Des modèles de scoring aux dispositifs de détection de fraude, l’intelligence artificielle est déjà présente dans de nombreux processus bancaires. Son essor ne transforme toutefois pas une recommandation algorithmique en décision infaillible. Pour le banquier, l’enjeu devient de comprendre ce que les systèmes mesurent réellement, d’en vérifier les limites et de préserver la responsabilité humaine lorsque les décisions affectent directement les clients.
De l’expertise bancaire traditionnelle aux décisions assistées par l’IA
Le métier de banquier repose historiquement sur une combinaison d’expertise financière, de connaissance du client, d’analyse du risque et de respect des règles prudentielles et de protection de la clientèle. Selon les fonctions exercées, il peut s’agir d’évaluer une demande de financement, d’accompagner une entreprise, de gérer une relation patrimoniale, de surveiller des opérations ou de contribuer à la conformité. Les outils numériques n’ont pas attendu l’intelligence artificielle pour transformer la banque : systèmes de paiement, moteurs de règles, automatisation documentaire et modèles statistiques sont utilisés depuis longtemps.
L’IA ajoute aujourd’hui une nouvelle couche à cette infrastructure. Dans cet article, le terme désigne plusieurs familles de systèmes qu’il faut distinguer : les modèles prédictifs, utilisés par exemple pour estimer un risque ou détecter une anomalie ; les systèmes de traitement du langage, capables d’extraire ou de classer des informations ; les modèles génératifs, qui produisent du texte ou des synthèses ; et les systèmes plus agentiques, conçus pour enchaîner plusieurs tâches à l’aide d’outils. Ces technologies n’ont ni les mêmes fonctions, ni les mêmes niveaux de maturité, ni les mêmes risques.
L’adoption est néanmoins devenue large dans le secteur bancaire européen. En septembre 2025, l’Autorité bancaire européenne (EBA) indiquait que 92 % des banques de l’Union européenne observées déployaient déjà des cas d’usage d’IA, tandis que 8 % se situaient encore au stade du pilote, du test ou de la discussion. L’EBA cite notamment le profilage de clients et de transactions, le support client, la fraude, la lutte contre le blanchiment, le scoring de crédit et l’évaluation de solvabilité.[1] Ce chiffre décrit une diffusion des usages, pas leur efficacité ni leur niveau d’autonomie.
La Banque centrale européenne observe la même tendance. Ses travaux de supervision ont relevé une progression des usages d’IA, notamment pour le scoring de crédit et la détection de fraude, tout en soulignant que le potentiel de l’IA générative reste plus récent et appelle une surveillance spécifique.[2] Le changement de paradigme n’est donc pas celui d’une banque qui abandonnerait le jugement humain, mais celui d’une organisation dans laquelle une part croissante de la préparation, du tri et de l’analyse des informations peut être assistée par des systèmes algorithmiques.
Cette évolution oblige à distinguer trois niveaux souvent confondus : produire un score, recommander une action et prendre une décision. Un modèle peut estimer une probabilité de défaut. Un système peut utiliser cette estimation pour proposer une orientation. Mais l’effet juridique, commercial ou financier de la décision dépend du processus dans lequel cette sortie est intégrée, des règles applicables et du degré réel d’intervention humaine.
Comment l’IA transforme les pratiques bancaires
L’IA ne transforme pas toutes les activités bancaires de la même manière. Certains usages sont désormais relativement établis, d’autres restent en phase d’expérimentation ou dépendent fortement de la qualité des données et du système d’information de l’établissement. La nouveauté réelle ne réside donc pas dans l’automatisation en elle-même, mais dans la capacité de certains modèles à apprendre à partir de données, à détecter des configurations difficiles à formaliser par des règles simples ou à produire des contenus à partir d’instructions.
Scoring et évaluation du risque de crédit
Des modèles statistiques et d’apprentissage automatique peuvent exploiter de nombreuses variables pour estimer la probabilité de défaut ou segmenter des profils de risque. La BCE identifie le crédit parmi les cas d’usage d’IA suivis de près par la supervision bancaire.[2] Un score reste cependant une estimation produite dans un contexte donné, et non une mesure absolue de la capacité future d’un emprunteur à rembourser.
Détection de fraude et surveillance des transactions
Les systèmes peuvent rechercher des schémas atypiques dans des flux transactionnels importants et hiérarchiser les alertes à examiner. L’EBA cite la fraude et la lutte contre le blanchiment parmi les usages observés dans les banques européennes.[1] Leur utilité dépend du compromis entre sensibilité et faux positifs, ainsi que de la capacité des équipes à traiter les alertes sans surcharge.
