L’IA dans la banque appelle une décision pour chaque cas d’usage. Entre un assistant qui aide un conseiller à retrouver une procédure et un modèle qui pèse sur l’octroi d’un crédit, ni les données, ni le contrôle, ni le cadre réglementaire ne sont les mêmes.
Nous proposons de ranger ces cas d’usage en quatre familles : la relation client, la lutte contre la fraude et la conformité, l’octroi de crédit, les opérations internes. Chacune s’examine sur trois exigences : les données qu’elle consomme, le contrôle exercé sur ses sorties, les textes à instruire. L’ordre que nous proposons part des usages dont une personne relit chaque sortie et va vers ceux qui pèsent sur la situation d’un client : opérations internes, assistance au conseiller, tri des alertes de fraude, crédit en dernier. Ce classement est une proposition de méthode, sans valeur de référentiel.
Les familles de cas d’usage de l’IA dans la banque
- La relation client : un assistant aide le conseiller à retrouver une procédure ou une condition tarifaire, prépare le compte rendu d’un entretien, ou répond lui-même au client en ligne.
- La lutte contre la fraude et la conformité : un modèle note les opérations de paiement, hiérarchise les alertes de surveillance ou aide un analyste à instruire un dossier.
- L’octroi de crédit : un score estime le risque d’un emprunteur ; d’autres systèmes lisent les pièces justificatives et préparent le dossier.
- Les opérations internes : lecture et classement de documents, rapprochements, recherche dans la documentation, aide au développement logiciel.
Ces familles mêlent des modèles prédictifs, qui notent ou classent, et des modèles génératifs, qui rédigent : notre comparaison entre IA et IA générative aide à situer chaque cas.
Des données que les familles n’obtiennent pas au même prix
Un assistant, qu’il serve un conseiller ou une équipe interne, répond à partir de documents. S’il fonctionne par RAG, il restitue ce que la base contient, versions périmées et contradictions comprises : la tenue de la base documentaire est son premier chantier de données.
La détection de fraude dispose d’opérations en volume, mais ses étiquettes arrivent tard : un cas peut n’être confirmé qu’après une enquête ou la contestation d’un client. Le modèle apprend la fraude d’hier, et sa surveillance en exploitation compte autant que son entraînement.
Un score de crédit s’entraîne sur les dossiers acceptés et sur leur remboursement. Les dossiers refusés n’ont pas d’issue observée : la population d’apprentissage a été filtrée par les décisions passées. Le choix des variables s’examine avec les juristes, car une variable d’apparence neutre peut être corrélée à une caractéristique dont l’emploi poserait une question de discrimination.
Dans les quatre familles, une vérification précède la technique : le droit d’employer ces données à cette fin, sujet de notre article sur la gouvernance des données pour l’IA. Les propriétaires qui en décident sont ceux qu’installe la gouvernance des données.
Un contrôle réglé sur ce qu’une erreur fait au client
Le critère est le moment où une personne peut écarter la sortie du système. Le conseiller relit la réponse de son assistant avant de s’en servir, et l’erreur s’arrête à lui s’il relit vraiment. L’assistant qui répond au client n’a personne entre lui et le destinataire : son périmètre de réponse se borne, la demande qui en sort passe à un conseiller, et un échantillon des échanges est relu.
Une alerte de fraude arrive devant un analyste ; un paiement bloqué touche le client aussitôt. Les fausses alertes et le délai de déblocage se mesurent au même titre que les fraudes détectées.
Pour le crédit, le contrôle suppose une personne habilitée à s’écarter du score, qui consigne son motif. Une mesure aide à le vérifier dans chaque famille : la part des sorties modifiées ou écartées par ceux qui les relisent. Une part nulle peut indiquer un système fiable, ou une relecture qui n’a plus lieu.
Les textes à instruire avec les juristes et la conformité
Le règlement (UE) 2024/1689, dit AI Act, mentionne à son annexe III, point 5, b), les « systèmes d’IA destinés à être utilisés pour évaluer la solvabilité des personnes physiques ou pour établir leur note de crédit, à l’exception des systèmes d’IA utilisés à des fins de détection de fraudes financières ». Texte cité : version consolidée du 27 juillet 2026, lue le 12 novembre 2026 sur le dépôt Cellar. Cette citation ne classe aucun système : le classement suit l’article 6, dérogation du paragraphe 3 comprise, que lit notre article sur le système d’IA à haut risque. Qualifier un outil donné, d’octroi de crédit par exemple, revient à l’établissement et à ses juristes.
Pour les systèmes à haut risque mis sur le marché, mis en service ou utilisés par des établissements financiers, l’article 74, paragraphe 6, désigne comme autorité de surveillance du marché l’autorité nationale chargée de leur surveillance financière, dans la mesure où l’usage est directement lié à la fourniture de services financiers ; le paragraphe 7 permet à l’État membre, dans des circonstances appropriées, d’en désigner une autre. L’article 27, placé à la section 3 du chapitre III, demande aux déployeurs d’un système à haut risque visé au point 5, b), une analyse d’impact sur les droits fondamentaux avant le déploiement. Selon l’article 113, troisième alinéa, point c), i), les sections 1 à 3 de ce chapitre, hors article 6, paragraphe 5, s’appliquent à partir du 2 décembre 2027 aux systèmes classés à haut risque en vertu de l’article 6, paragraphe 2, et de l’annexe III.
Le RGPD, règlement (UE) 2016/679, s’applique dès que des données personnelles sont traitées ; ses articles 22 et 35 sont lus dans notre article RGPD et intelligence artificielle. Le règlement DORA pose deux questions à instruire avec les juristes, à partir de notre lecture de DORA pour un projet bancaire : la mise en service d’un système d’IA est-elle une modification importante, et le fournisseur du modèle un prestataire tiers de services TIC ? Le cadre propre à la lutte contre le blanchiment, que nous ne lisons pas ici, s’instruit avec la fonction conformité.
Tenir ces réponses pour tout le parc suppose un registre des systèmes et une grille de classification, que décrit notre page gouvernance de l’IA.
Un ordre proposé, et les situations où s’abstenir
Trois critères fondent cet ordre : la relecture par une personne, l’effet d’une erreur sur un client, l’instruction juridique que le cas appelle.
- Les opérations internes d’abord, sur des tâches dont le résultat se vérifie et se rattrape sans exposer un client.
- L’assistance au conseiller ensuite, tant que le conseiller signe ce qui part.
- La fraude et la conformité par le tri des alertes devant un analyste, avant toute automatisation d’un blocage.
- Le crédit en dernier, ou en parallèle avec son propre calendrier : l’erreur y touche directement un client, et la qualification de l’outil s’instruit d’abord avec les juristes.
Mieux vaut s’abstenir, ou réduire le périmètre, lorsque personne n’est nommé pour écarter une sortie, lorsque le droit d’employer les données n’est pas établi, ou lorsque aucun responsable métier ne s’engage sur l’usage du gain attendu. Ce dernier point relève de la stratégie IA, qui arbitre entre les cas et fixe leurs critères d’arrêt.
Ces cas d’usage se branchent sur un système d’information qui a ses propres retards, que notre article sur les enjeux de la transformation digitale d’une banque aide à repérer ; notre page banque et assurance décrit ce que la supervision change dans la conduite d’un projet.
L’ordre se révise à chaque résultat. Un cas d’usage interne qui tient ses mesures autorise le suivant ; un cas dont les relecteurs écartent une grande part des sorties renvoie d’abord à ses données.