À Sibos, les banques font passer l’IA à l’échelle industrielle

Lors de Sibos, des dirigeants de la technologie et de l’IA de Deutsche Bank, BNP Paribas, BNY et Citi ont participé avec Google Cloud à une table ronde avec la presse consacrée à la manière dont les institutions financières font passer l’intelligence artificielle du stade de l’expérimentation à un déploiement à l’échelle de l’entreprise.

Le message central de la discussion était clair : les services financiers entrent dans l’ère de l’IA agentique, dans laquelle les systèmes d’IA peuvent raisonner sur des informations complexes, exécuter des processus en plusieurs étapes et aider les collaborateurs à prendre des décisions plus rapides et mieux éclairées.

Pour les banques qui évoluent dans des environnements fortement réglementés, la question ne porte toutefois plus seulement sur ce que l’IA peut faire. Elle porte de plus en plus sur la manière de la déployer en toute sécurité, à grande échelle et avec une valeur métier mesurable.

Des projets pilotes à la transformation

Jo Hannaford, CIO et CPO de la Corporate Bank de Deutsche Bank, a décrit le parcours de la banque en matière d’IA comme une transition de l’expérimentation vers l’échelle industrielle. Deutsche Bank a développé un cadre d’IA agentique, baptisé ADA, conçu pour permettre la réutilisation des agents dans différentes applications.

Jo Hannaford a mis en avant deux grandes catégories de cas d’usage de l’IA dans les services financiers : l’optimisation des processus et l’intelligence financière. Si l’automatisation peut améliorer l’efficacité opérationnelle, elle estime que la plus grande opportunité consiste à utiliser l’IA pour synthétiser les informations financières et de marché et produire des analyses exploitables pour les équipes en contact avec les clients.

Chez BNP Paribas, l’ambition dépasse elle aussi l’automatisation incrémentale. Charles Holive, Chief AI Officer de la Banque de financement et d’investissement (Corporate and Institutional Banking), a déclaré que la banque considère l’IA comme un moteur de croissance et non simplement comme une initiative technologique ou de réduction des coûts.

Plutôt que de multiplier des milliers de preuves de concept isolées, BNP Paribas se concentre sur un nombre plus restreint de transformations majeures dans ses différents métiers, avec l’objectif de repenser l’architecture des processus et d’en modifier l’économie sous-jacente.

L’IA agentique s’invite dans les processus

La discussion a également fourni des exemples concrets de la manière dont les banques appliquent l’IA agentique aux processus financiers du quotidien.

Chez BNP Paribas, l’un des cas d’usage porte sur les opérations de services titres, notamment le traitement des anomalies de transactions (trade breaks). La banque a repensé le processus avant d’introduire un agent d’IA chargé d’en gérer certaines étapes.

Selon Charles Holive, le système a d’abord résolu environ 95 % des dossiers de tri entrants, tandis que les exceptions restantes sont devenues pour l’agent autant d’occasions d’apprendre grâce aux retours humains. En quelques semaines, le processus a atteint un taux d’efficacité automatisée d’environ 80–85 %.

BNY applique un concept similaire aux paiements. Sarthak Pattanaik, Chief Data and AI Officer, a décrit une solution agentique conçue pour traiter la faible proportion d’ordres de paiement nécessitant une intervention manuelle.

Le système associe la compréhension sémantique des informations de paiement — notamment les bénéficiaires, les devises, les adresses et les types de paiement — à une validation syntaxique au regard des normes ISO 20022. Il évalue ensuite le contexte plus large de la transaction afin de déterminer si le paiement est cohérent, tandis que les contrôles déterministes et l’intervention humaine restent intégrés au processus.

La distinction est importante : plutôt que de remplacer les contrôles existants, la couche d’IA sert à y ajouter des capacités de raisonnement.

De l’efficacité à l’intelligence financière

Pour Deutsche Bank, une autre grande opportunité consiste à utiliser l’IA pour améliorer la qualité et la rapidité de l’intelligence financière.

La banque a co-développé avec Google Cloud une solution baptisée Financial Insights, qui réunit intelligence financière, dynamiques de marché et informations propres à chaque client. Le système peut générer des recommandations pour les équipes de couverture et automatiser des tâches de suivi telles que la rédaction de notes financières et d’analyses de crédit.

