Les banques ne doutent plus du potentiel de l’intelligence artificielle. Le vrai défi est ailleurs : convertir des POC prometteurs en dispositifs robustes, audités, intégrés aux opérations et capables de produire une valeur mesurable. C’est désormais là que se jouera l’avantage compétitif.

Le débat bancaire sur l’IA a changé de terrain. Il y a encore dix-huit mois, l’enjeu était d’identifier des cas d’usage et de vérifier que les modèles produisaient un gain tangible. Cette phase est derrière nous. Les pilotes existent, parfois par centaines. Mais leur transformation en dispositifs industriels reste très inégale. Et c’est précisément cet écart qui devient décisif.

Le vrai test commence après les POC

Le verrou principal se situe désormais sur le terrain opérationnel.

Un POC fonctionne dans un environnement contrôlé : données préparées, périmètre réduit, supervision implicite, arbitrages rapides. Il permet de démontrer une faisabilité. Mais une mise en production bancaire obéit à une logique radicalement différente : qualité et gouvernance des données, gestion des droits d’accès, intégration aux workflows existants, supervision explicite, capacité d’audit, stabilité de service et mesure de la performance.

À ces exigences s’ajoute une contrainte propre aux banques : l’intégration dans des systèmes d’information historiques, souvent fragmentés, construits par strates successives et encore structurés autour de référentiels multiples.

Le passage à l’échelle ne consiste donc pas seulement à faire tourner un modèle en production. Il suppose de le brancher sur des chaînes opérationnelles complexes, des outils de relation client, des moteurs de décision, des applicatifs back-office et des systèmes de contrôle déjà fortement contraints.

Réaliser un POC, aussi performant soit-il, n’est qu’un exercice s’il n’est pas pensé dès sa conception pour sa capacité à s’intégrer dans un SI complexe. Le passage du prototype au système de production n’est pas une simple montée en puissance. C’est une rupture.

Ce qui passe réellement à l’échelle

Les déploiements récents dans les banques françaises permettent désormais de trancher. Les cas d’usage qui passent à l’échelle ne sont ni les plus visibles ni les plus ambitieux sur le papier. Ce sont ceux qui s’ajustent le mieux aux contraintes opérationnelles, réglementaires et économiques du secteur.

Les premiers à s’industrialiser relèvent du back-office et du middle-office.

L’analyse automatisée de documents, notamment dans les processus de crédit, en est un exemple emblématique : lecture de dossiers, extraction de données financières, pré-remplissage d’analyses. BNP Paribas indique ainsi disposer de plus de 750 cas d’usage d’IA en production, majoritairement concentrés dans ces fonctions internes.

Le traitement des interactions clients constitue un second axe structurant.

La lecture automatique des emails, leur qualification et leur routage vers les bons interlocuteurs sont aujourd’hui intégrés dans les chaînes de traitement de plusieurs établissements, du Crédit Mutuel à La Banque Postale. Ces usages sont peu visibles, mais ils permettent de traiter des volumes importants avec une qualité homogène et des délais réduits.

Dans la relation client, la dynamique est différente. Les copilotes déployés auprès des conseillers atteignent désormais des niveaux d’adoption significatifs. Au sein du groupe BPCE, 75 % des conseillers utilisent des outils d’IA dans leur activité quotidienne . Ces dispositifs permettent de préparer les rendez-vous, de générer des comptes rendus et de sécuriser les obligations réglementaires. Leur impact dépasse le simple gain de temps : ils contribuent à homogénéiser les pratiques et à renforcer la traçabilité.

Les usages côté client final progressent également, mais selon une logique assumée de maîtrise du risque. Les banques industrialisent d’abord des interactions simples, fréquentes et faiblement engageantes : demande d’information, orientation dans les parcours client, traitement de requêtes standardisées. Chez BoursoBank, environ 60 % des interactions sont désormais traitées automatiquement, principalement sur des demandes simples.

Dans le même temps, la banque 100 % digitale de BNP Paribas, Hello bank!, déploie une nouvelle version d’HelloïZ, son assistant conversationnel développé avec Mistral AI. Un million de clients ont désormais accès à cet assistant conversationnel à toute heure qui dirige le client vers 25 intentions de transactions.