Connaissance client et personnalisation
Des modèles peuvent regrouper des clients selon leurs comportements, leurs historiques ou leurs préférences, puis soutenir la segmentation commerciale. L’EBA observe que le profilage et le clustering figurent parmi les usages courants.[1] Cette personnalisation doit néanmoins rester compatible avec les règles relatives aux données personnelles, à la non-discrimination et à la protection des consommateurs.
Analyse documentaire et conformité
Le traitement automatique du langage peut aider à extraire des informations de documents, préparer des contrôles ou rechercher des incohérences. Dans les processus KYC et de lutte contre le blanchiment, l’IA peut assister la priorisation, mais la conformité ne se résume pas à la production d’un score : elle suppose des règles, une traçabilité et des procédures d’escalade.
Assistance aux conseillers par l’IA générative
Des modèles de langage peuvent préparer une synthèse de dossier, reformuler une explication ou rechercher une information dans une base documentaire. Leur principal apport est alors la vitesse d’accès à l’information. Leur limite est tout aussi importante : une formulation fluide peut contenir une information inexacte ou inventée. Les sorties doivent donc être reliées à des sources vérifiables et relues avant utilisation auprès d’un client.
Vers des chaînes de tâches plus agentiques
Des systèmes peuvent être conçus pour enchaîner plusieurs actions, par exemple rechercher des informations, préparer un dossier et transmettre une tâche à un outil métier. Dans un environnement bancaire, la question centrale n’est pas seulement de savoir si un agent peut agir, mais quelles autorisations il possède, quelles opérations nécessitent une validation et comment chaque action est journalisée.
La transformation du travail bancaire se joue donc moins dans un remplacement uniforme des activités que dans la redistribution des tâches. Les opérations fortement structurées peuvent être davantage automatisées ou pré-traitées ; les situations ambiguës, sensibles ou exceptionnelles exigent au contraire davantage de contextualisation, d’explication et de responsabilité.
Un nouveau rôle pour le banquier
L’intégration de l’IA ne transforme pas le banquier en Data Scientist. Elle renforce toutefois plusieurs responsabilités : comprendre la provenance d’un résultat, repérer les situations dans lesquelles un modèle peut se tromper, expliquer une décision et savoir quand reprendre la main. La valeur professionnelle se déplace donc partiellement de l’exécution d’une procédure vers l’interprétation et la supervision de systèmes qui préparent une partie de l’analyse.
Interpréter sans confondre score et décision
Un score de risque résume certaines informations selon un modèle défini. Le banquier doit pouvoir comprendre ce que ce score mesure, quels facteurs l’influencent et dans quelles circonstances il devient peu fiable. L’intervention humaine n’a de sens que si elle est réelle, compétente et capable de modifier l’issue lorsque le contexte le justifie.
Expliquer les décisions au client
Lorsqu’une décision affecte significativement une personne, l’enjeu d’explicabilité dépasse la technique. Il s’agit aussi de pouvoir présenter les facteurs pertinents, les voies de recours et, lorsque le cadre le prévoit, les possibilités d’intervention humaine.
Superviser les assistants génératifs
Un conseiller peut utiliser un assistant pour préparer un compte rendu ou une réponse, mais il reste responsable de la vérification du contenu transmis. Une erreur dans une synthèse de taux, de frais, de risque ou de conditions contractuelles peut avoir des conséquences concrètes pour le client.
Participer à la gouvernance des usages
Les professionnels de terrain peuvent identifier des erreurs récurrentes, des biais, des contournements de procédure ou des situations que les concepteurs n’avaient pas anticipées. Cette remontée d’expérience est essentielle pour ajuster les modèles, les seuils et les règles d’escalade.
Préserver la relation de confiance
La personnalisation algorithmique ne remplace pas la compréhension du contexte économique ou personnel. Dans les situations sensibles, restructuration d’une dette, financement d’un projet, difficultés de trésorerie ou arbitrage patrimonial, la qualité de l’échange reste une composante déterminante du service bancaire.
Le nouveau rôle du banquier n’est donc pas celui d’un simple opérateur d’algorithmes. Il consiste à intégrer ces outils dans une pratique où la décision reste justifiable, proportionnée au risque et compatible avec les obligations de l’établissement envers ses clients.
Quelles compétences pour le banquier à l’ère de l’IA générative ?
