1. Une transformation structurelle portée par la pression économique et technologique
L’intelligence artificielle s’impose aujourd’hui comme l’un des principaux moteurs de transformation du secteur bancaire. Longtemps cantonnée à des expérimentations ou à des cas d’usage isolés, elle tends désormais à s’intégrer au cœur des processus opérationnels, dans un contexte marqué par une pression accrue sur les coûts, une intensification de la concurrence, des exigences réglementaires de plus en plus fortes et des attentes clients en constante évolution.
Les chiffres illustrent clairement cette bascule. En Europe, près de 200 000 emplois pourraient être impactés d’ici 2030, soit environ 10% des effectifs du secteur, selon les estimations de Morgan Stanley . Dans le même temps, certaines banques rapportent des gains d’efficacité pouvant atteindre 30%, notamment grâce à l’automatisation des tâches administratives et à la digitalisation des processus.
Ces gains ne relèvent plus de projections théoriques. Ils se traduisent concrètement par une réduction significative des délais de traitement — à titre d’exemple, des processus de crédit immobilier, historiquement longs de plusieurs semaines, peuvent désormais être réalisés en quelques heures ou en une journée.
Cette dynamique s’inscrit dans une logique économique claire : l’IA devient un levier d’optimisation du modèle opérationnel. Les établissements financiers cherchent à automatiser les tâches répétitives, à industrialiser leurs dispositifs de contrôle et à améliorer leur capacité de traitement à grande échelle. En conséquence, les fonctions les plus exposées sont celles liées au back-office, à l’analyse documentaire et, de plus en plus, aux activités de conformité et de gestion des risques.
Ainsi, l’intelligence artificielle ne constitue plus un simple outil d’innovation. Elle participe désormais à une reconfiguration profonde des chaînes de valeur bancaires, avec des impacts directs sur les processus, les organisations et les compétences.
2. ING : illustration d’une transformation opérationnelle à grande échelle
Dans ce contexte, le cas d’ING offre une illustration particulièrement concrète de la manière dont l’intelligence artificielle peut être déployée à grande échelle au sein d’un établissement bancaire.
La stratégie du groupe repose sur une logique assumée d’optimisation : « faire plus avec moins ». L’intégration de l’IA dans les processus opérationnels permettrait ainsi d’atteindre des gains de productivité de l’ordre de 25 % sur certaines activités.
Les cas d’usage sont multiples et couvrent des fonctions critiques :
- En matière de KYC, l’objectif est de s’appuyer sur les données déjà disponibles pour traiter jusqu’à 70 à 80 % des informations sans solliciter le client, réduisant ainsi drastiquement les délais de traitement.
- Dans le domaine du transaction monitoring, les modèles permettent d’automatiser la gestion des alertes simples, afin de concentrer les ressources humaines sur les cas complexes.
- Sur les activités de crédit, des agents d’intelligence artificielle sont en cours de déploiement pour prendre en charge l’intégralité du processus, de la collecte des données à la décision finale.
Ces évolutions ont des implications directes sur les ressources humaines. ING a ainsi annoncé la suppression d’environ 1 250 postes, dans une logique d’adaptation de ses effectifs à un modèle plus automatisé . Plus largement, l’objectif est de pouvoir absorber une croissance des volumes sans augmentation proportionnelle des coûts ou des effectifs.
Toutefois, la transformation ne se limite pas à une réduction des effectifs. Elle s’accompagne d’une évolution qualitative des métiers. Les collaborateurs sont progressivement repositionnés vers des activités à plus forte valeur ajoutée, notamment l’analyse des situations complexes, la supervision des modèles ou encore la gestion des risques.
Enfin, ING met en place une gouvernance structurée de ses initiatives en matière d’IA, avec un pilotage centralisé et une supervision étroite des projets. Cette approche souligne un point essentiel : le déploiement de l’intelligence artificielle ne peut être efficace sans un cadre organisationnel et décisionnel robuste.
3. Comment se positionne l’ACPR sur ces sujets ?
Face à cette transformation rapide, les autorités de supervision adoptent une posture à la fois ouverte et vigilante. L’Autorité de contrôle prudentiel et de résolution (ACPR) reconnaît pleinement le potentiel de l’intelligence artificielle, notamment en matière de gains d’efficacité, d’amélioration de la relation client et de renforcement des dispositifs de lutte contre la fraude et le blanchiment
Cependant, cette transformation s’accompagne de risques nouveaux, qui justifient une vigilance accrue.
Parmi les principaux enjeux identifiés figurent :
- le caractère souvent opaque des modèles (effet de « boîte noire »),
- le risque de biais algorithmiques, susceptible d’affecter l’équité des décisions,
- les problématiques de robustesse et de calibration, pouvant conduire à des erreurs systémiques,
- ainsi que l’amplification du risque cyber, dans un environnement technologique de plus en plus complexe
Dans ce contexte, le cadre réglementaire évolue rapidement, notamment avec l’adoption du de l’IA ACT en 2024, qui introduit une approche horizontale des risques liés à l’IA, venant compléter les dispositifs sectoriels existants.
Pour les établissements financiers, les attentes du superviseur sont claires, il ne s’agit pas simplement de déployer des solutions technologiques, mais de garantir une maîtrise effective des risques associés, qui implique notamment :
- une gouvernance claire des systèmes d’IA,
- une capacité à expliquer et justifier les décisions prises par les modèles,
- une intégration complète dans les dispositifs de contrôle interne,
- et une montée en compétence des équipes en charge de leur supervision.
Parallèlement, l’ACPR elle-même s’engage dans une transformation de ses pratiques, en développant des outils de supervision via IA et en expérimentant l’usage de l’intelligence artificielle pour renforcer l’efficacité de ses contrôles.
Cette évolution traduit un changement de paradigme : la supervision financière doit désormais s’adapter à des établissements dont les processus reposent de plus en plus sur des systèmes algorithmiques.
4. Une transformation systémique entre performance, compétences et supervision
Les enjeux sont considérables : gains de productivité, amélioration des processus, accélération des décisions. Mais ces bénéfices s’accompagnent d’un impact profond sur les organisations, en particulier sur le plan humain. Les métiers évoluent, les compétences se déplacent, et de nouvelles expertises émergent à l’intersection entre data, risque et conformité.
Dans le même temps, cette transformation impose un renforcement significatif des dispositifs de supervision. L’intégration de l’IA dans les processus critiques ne peut se faire sans une gouvernance robuste, une capacité d’explication des décisions et une maîtrise fine des risques associés.
Dès lors, le véritable enjeu pour les établissements financiers n’est plus simplement d’adopter l’intelligence artificielle, mais de réussir à en orchestrer la transformation, en conciliant performance opérationnelle, évolution des compétences et exigence accrue de contrôle.