Pourquoi les banques ont besoin de leur propre IA, et non de celle de tout le monde

À l’heure où les modèles de langage généralistes (LLM) s’imposent partout, les institutions financières françaises et européennes font face à un mur réglementaire et sécuritaire : un modèle générique ne suffit pas dans un secteur où la moindre faille de conformité ou de gouvernance se paie très cher.

De la surveillance de la criminalité financière à la gestion des risques de marché et au conseil patrimonial, les banques ne peuvent plus se contenter d'outils standardisés. Elles basculent massivement vers des architectures d’IA privées, souveraines et hautement spécialisées.

Pour éclairer ce tournant stratégique majeur, Monu Kurien Mathew, Senior Vice President et responsable mondial de la stratégie services financiers chez HCLTech, l’un des principaux acteurs mondiaux des technologies, répond aux 3 questions suivantes :

L’illusion du modèle universel : pourquoi les LLM publics à usage général montrent-ils leurs limites face aux subtilités réglementaires et aux exigences strictes de conformité, notamment celles de l’ACPR et de l’AI Act européen ?

Il ne fait aucun doute que les LLM publics apportent des bénéfices transformateurs à tous les secteurs en matière de productivité, de coûts et d’efficacité. Mais qu’en est-il des subtilités liées à la conformité et aux contrôles réglementaires ? Un modèle entraîné sur des données généralistes peut expliquer ce que dit une réglementation ; il ne peut pas comprendre automatiquement la façon dont une banque donnée l’interprète, la traduit dans ses politiques internes, gère les risques associés et démontre sa conformité auprès des régulateurs.

Plus important encore, les établissements financiers évoluent dans un contexte où être « globalement correct » ne suffit souvent pas. Une interprétation erronée générée par l’IA lors d’un contrôle de conformité, d’une évaluation de crédit ou d’une déclaration réglementaire peut constituer un incident réglementaire.

Les attentes réglementaires de l’ACPR, comme celles de l’AI Act européen, sont concrètes et mettent l’accent sur la gouvernance, l’explicabilité et la responsabilité. Les banques ont besoin de plus que de modèles puissants : elles doivent être en mesure d’expliquer leurs décisions et de disposer de systèmes assurant la traçabilité, répondant aux exigences d’audit, appliquant les politiques propres à chaque établissement et opérant dans des cadres de gouvernance clairement définis.

Ainsi, l’avenir de l’IA dans le secteur bancaire ne sera vraisemblablement pas porté par les seuls modèles universels. J’irais même jusqu’à dire qu’ils pourraient devenir un risque universel. La véritable valeur viendra d’une inversion de l’architecture : un portefeuille de modèles sur mesure, adaptés à des domaines précis, encadrés par des garde-fous déterministes, où la banque maîtrise de bout en bout la chaîne de preuve.

Souveraineté et secret bancaire : comment les institutions financières peuvent-elles concilier l’agilité de l’IA générative avec l’exigence absolue de protection des données sensibles au sein de la zone euro ?

Dans le secteur bancaire, la confiance est la monnaie d’échange. Pour les banques, la souveraineté de l’IA relève davantage d’un enjeu de confiance que d’une simple question de risque opérationnel ou d’économie. Afin de protéger les données de leurs clients, de garantir la confidentialité des informations et d’être responsables de chaque décision prise, les établissements financiers ont toujours appliqué des standards élevés. Or, l’IA générative ne fournit pas, par défaut, toutes ces garanties.

Le sujet est souvent présenté comme un arbitrage, mais je ne pense pas que les banques aient à choisir entre contrôle et innovation. Il est temps qu’elles comprennent que, si une instruction ou un prompt sort de leur périmètre de contrôle juridique, le secret bancaire sort avec elle.
Je crois qu’une meilleure approche consiste à rapprocher le modèle des données sensibles, et non l’inverse. Aujourd’hui, les modèles adaptés à un domaine métier sont suffisamment compacts et efficaces pour fonctionner au sein même du périmètre d’une banque, sur une infrastructure souveraine, pour une fraction du coût des modèles de pointe. Ils apportent ainsi la rapidité et les capacités de l’IA moderne, mais dans des architectures qui maintiennent les données sensibles dans des environnements maîtrisés.

Même en l’absence d’une infrastructure d’IA souveraine ou privée, une séparation stricte doit être instaurée entre la couche d’intelligence et la couche de données : les données clients ne doivent pas devenir la matière première d’entraînement du modèle d’un tiers. Enfin, DORA existe pour une raison : concentrer sa chaîne d’approvisionnement cognitive revient précisément à créer le risque de concentration des prestataires TIC que ce règlement vise à mettre en lumière.

La réponse n’est toutefois jamais entièrement privée ou entièrement publique. De nombreux établissements financiers adoptent des architectures hybrides. Les modèles publics peuvent être utilisés pour des activités à faible risque, telles que la recherche ou les gains de productivité, tandis que les usages sensibles (informations clients, décisions de risque, détection de fraude ou conformité réglementaire) restent cantonnés à des environnements privés et contrôlés. Les banques peuvent ainsi tirer parti de l’IA générative tout en préservant le secret bancaire, leur résilience opérationnelle et la confiance des régulateurs.

La souveraineté ne devrait pas être un frein à l’innovation. Lorsqu’elle est correctement mise en œuvre, elle constitue le socle permettant à l’IA de passer à l’échelle dans toute l’organisation.

Un nouveau facteur de différenciation : pourquoi détenir et contrôler sa propre IA devient-il un avantage compétitif décisif pour les banques et les acteurs des marchés de capitaux ?

D’ici cinq ans, je pense qu’il y aura deux types d’institutions financières : celles qui possèdent leur intelligence et celles qui la louent.
La location présente des avantages : elle permet de lancer rapidement des pilotes, d’accéder aux dernières innovations ou de réaliser des démonstrations impressionnantes. Mais tout cela a un coût et ce coût augmente. Une banque qui utilise les mêmes modèles publics que ses concurrents offre, par définition, peu de différenciation. En conséquence, une partie de la marge de l’établissement est transférée au fournisseur du modèle, tandis que ses coûts unitaires dépendent des décisions tarifaires d’un tiers.

La maîtrise de sa propre IA change la donne. Elle donne à la banque le contrôle de sa structure de coûts, du calendrier de ses mises à niveau et lui permet d’adopter une meilleure posture réglementaire. Des décennies d’historiques de crédit propriétaires, de données de sinistres et de comportements de marché n’ont qu’une valeur limitée au sein d’un modèle générique ; elles deviennent en revanche inestimables dans le cadre d’un modèle propre à l’établissement. Les concurrents ne peuvent pas facilement reproduire des décennies de décisions de crédit, d’interactions clients, d’enquêtes de fraude, d’évaluations des risques et d’expertise opérationnelle.

Dans un monde où les modèles tendent à devenir une commodité, la maîtrise de sa propre intelligence pourrait bien devenir le facteur de différenciation le plus précieux de tous.

A propos de l'auteur :

Fort de plus de vingt ans d'expérience dans la banque et les marchés de capitaux, Monu pilote la stratégie mondiale BFSI (Banking, Financial Services and Insurance) chez HCLTech.

Voix reconnue du secteur, il a notamment contribué aux travaux du Forum économique mondial (WEF) sur l'avenir de l'IA dans les services financiers.

Il est diplômé de l'Indian Institute of Management (IIM) de Lucknow et ingénieur en télécommunications.