Les fondamentaux restent prioritaires : analyse financière, crédit, connaissance client, réglementation, produits bancaires et gestion du risque. L’IA ne réduit pas ce besoin d’expertise ; elle rend au contraire plus difficile l’évaluation d’une sortie algorithmique lorsque le professionnel ne maîtrise pas le domaine auquel elle s’applique.
Compétences techniques et numériques
- Distinguer les familles de systèmes : un modèle de scoring, un moteur de règles, un système de détection d’anomalies et un grand modèle de langage n’ont pas la même fonction. Comprendre cette différence évite d’attribuer à l’IA générative des capacités qui relèvent d’autres outils.
- Lire les indicateurs avec prudence : précision, rappel, taux de faux positifs, calibration ou stabilité dans le temps doivent être interprétés au regard du cas d’usage. Une bonne performance moyenne peut masquer des écarts importants entre segments de clientèle.
- Vérifier les données et les sources : la qualité d’un résultat dépend des données utilisées. Données obsolètes, erreurs de saisie, variables indirectement discriminatoires ou changement de comportement économique peuvent réduire la pertinence d’un modèle.
- Utiliser l’IA générative sans automatiser la confiance : un contenu généré doit être considéré comme une proposition à vérifier. Les informations sensibles ne devraient être transmises qu’à des outils autorisés par l’établissement et compatibles avec ses règles de sécurité et de confidentialité.
Compétences analytiques et décisionnelles
- Contextualiser une recommandation : un modèle peut détecter une corrélation sans fournir l’explication économique ou personnelle de la situation. Le banquier doit confronter la sortie aux informations pertinentes du dossier et aux objectifs du client.
- Reconnaître l’incertitude : les prévisions et scores sont probabilistes. Savoir communiquer une marge d’incertitude et identifier les cas limites est plus utile que de présenter un résultat comme une certitude.
- Savoir escalader : lorsqu’un cas est atypique, lorsque les conséquences sont importantes ou lorsque les données sont incohérentes, la bonne compétence consiste à interrompre l’automatisation et à mobiliser l’expertise appropriée.
Compétences éthiques, juridiques et organisationnelles
- Comprendre les décisions automatisées au sens du RGPD : l’article 22 du RGPD encadre les décisions fondées exclusivement sur un traitement automatisé qui produisent des effets juridiques ou affectent significativement une personne. Il prévoit des exceptions encadrées et, dans certains cas, des garanties comprenant notamment l’intervention humaine et la possibilité de contester la décision.[5]
- Comprendre le statut du scoring de crédit dans l’AI Act : l’évaluation de la solvabilité ou l’établissement d’un score de crédit pour des personnes physiques figure parmi les usages classés à haut risque par l’AI Act, sauf notamment certains usages liés à la détection de fraude. Cette classification entraîne un cadre renforcé pour les systèmes concernés.[4]
- Intégrer la résilience opérationnelle : DORA, applicable depuis le 17 janvier 2025, impose aux entités financières un cadre de gestion du risque lié aux technologies de l’information et de la communication. Les dépendances à des modèles, infrastructures ou fournisseurs tiers doivent donc aussi être analysées sous l’angle de la continuité et de la résilience.[6]
- Participer à la gouvernance : les banques doivent pouvoir inventorier leurs cas d’usage, identifier les responsabilités, tester les systèmes et tracer les incidents. Le banquier de terrain n’est pas seul responsable de cette gouvernance, mais il en devient un acteur lorsqu’il utilise ou conteste les résultats d’un système.
La compétence nouvelle n’est donc pas seulement de savoir utiliser une interface d’IA. Elle consiste à comprendre quand la sortie est pertinente, quand elle doit être vérifiée et quand elle ne doit pas être utilisée pour décider.
L’intelligence artificielle peut-elle rendre les décisions bancaires plus fiables ?
La réponse dépend de ce que l’on appelle « fiable ». Un système peut améliorer la détection d’un événement dans un contexte donné sans améliorer toutes les dimensions de la qualité des soins. La fiabilité doit donc être examinée sur plusieurs plans : exactitude de la mesure, performance de la prédiction, qualité de l’intégration dans le service et capacité des équipes à agir correctement sur l’information produite.
