Torras.ai

Lors de ma récente masterclass avec ADEN Business School, j'ai exploré comment l'intelligence artificielle transforme le secteur financier. De l'analytique prédictive à l'IA générative et maintenant aux systèmes basés sur des agents, les banques naviguent dans un paysage complexe rempli d'opportunités et de risques.

Regardez la session complète (en espagnol) :

Le mauvais : Panorama des chatbots bancaires — Août 2025

Le tableau ci-dessous résume un échantillon d'assistants bancaires à travers le monde. Il n'est pas exhaustif et peut contenir quelques inexactitudes, mais il illustre le paysage : la capacité transactionnelle est courante ; la capacité générative émerge ; la combinaison des deux reste absente.

De nombreuses banques expérimentent l'IA générative. À ce jour, 0 % combinent IA générative et capacités transactionnelles en direct dans un seul chatbot destiné aux consommateurs.

Pourquoi l'écart des « 0 % » persiste

• Explicabilité : Les banques doivent justifier leurs décisions et réponses ; les LLM restent probabilistes et opaques.
• Fiabilité & hallucinations : Même des erreurs rares sont inacceptables dans les interfaces financières.
• Transparence & gouvernance : Les exigences de documentation, traçabilité et traçage des données sont strictes.
• Risque tiers & TIC : De nombreux modèles GPAI sont fournis par des prestataires externes ; l'intégration soulève des préoccupations de résilience et de confidentialité.
• Contrôles des modèles & des données : La qualité des données d'entraînement, la rétention et les contraintes de propriété intellectuelle/confidentialité compliquent le déploiement.

Le bon : Pourquoi l'IA à usage général (GPAI) est plus importante que jamais

GPAI désigne les systèmes d'IA et modèles fondamentaux pouvant servir à de nombreux usages dans une banque, du support client au support de développement. Les superviseurs se concentrent désormais fortement sur la GPAI :

• Autorité bancaire européenne (EBA) : surveille les tests GPAI et l'adoption précoce dans les banques de l'UE, notamment dans le support client et l'optimisation des processus internes ; appelle à la prudence sur la protection du consommateur, l'explicabilité et la fiabilité.
• Code de conduite de l'UE pour la GPAI : met l'accent sur la transparence, la documentation des capacités et limites, la gestion des données et les contrôles qualité dans le temps.
• Directives IA de l'OMB américaine (M-24-10) : fixe des attentes pour une IA responsable dans le secteur public et chez les fournisseurs, renforçant les principes de transparence, gestion des risques et évaluation qui influencent les meilleures pratiques des services financiers.

En pratique, les banques expérimentent la GPAI pour :

• Service client : rédaction de réponses, amélioration de la résolution, assistance Q&R pour les employés sur les politiques et procédures.
• Centres d'appels : transcription fiable, synthèse et évaluation de la qualité.
• Ingénierie : génération de code, détection d'erreurs, migration de l'ancien (ex : COBOL vers des stacks modernes).
• Légal & conformité : suivi des changements, synthèse des décisions, analyse des impacts contractuels.

IA agentique : des bots statiques aux agents actifs

Les architectures basées sur des agents associent le raisonnement des LLM à des outils et des autorisations. Un agent bancaire peut suivre un objectif, appeler des API internes, récupérer des documents, remplir des formulaires et déléguer à des sous-agents spécialisés. C'est probablement la voie vers un « genAI + transactions » de confiance — mais seulement avec des contrôles forts, une auditabilité et des limites de risque.

Le laid : l'IA prédictive reste le cœur du système

Les anciens modèles prédictifs restent essentiels. Des outils comme le gradient boosting et les ensembles d'arbres sont toujours les piliers pour la prédiction de l'attrition, la modélisation du risque et l'optimisation marketing. Ils sont explicables, auditables et robustes — à condition d'être réentraînés au fil des évolutions du marché.

Que doivent faire les banques maintenant ?

• Séparer les préoccupations : garder le conseil génératif et l’exécution transactionnelle distincts tant que les garde-fous ne sont pas éprouvés ; utiliser une confirmation humaine explicite pour les étapes sensibles.
• Investir dans la gouvernance : cartes de modèles, tests red-team, évaluations, plans d'incident et politiques de conservation des jeux de données (plusieurs années).
• Privilégier la génération augmentée par récupération (RAG) : fonder les réponses sur du contenu interne validé ; enregistrer les citations pour l'audit.
• Privilégier l’« on-prem » ou VPC si nécessaire : pour les charges à haut risque, garder modèles et données dans des environnements contrôlés par la banque.
• Commencer par des agents pour le personnel : les cas d'usage agentiques côté employés (opérations, conformité, support IT) sont moins risqués et à fort retour sur investissement.

En résumé : Aucune banque n'a encore lancé de chatbot fusionnant le raisonnement génératif et les transactions en direct pour les consommateurs. Mais l'expérimentation GPAI s'accélère, les régulateurs clarifient leurs attentes et les architectures agentiques mûrissent. Les premiers à se lancer donneront le ton — comme l'a fait la banque en ligne il y a deux décennies.