Selon Jo Hannaford, l’outil doit aider les équipes chargées de la relation client à repérer les problèmes émergents avant même que les clients ne les aient forcément identifiés eux-mêmes.

Citi explore également l’IA agentique dans des domaines tels que la liquidité, le traitement documentaire et la gestion de patrimoine. Stephen Randall, COO par intérim de Services et responsable de Liquidity Management Services, a souligné l’importance de conjuguer gains de productivité et limites clairement définies à l’échelle de l’entreprise.

La gouvernance s’intègre à l’architecture

Si un thème reliait les différents exemples, c’est bien que la confiance et la gouvernance ne peuvent pas être ajoutées après le déploiement.

Les intervenants ont souligné à plusieurs reprises l’importance de la gouvernance des données, de l’observabilité, des contrôles réglementaires et de la supervision humaine.

Chez BNP Paribas, une gouvernance associant la conformité, le juridique, la cybersécurité et les ressources humaines est intégrée dès le début du développement. La banque peut aussi s’appuyer sur une infrastructure interne pour prototyper des applications sensibles avant de soumettre les solutions éprouvées à l’ensemble du dispositif de gouvernance de l’entreprise.

Chez Citi, les équipes utilisent des contrôles qui déterminent quelles sources de données internes et externes peuvent être consultées par des processus spécifiques, tout en conservant des modèles définis d’humain dans la boucle (human-in-the-loop) ou d’humain en supervision de la boucle (human-on-the-loop).

Deutsche Bank explore des approches fondées sur les graphes de connaissances pour relier les informations sémantiques à travers les structures de données traditionnelles. Selon Jo Hannaford, cela a permis d’accélérer des processus tels que l’entrée en relation client et l’octroi de crédits dans certaines entités de la banque.

Chez BNY, la gouvernance est elle aussi intégrée à la plateforme de données et d’IA elle-même, les métadonnées et la sémantique aidant à déterminer si une information peut être légitimement utilisée à une fin donnée.

Google met ses propres opérations financières à l’épreuve

Google a également présenté sa propre direction financière comme un terrain d’essai grandeur nature pour l’IA en entreprise.

Kristin Reinke, vice-présidente Finance de Google, a présenté l’entreprise comme le « Client Zéro » de ses technologies d’IA. Google a déployé l’IA dans l’ensemble de sa direction financière, notamment pour la validation des factures et le reporting destiné à la direction.

Jason Allen, trésorier adjoint de Google, a mis en avant un système agentique de gestion de trésorerie développé pour les opérations de trésorerie mondiales de Google. La solution s’appuie sur des agents distincts de prévision, d’évaluation et d’exécution pour identifier les excédents de trésorerie, évaluer où ils devraient être placés et préparer les transactions en vue de leur exécution.

L’entreprise affirme que le système a libéré du temps pour les collaborateurs au profit d’activités à plus forte valeur ajoutée, tout en générant des revenus d’intérêts supplémentaires.

Point essentiel, Google a insisté sur le fait que l’IA ne prend pas la décision finale d’investissement. Les gestionnaires de trésorerie humains conservent la responsabilité de la décision, la technologie fournissant des recommandations et réduisant le travail manuel nécessaire pour y parvenir.

La prochaine étape de l’IA bancaire

Les échanges à Sibos suggèrent que le débat du secteur sur l’IA évolue. L’attention se détourne des outils de productivité isolés pour se porter sur des systèmes d’IA intégrés directement dans les processus financiers critiques.

Les exemples présentés par Deutsche Bank, BNP Paribas, BNY et Citi convergent vers un modèle commun : l’IA prend en charge un raisonnement et une exécution de plus en plus complexes, tandis que les contrôles des données, la vérification déterministe, la gouvernance et le jugement humain restent essentiels.

Pour les institutions financières, l’enjeu concurrentiel pourrait donc moins consister à savoir qui peut déployer le plus grand modèle d’IA qu’à savoir qui peut bâtir l’infrastructure, les fondations de données et la gouvernance nécessaires pour transformer les capacités de l’IA en processus métier fiables.

Comme l’a clairement montré le panel de Google Cloud, le modèle qui se dessine n’est pas celui d’une IA remplaçant les professionnels de la finance, mais celui d’une IA qui supprime les frictions et renforce le jugement des personnes responsables des décisions financières.