Ce que les preuves permettent d’affirmer
Les données de supervision montrent que les banques européennes utilisent déjà l’IA pour le scoring de crédit et la détection de fraude. La BCE a confirmé une hausse de ces usages entre 2023 et 2024 et a conduit en 2025 des ateliers avec treize banques afin d’examiner plus précisément les pratiques concernées.[2] Cela établit une adoption réelle, mais ne prouve pas qu’un modèle d’IA est systématiquement supérieur à une méthode traditionnelle dans tous les contextes.
L’EBA décrit également une adoption très large de l’IA dans le secteur bancaire européen et souligne à la fois des bénéfices possibles en matière d’efficacité et de gestion du risque, et des difficultés liées à la vie privée, à la cybersécurité, à la conformité et aux dépendances technologiques.[1] Les résultats doivent donc être évalués par cas d’usage, sur des données représentatives et dans des conditions proches de l’exploitation réelle.
Le crédit illustre particulièrement cette exigence. En France, la CNIL a publié en mai 2026 une recommandation sur l’octroi de crédit qui rappelle que l’article 22 du RGPD s’applique lorsque l’évaluation automatisée de la solvabilité conduit à une acceptation ou à un refus sans intervention humaine significative.[7] La question n’est donc pas seulement de savoir si le score est précis, mais comment il est utilisé dans la chaîne de décision.
Les limites à surveiller
- Faux positifs et faux négatifs : en fraude, un système trop sensible peut multiplier les alertes légitimes ; un système trop permissif peut laisser passer des opérations frauduleuses. Le choix du seuil reflète un compromis opérationnel qui doit être explicitement gouverné.
- Biais et discrimination : des variables apparemment neutres peuvent être corrélées à des caractéristiques protégées ou reproduire des inégalités historiques. Une performance globale correcte ne suffit pas : les écarts entre groupes et segments doivent être recherchés et documentés.
- Dérive des modèles : les comportements économiques, les fraudes et les profils de clientèle évoluent. Un modèle performant lors de son déploiement peut perdre de sa pertinence si les données changent. La surveillance dans le temps devient donc aussi importante que la validation initiale.
- Opacité et contestabilité : lorsqu’un résultat affecte fortement un client, une décision difficile à expliquer fragilise la possibilité de la contester et la confiance dans le processus. L’AI Act exige notamment un niveau de transparence permettant aux déployeurs de comprendre et d’utiliser correctement les sorties des systèmes à haut risque.4
- Hallucinations de l’IA générative : un assistant peut inventer un chiffre, une règle ou une justification. Cette limite rend particulièrement risquée l’utilisation d’un texte généré comme fondement unique d’un conseil financier, d’une décision de conformité ou d’une communication contractuelle.
- Risque opérationnel et dépendance aux fournisseurs : une indisponibilité, une modification du modèle ou un incident chez un prestataire peut affecter le processus bancaire. DORA renforce précisément la gestion des risques liés aux TIC et aux tiers dans les entités financières.6
L’IA peut donc améliorer certains processus bancaires lorsqu’elle est correctement conçue, validée et intégrée. Elle ne rend pas une décision fiable par nature. La fiabilité vient du système sociotechnique complet : données, modèle, règles métier, contrôle humain, sécurité, recours du client et gouvernance.
À quoi ressemblera le métier de banquier demain avec l’IA ?
Il serait prématuré de décrire un modèle unique du « banquier de demain ». Les usages diffèrent entre banque de détail, banque d’entreprise, gestion de patrimoine, fonctions de risque, conformité et opérations. Les établissements n’ont pas non plus les mêmes infrastructures, données ni niveaux de maturité. Plusieurs tendances sont toutefois suffisamment visibles pour être examinées sans les présenter comme des certitudes.
- Une préparation des dossiers davantage assistée : les systèmes pourront agréger des informations, signaler des incohérences et préparer des synthèses. Le temps gagné ne se traduira en meilleur conseil que si l’organisation réalloue réellement ce temps à l’analyse et à l’échange avec le client.
- Une surveillance plus continue des risques : fraude, anomalies transactionnelles et évolution de certains indicateurs pourront être suivies plus fréquemment. Cette surveillance accroît aussi le volume d’alertes et exige donc des mécanismes de priorisation et de contrôle.
- Des assistants génératifs plus présents dans la relation client : ils pourront faciliter la recherche documentaire ou préparer des réponses. Leur déploiement nécessitera des bases de connaissances maîtrisées, des contrôles de confidentialité et une définition précise des situations dans lesquelles un humain doit reprendre la main.