Tous les cas d’usage ne méritent pas l’industrialisation

L’industrialisation agit comme un révélateur : elle distingue très vite les usages robustes des usages séduisants mais difficilement soutenables.

Dans les fonctions support et certains processus middle-office, les gains de productivité sont accessibles. La tolérance au risque est maîtrisable, les processus sont relativement standardisés et l’humain reste dans la boucle.

Dans la relation client, les usages progressent lorsqu’ils assistent ou automatisent des tâches simples, avec un niveau de contrôle élevé.

À l’inverse, plus un système se rapproche d’une décision à fort impact financier ou réglementaire (octroi de crédit, détection de fraude, évaluation du risque), plus le niveau d’exigence grimpe.

Documentation, supervision, auditabilité et responsabilité ne sont plus des compléments : elles deviennent la condition d’existence du dispositif. Cette montée en contrainte ralentit mécaniquement le passage à l’échelle.

L’explicabilité, souvent présentée comme le principal frein, n’est en réalité qu’un élément parmi d’autres. Le véritable enjeu est la capacité à intégrer ces systèmes dans un cadre opérationnel et réglementaire exigeant.

La conformité devient un filtre de sélection

Le tournant réglementaire ne ralentit pas seulement l’industrialisation : il change la nature même de la sélection. Avec l’entrée en application progressive de l’AI Act et le renforcement des dispositifs de supervision, un cas d’usage ne peut plus être évalué uniquement à partir de sa performance en phase de test. Il doit aussi absorber le coût de sa mise en conformité : documentation, supervision humaine, traçabilité, monitoring, contrôle des biais et maintenance dans la durée.

Ce coût change la hiérarchie des projets. Un cas d’usage peut être techniquement convaincant, mais économiquement non industrialisable si la valeur attendue ne couvre pas l’effort de gouvernance nécessaire.

La conformité agit donc comme un filtre de rentabilité autant que comme un filtre réglementaire. Elle ne sélectionne pas seulement les modèles les plus performants, mais les usages capables de rester viables dans un environnement bancaire fortement contrôlé.

L’industrialisation se joue aussi sur l’équation économique

Entre un POC convaincant et un dispositif déployé à grande échelle, l’écart décisif relève autant de l’économie et de l’organisation du projet que de la technique.

Financer un POC coûte peu à l’échelle d’un groupe. Industrialiser suppose des investissements significatifs : architecture sécurisée, outils de monitoring, intégration aux chaînes métier, maintenance, acculturation des équipes et pilotage de la performance.

La plupart des projets ne sont pas arrêtés parce qu’ils échouent techniquement. Ils le sont parce qu’ils ne justifient pas, à grande échelle, l’effort d’industrialisation qu’ils exigent.

Les groupes qui commencent à réussir ne raisonnent plus en cas d’usage isolés, mais en portefeuilles cohérents, avec des composants réutilisables et une gouvernance claire. L’enjeu n’est plus d’expérimenter, mais de construire une capacité industrielle.

Le vrai chantier est organisationnel

C’est probablement le sujet le moins visible aujourd’hui, alors qu’il pourrait devenir le plus structurant. L’industrialisation de l’IA ne transforme pas uniquement les outils ; elle modifie la mécanique même du travail bancaire, des rôles et des chaînes de décision, bien au-delà d’un simple chantier technologique.

Les tâches standardisées remontent progressivement vers la machine : recherche documentaire, préparation de dossiers, synthèse d’échanges, qualification de demandes, contrôles de premier niveau, pré-analyse de pièces. Les collaborateurs interviennent davantage sur les cas complexes, les arbitrages, les exceptions et la relation à valeur ajoutée.

Cette bascule produit trois conséquences concrètes.

La première concerne les effectifs. L’enjeu n’est pas uniquement de réduire le volume de travail, mais de déplacer la charge vers des activités de supervision, de contrôle et de traitement des exceptions. Les banques devront donc piloter non seulement les gains de productivité, mais aussi les effets sur la charge réelle, la qualité de traitement, les délais et la répartition du travail entre équipes. Cette conséquence sur la définition des rôles n’est d’ailleurs pas propre à l’IA mais à tout projet de digitalisation d’un processus bancaire qui supprime les tâches à faible valeur ajoutée.

