforce certains indicateurs de liquidité, mais elle est aussi associée à une hausse des prêts non performants, suggérant une augmentation des vulnérabilités bancaires. Les auteurs soulignent par ailleurs un biais de diffusion des modèles qui peut jouer contre la stabilité collective en cas de choc : en cas de choc, ce comportement grégaire peut amplifier les déséquilibres au lieu de les atténuer. Un point à garder en tête pour toute équipe qui industrialise un pipeline climat-crédit : la convergence des méthodes entre banques, utile pour la comparabilité réglementaire, peut aussi créer une corrélation de modèle non souhaitée.
La dimension la moins documentée publiquement, et pourtant déterminante pour les directions financières, est le coût de calcul associé à ces exercices. Un stress test climatique bottom-up ne consiste pas à appliquer un choc unique sur un bilan agrégé : il suppose de faire tourner, scénario par scénario et horizon par horizon, des modèles de projection sur des millions de lignes de portefeuille croisées avec des grilles d'aléas à résolution fine. Cette charge de calcul rejoint les arbitrages déjà bien connus des directions IT sur l'infrastructure GPU, où la facture peut vite déraper si elle n'est pas pilotée en amont — un sujet que nous détaillons par ailleurs dans notre offre d'accompagnement en architecture data.
Les ordres de grandeur du marché du cloud GPU donnent une idée du poids budgétaire que ce type d'exercice peut représenter lorsqu'il est mal cadré. Selon les données collectées par Datadog auprès de ses clients déployant de l'IA à grande échelle, les instances GPU représentent désormais 14 % des coûts de calcul des entreprises qui déploient l'IA à grande échelle, une proportion suffisamment significative pour justifier un suivi dédié. Le constat vaut d'autant plus pour les charges ponctuelles et intensives comme un exercice de stress test : les enveloppes GPU atteignent désormais des montants comparables aux grands projets d'infrastructure traditionnels, ce qui change la nature de la décision budgétaire — elle ne relève plus d'une simple ligne IT récurrente mais d'un arbitrage d'investissement.
Pour une banque française qui doit faire tourner ses modèles de risque physique sur un calendrier contraint par le questionnaire ACPR, le choix entre infrastructure propriétaire et cloud à la demande se pose en des termes très concrets. Les comparatifs de coût total de possession montrent que la flexibilité du cloud a un prix horaire élevé mais sans engagement : un GPU NVIDIA H100 coûte environ 3,40 euros de l'heure sur AWS, environ 6,08 euros sur Azure, et à partir de 1,30 euro chez des fournisseurs spécialisés, ce qui représente de 2 800 à 5 000 euros par mois et par GPU pour un modèle d'IA de taille moyenne. Pour des campagnes de simulation batch intensives mais non permanentes — typiquement le calendrier d'un exercice réglementaire annuel — le cloud à la demande reste la solution la plus rationnelle, à condition d'avoir anticipé les pics de charge liés aux échéances imposées par le superviseur.
Ce choix d'architecture n'est pas neutre non plus sur le plan de la conformité des données. Lorsque les charges de calcul sont hébergées hors de l'Union européenne, les équipes risques doivent intégrer une contrainte supplémentaire dans leur analyse : les organisations européennes qui traitent des données sensibles via une plateforme SaaS américaine soumise au Cloud Act doivent en tenir compte dans leur analyse de risque, en particulier pour les charges de travail impliquant des données personnelles ou soumises aux obligations de NIS2. Pour des portefeuilles de crédit nominatifs géolocalisés, cette question de souveraineté des données rejoint directement les exigences du superviseur sur la gouvernance du plan prudentiel.
L'exercice 2026 marque un tournant de maturité attendu par le superviseur : passer d'une évaluation qualitative du risque climatique à une intégration quantitative dans les processus de crédit courants. Le guide publié par la Banque de France sur l'intelligence artificielle rappelle une exigence transversale qui s'applique pleinement aux modèles climat-crédit : dans le cas des modèles internes d'évaluation du risque de crédit des banques, les algorithmes utilisés doivent être facilement interprétables et compréhensibles à la fois par la direction de la banque, afin qu'elle puisse prendre les décisions de gouvernance qui s'imposent. L'enjeu n'est donc pas seulement de produire un chiffre d'impact sur les fonds propres, mais de documenter une chaîne de modélisation traçable, de l'aléa climatique jusqu'à la perte attendue sur un segment de portefeuille. Les travaux du NGFS continuent par ailleurs d'évoluer rapidement, ce qui impose aux équipes risques une veille méthodologique constante : le réseau a publié des orientations sur la manière d'intégrer les considérations climatiques dans les cadres de modélisation macroéconomique des banques centrales, et partagé l'expérience de ses différents membres. Pour les directions data qui pilotent ces chantiers, l'enjeu de 2026 est donc double : industrialiser une chaîne de calcul reproductible d'une année sur l'autre, et dimensionner une infrastructure capable d'absorber des scénarios NGFS mis à jour presque chaque année sans réécrire l'ensemble du pipeline.
Cette double contrainte — méthodologique et budgétaire — explique pourquoi un nombre croissant d'établissements font appel à un accompagnement externe pour structurer leur dispositif de conformité data et IA, plutôt que de recruter en interne des compétences rares sur la modélisation climatique financière. Le sujet dépasse largement le seul exercice réglementaire annuel : il touche à la manière dont une banque pilote, au quotidien, l'exposition de son bilan à un risque dont l'intensité continue de croître d'une version de scénario à l'autre.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus