Partout en Europe, les banques expérimentent l'IA, mais peu en font une vraie transformation.
Les banques européennes n'ont pas tardé à expérimenter l'IA. Les trois dernières années ont produit un volume considérable de pilotes, de preuves de concept et de programmes d'innovation internes dans tout le secteur. Des budgets ont été alloués. Des partenariats avec des cabinets de conseil en IA ont été signés. Des comités de pilotage ont été créés.
Et pourtant, l'écart entre les banques qui ont réellement transformé leurs workflows grâce à l'IA et celles qui enchaînent encore des expérimentations sans lien entre elles se creuse, au lieu de se réduire.
Comprendre ce qui sépare ces deux groupes n'est pas d'abord une question de technologie. C'est une question d'organisation et de stratégie.
Les banques qui ont tiré une vraie valeur de l'adoption de l'IA sur le cycle 2022-2024 partagent un schéma reconnaissable. Elles n'ont pas commencé par les cas d'usage les plus ambitieux. Elles ont commencé par les plus cadrés : des tâches à fort volume, régies par des règles, où le risque d'erreur de l'IA restait maîtrisable et où la productivité de départ était facile à mesurer.
La documentation de conformité est l'exemple le plus clair. Le reporting réglementaire dans la banque européenne est extraordinairement documentaire : déclarations MiFID II, calculs Bâle III, exigences de reporting ESG, surveillance des transactions LCB-FT. Les pionniers ont identifié des tâches précises de synthèse et de relecture de documents au sein de ces workflows, et y ont déployé une assistance IA au périmètre strictement délimité.
Les gains ont été significatifs. Des équipes qui passaient auparavant deux à trois jours sur la relecture de documents réglementaires ont ramené ce travail à quatre à six heures, avec un profil de risque acceptable puisque la relecture humaine restait l'étape finale.
Le support client a été un second domaine de création de valeur réelle, en particulier dans la banque privée et la gestion de patrimoine. Des outils IA qui synthétisent les informations de portefeuille d'un client, préparent les briefs de rendez-vous et rédigent les communications de suivi ont permis aux chargés de relation de gérer des portefeuilles clients plus larges sans sacrifier la qualité de service.
L'essentiel, c'est que ces outils assistaient le chargé de relation. Ils ne remplaçaient pas son jugement.
La recherche dans la connaissance interne est un troisième cas d'usage aux résultats constants. Les grandes banques fonctionnent avec d'énormes volumes de politiques internes, de spécifications produits et de guides de procédures. Les systèmes de recherche propulsés par l'IA, qui permettent aux collaborateurs d'interroger cette base de connaissances en langage naturel, ont nettement réduit le temps consacré aux vérifications de conformité et aux questions produits. C'est l'une des applications de l'IA au meilleur ROI dans la transformation digitale bancaire, précisément parce qu'elle n'exige aucun changement des systèmes existants et comporte un risque réglementaire minime.
Les échecs ont suivi un schéma tout aussi reconnaissable, et ce n'étaient presque jamais des échecs technologiques.
L'ambition sans infrastructure
Les banques qui ont lancé des programmes IA visant la décision de crédit complexe, la tarification dynamique ou l'onboarding client entièrement automatisé ont découvert que leur infrastructure de données ne pouvait pas soutenir le cas d'usage. Les modèles d'IA ne valent que par les données sur lesquelles ils travaillent, et la plupart des grandes banques européennes tournent sur des core banking hérités, avec des données fragmentées et incohérentes d'un métier à l'autre. La feuille de route d'adoption existait. Le socle de données, non.
Le déploiement sans gouvernance
Plusieurs établissements ont déployé largement des outils IA, notamment des outils généralistes comme Copilot, sans règles claires sur les données que les collaborateurs pouvaient saisir, les résultats sur lesquels ils pouvaient agir, et les responsables en cas d'erreur d'une décision assistée par l'IA. Dans un secteur où la responsabilité réglementaire est explicite et personnelle, cette ambiguïté n'était pas gérable. Elle a produit de la paralysie chez les collaborateurs, un usage incohérent, et dans certains cas un retrait rapide.
La preuve de concept permanente
Un nombre significatif d'initiatives IA bancaires restent dans un état de pilote perpétuel : des démos impressionnantes, jamais de passage à l'échelle. La cause profonde est presque toujours organisationnelle, pas technique. Passer à l'échelle exige une standardisation des processus, un alignement transverse et un investissement en conduite du changement que les équipes innovation sont rarement équipées ou autorisées à porter.
L'adoption de l'IA dans la banque se heurte à de vraies contraintes structurelles qui n'existent pas dans d'autres secteurs. Elles méritent d'être reconnues honnêtement.
La sécurité et la confidentialité des données ne sont pas négociables. Les données clients ne peuvent pas transiter par des systèmes d'IA externes sans couverture réglementaire et contractuelle explicite. Tout déploiement IA crédible dans la banque doit traiter la résidence des données, l'hébergement des modèles et le contrôle des accès avant de traiter les cas d'usage. Les meilleurs partenaires d'adoption de l'IA intègrent cette contrainte à l'architecture de leur mission dès le premier jour. Ce n'est pas une réflexion après coup.
La responsabilité réglementaire est tout aussi réelle. L'AI Act européen introduit des obligations spécifiques pour les systèmes d'IA utilisés dans le scoring de crédit, la détection de fraude et les décisions en contact avec le client. Les banques supervisées par la BCE font l'objet d'un contrôle supplémentaire. Ce ne sont pas des obstacles à l'adoption de l'IA, ce sont des paramètres qui la façonnent. Les banques qui traitent la conformité réglementaire comme une contrainte de conception plutôt que comme une vérification a posteriori avancent plus vite, pas moins vite.
L'argument de la culture averse au risque. L'idée que les banques ne peuvent pas adopter l'IA parce que leur culture résiste au changement sert souvent à expliquer une inaction qui résulte en réalité d'une mauvaise conception de programme. Les banques ont absorbé des transformations opérationnelles profondes ces vingt dernières années : migrations de core banking, conformité DSP2, télétravail à grande échelle. L'argument culturel est souvent le symptôme de programmes d'adoption qui manquaient de sponsor au bon niveau, de priorisation claire des cas d'usage ou d'un vrai investissement en conduite du changement.
La question pour les responsables technologiques des banques n'est pas de savoir s'il faut continuer à investir dans l'IA. C'est de savoir où concentrer la prochaine phase d'investissement pour passer d'une création de valeur isolée à une capacité structurelle.
Trois priorités ressortent de ce qui a fonctionné.
L'écart entre les pionniers et le reste du secteur est réel, mais il n'est pas encore structurel. Les banques qui le combleront dans les dix-huit prochains mois seront celles qui cesseront de traiter l'IA comme une initiative d'innovation pour la traiter comme une transformation opérationnelle.
Mendo accompagne les institutions financières dans la conception et l'exécution de programmes d'adoption de l'IA pensés pour les contraintes propres aux environnements régulés, de l'architecture de gouvernance aux compétences des équipes, au rythme qu'exige le secteur.
Réserver une démo