La deuxième concerne la formation. Une part significative de l’apprentissage bancaire reposait historiquement sur des tâches répétitives : analyser des pièces, préparer des dossiers, réaliser des contrôles simples, produire des synthèses. Or ce sont précisément ces tâches que l’IA automatise en priorité. Le risque n’est donc pas seulement social ; il est aussi cognitif. En supprimant trop vite les tâches d’entrée dans le métier, une banque peut fragiliser sa capacité à former les experts qui devront superviser les systèmes demain [2].

La troisième concerne le pilotage managérial. Manager une équipe augmentée par l’IA ne consiste plus seulement à répartir une charge de travail. Il faut contrôler la qualité des sorties, définir les seuils de reprise humaine, organiser l’escalade des cas ambigus, mesurer l’adoption réelle et maintenir la capacité critique des collaborateurs.

L’industrialisation de l’IA impose donc une évolution des modèles RH : parcours de montée en compétence, acculturation des managers, dialogue social, redéfinition des fiches de poste et intégration de compétences IA dans les filières métier.

Lorsque le système tient, il ne remplace pas seulement une tâche. Il redessine les trajectoires professionnelles, les circuits de décision et le modèle d’exploitation.

Les banques qui réussiront ne seront pas celles qui auront testé le plus de cas d’usage, mais celles qui auront su convertir cette redistribution du travail en nouveau modèle d’exploitation.

La souveraineté devient un sujet d’exploitation

À mesure que les usages se multiplient, la souveraineté ne se résume plus au choix d’un modèle européen ou d’un cloud localisé. Elle devient un sujet d’exploitation quotidienne.

Les grandes banques cherchent désormais à éviter une dépendance directe à un fournisseur unique de modèles. Certaines comme le groupe BPCE construisent des couches d’abstraction internes capables d’orienter les requêtes vers différents LLM selon la sensibilité des données, le coût, la latence, la performance attendue ou les contraintes réglementaires [6].

Cette approche transforme la GenAI en infrastructure pilotée. La banque ne consomme plus seulement un service d’IA ; elle organise une capacité interne d’arbitrage entre modèles, fournisseurs, environnements sécurisés et infrastructures on-premise.

La souveraineté ne signifie donc pas l’autarcie technologique. Elle signifie la capacité à garder la maîtrise des choix critiques : où circule la donnée, quel modèle est mobilisé, à quel coût, avec quel niveau de contrôle et quelle réversibilité.

Exécuter devient le vrai avantage compétitif

La question a changé : il ne s’agit plus de savoir si l’IA peut produire des résultats dans la banque, mais de mesurer comment ces résultats se traduisent à grande échelle, dans un nombre croissant de fonctions et avec des effets désormais visibles.

La véritable question est désormais simple : quelles banques sont capables de traiter l’IA non comme une vitrine d’innovation, mais comme une capacité industrielle, avec ses coûts, ses contraintes et ses implications organisationnelles ?

C’est un véritable test de maturité du modèle opérationnel bancaire : SI, données, conformité, économie, souveraineté et compétences.

À ce stade, l’enjeu consiste moins à innover pour démontrer qu’à exécuter pour transformer. Et c’est sur ce terrain, bien plus exigeant, que les écarts vont se creuser.

Sources

Le Monde, L’IA va-t-elle remplacer le banquier privé ?, 6 mai 2025.
Planet Fintech, Le Groupe BPCE accélère l’adoption de l’IA générative au service des clients, conseillers et collaborateurs.
Banque de France, Les fondations d’une IA de confiance dans le secteur financier.
BNP Paribas, Hello bank! lance son assistant conversationnel boosté à l’IA générative.
CIO Online, Pour la GenAI, nous avons fait un choix de souveraineté pour être en capacité de maîtriser notre destin.

Article rédigé par Emmanuel Valette, Moncef El Houti,  Pierre Guénois  et Sara Belghiti