Huit pour cent. C’est la part des projets d’intelligence artificielle réellement intégrés au cœur des banques, selon les données relayées par Les Echos. Le reste ? Des prototypes, des expérimentations, des chantiers qui patinent. On parle pourtant d’un secteur qui a placé l’IA au centre de tous ses discours depuis deux ans. Le contraste est saisissant, et il commence à intéresser du monde — jusqu’aux agences qui notent la solidité des établissements.
Beaucoup de bruit, peu de résultats concrets
Les banques ont un problème simple à formuler et difficile à résoudre : leurs coûts. Réseaux d’agences, conformité, informatique vieillissante, effectifs pléthoriques dans certaines fonctions support. L’intelligence artificielle est présentée comme le remède miracle. Automatiser le traitement des dossiers, accélérer la relation client, détecter la fraude, produire des analyses en quelques secondes là où il fallait des heures.
Sur le papier, l’équation est séduisante. Dans les faits, la réalité est plus rugueuse. Quand seuls 8 % des projets franchissent le cap de l’intégration complète, cela signifie que l’écrasante majorité des initiatives reste au stade de la vitrine. Une preuve de concept impressionne un comité de direction. Elle ne transforme pas une ligne de compte de résultat.
Il faut le dire clairement : entre l’annonce triomphante d’un partenariat technologique et le moment où la machine génère réellement des économies, il y a un gouffre. Ce gouffre s’appelle la donnée. Les banques croulent sous des systèmes informatiques anciens, empilés au fil des fusions, mal connectés entre eux. Nourrir une IA performante suppose des données propres, organisées, accessibles. Beaucoup d’établissements en sont loin.
Pourquoi les agences de notation regardent de plus près
C’est là que le sujet quitte le terrain de la simple modernisation pour toucher à la finance elle-même. Une agence de notation évalue la capacité d’une banque à tenir ses engagements, à générer des revenus durables, à maîtriser ses risques. L’intelligence artificielle entre désormais dans cette grille de lecture, par deux portes opposées.
Première porte : le retard. Un établissement qui investit des centaines de millions dans l’IA sans en récolter les fruits alourdit ses charges sans améliorer sa rentabilité. Si les promesses d’économies ne se matérialisent pas, l’écart entre les dépenses engagées et les gains obtenus devient un signal négatif. Une banque qui dépense mal, c’est une banque plus fragile.
Seconde porte : le risque nouveau. Déléguer des décisions à des modèles automatisés — accorder un crédit, évaluer un profil, surveiller des transactions — crée des vulnérabilités inédites. Un modèle biaisé peut discriminer sans qu’on s’en aperçoive. Une IA générative peut inventer des réponses fausses avec un aplomb déconcertant. Et la dépendance à quelques fournisseurs technologiques concentre le risque opérationnel entre peu de mains.
Autrement dit, l’IA peut peser sur la note d’une banque de deux façons contraires : parce qu’elle coûte cher sans rapporter, ou parce qu’elle introduit des risques mal contrôlés. Les deux scénarios ne s’excluent pas. Ils peuvent même se cumuler.
Une leçon déjà vue ailleurs
Ce décalage entre l’engouement et les résultats n’a rien d’inédit. Souvenons-nous de la vague blockchain du milieu des années 2010. Presque toutes les grandes banques avaient lancé leur laboratoire, multiplié les consortiums, annoncé la révolution des paiements et des règlements. Une décennie plus tard, la plupart de ces projets ont disparu des rapports annuels. La technologie était réelle, l’usage massif ne l’était pas.
L’IA générative pourrait suivre une trajectoire moins brutale, car ses cas d’usage sont plus immédiats. Un assistant qui rédige un compte rendu ou trie des courriels apporte une valeur tangible dès le premier jour. Mais transformer ces petits gains dispersés en une réduction visible des coûts globaux, à l’échelle d’un groupe employant des dizaines de milliers de personnes, est une autre affaire.
Pour les lecteurs francophones, la question dépasse d’ailleurs le seul cadre français. Les grandes banques belges, suisses, et les groupes marocains ou tunisiens en pleine digitalisation affrontent le même dilemme, souvent avec des moyens et une maturité technologique différents. Un établissement au Maghreb qui bâtit son informatique sur des fondations plus récentes pourrait paradoxalement adopter certaines briques d’IA plus vite qu’une banque européenne engluée dans son héritage logiciel.
Ce que ça change, concrètement
Pour un client, ces débats semblent lointains. Ils ne le sont pas tant que ça. Une note de crédit dégradée renchérit le coût de financement d’une banque, ce qui finit par se répercuter sur les tarifs, les conditions de crédit, la qualité du service. La façon dont un établissement gère sa transition technologique n’est pas un détail de communication : c’est un indicateur de sa santé future.
Reste une inconnue de taille. Personne ne sait aujourd’hui où se situera le point d’équilibre entre l’investissement consenti et le rendement obtenu. Les 8 % d’aujourd’hui deviendront-ils 40 % dans trois ans, ou resteront-ils l’exception ? La réponse fera la différence entre les banques qui auront transformé l’essai et celles qui auront brûlé du capital pour un effet de mode. À ce stade, la prudence reste de mise : les promesses technologiques se mesurent aux résultats, pas aux annonces.