- Des systèmes agentiques dans des périmètres contrôlés : certains assistants pourront enchaîner plusieurs tâches. Dans les processus sensibles, la question essentielle sera celle des droits accordés au système : lire, proposer, transmettre, modifier ou exécuter ne sont pas des niveaux d’autonomie équivalents.
- Une gouvernance plus structurée de l’IA : la BCE a inscrit la stratégie, la gouvernance et la gestion des risques liés à l’IA parmi ses sujets de supervision. Elle prévoit notamment de poursuivre un suivi ciblé des applications d’IA générative des banques.8
- Une exigence accrue de compréhension réglementaire : le banquier devra travailler dans un environnement où se superposent réglementation bancaire, protection des données, résilience numérique et AI Act. Tous les systèmes d’IA ne seront pas soumis aux mêmes exigences ; le cas d’usage, la finalité et le niveau d’impact resteront déterminants.
Il faudra également surveiller les effets de l’automatisation sur l’apprentissage du métier. Si les systèmes prennent en charge trop tôt l’analyse de dossiers simples, les jeunes professionnels pourraient disposer de moins d’occasions de comprendre comment se construisent un raisonnement de crédit, une analyse de risque ou une relation de confiance. Automatiser une tâche ne dispense donc pas d’organiser la transmission des compétences qu’elle permettait d’acquérir.
L’avenir du métier dépendra moins d’un scénario de remplacement que de la manière dont les établissements répartiront les responsabilités entre outils et professionnels. Plus le système prépare et recommande, plus il devient nécessaire de définir qui vérifie, qui explique, qui peut déroger et qui assume la décision finale.
Une banque augmentée par l’IA, au cœur d’une confiance qui reste humaine
L’intelligence artificielle peut accélérer l’analyse de données, repérer des configurations atypiques et produire des synthèses. Elle ne supporte toutefois ni les conséquences économiques d’un refus de crédit, ni la responsabilité réglementaire d’un établissement, ni la relation de confiance avec un client. Ces responsabilités restent portées par des personnes et des organisations.
Un usage responsable suppose donc une finalité claire, des données appropriées, des performances mesurées dans un contexte pertinent, une traçabilité suffisante et des voies d’intervention humaine lorsque les conséquences l’exigent. Cette exigence est particulièrement forte lorsque la technologie intervient dans l’accès au crédit, un domaine que l’AI Act considère comme sensible pour les droits fondamentaux.[4]
Pour le banquier, la transformation la plus importante pourrait être moins spectaculaire qu’une automatisation complète. Elle tient à la capacité de travailler avec des systèmes qui fournissent davantage d’informations et de recommandations, tout en conservant assez d’esprit critique pour détecter leurs limites. Le métier peut ainsi se déplacer vers davantage d’explication, de contextualisation et d’arbitrage.
La technologie peut produire un score en quelques secondes. Elle peut aussi créer une illusion de certitude. Le rôle du banquier reste de savoir ce que ce score signifie, ce qu’il ne signifie pas et quelles conséquences peuvent découler de son utilisation.
La question à suivre est donc moins « l’IA décidera-t-elle à la place du banquier ? » que celle-ci : les banques sauront-elles utiliser l’automatisation pour améliorer la qualité de leurs décisions sans affaiblir l’explicabilité, le recours du client et la responsabilité humaine ?
Pour aller plus loin
Pour prolonger cette réflexion sur l’IA dans la finance, la gouvernance des décisions et l’évolution des compétences, voici quatre lectures complémentaires du blog aivancity.
Sources
[1] European Banking Authority. (2025). Rising Application of AI in EU Banking and Payments Sector. Consulter le rapport
[2] European Central Bank, Banking Supervision. (2025). AI’s Impact on Banking: Use Cases for Credit Scoring and Fraud Detection. Consulter la source
[3] European Banking Authority. (2025). Special Topic: Artificial Intelligence. Consulter la publication
[4] Union européenne. (2024). Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle (AI Act), notamment article 6 et annexe III. Consulter le règlement
[5] Union européenne. (2016). Règlement (UE) 2016/679, article 22 : Décision individuelle automatisée, y compris le profilage. Consulter le règlement
[6] Union européenne. (2022). Règlement (UE) 2022/2554 sur la résilience opérationnelle numérique du secteur financier (DORA). Consulter le règlement
[7] CNIL. (2026). Recommandation relative aux traitements de données à caractère personnel mis en œuvre aux fins d’octroi de crédit. Consulter la recommandation
[8] European Central Bank, Banking Supervision. (2025). Supervisory Priorities 2026-2028. Consulter les priorités