La banque n’a pas découvert l’intelligence artificielle avec ChatGPT. Les modèles statistiques de notation de crédit et les moteurs de détection de fraude sur les cartes fonctionnent depuis des décennies. Ce qui change, c’est l’échelle, la sophistication des algorithmes et surtout le cadre juridique, qui s’est considérablement resserré. Pour les établissements comme pour les fintechs, trois usages concentrent l’essentiel des enjeux : décider qui obtient un crédit, bloquer les opérations frauduleuses, et conseiller les clients.
Le scoring de crédit sous haute surveillance
Les modèles d’apprentissage automatique permettent d’intégrer davantage de variables que les grilles de score traditionnelles, et de mieux évaluer certains profils peu documentés, comme les jeunes actifs ou les indépendants. Le revers est connu : opacité des décisions et risque de discriminations indirectes, lorsqu’une variable anodine sert de substitut à une caractéristique protégée.
Ce que dit le droit
Le règlement européen sur l’IA classe parmi les systèmes à haut risque ceux qui évaluent la solvabilité des personnes physiques ou établissent leur note de crédit. Ces systèmes doivent faire l’objet d’une gestion des risques, d’une documentation technique, d’un contrôle humain et d’une surveillance après mise sur le marché. Leur calendrier d’application a fait l’objet d’une proposition de report par la Commission fin 2025, toujours en discussion à la date de rédaction.
Le RGPD pèse déjà lourd. Dans un arrêt de décembre 2023 concernant l’agence allemande SCHUFA, la Cour de justice de l’Union européenne a jugé que l’établissement d’un score de solvabilité peut constituer une décision individuelle automatisée au sens de l’article 22 lorsque ce score joue un rôle déterminant dans l’octroi du crédit. La nouvelle directive européenne sur le crédit à la consommation renforce en outre le droit des emprunteurs à obtenir une intervention humaine et une explication.
La fraude, terrain de prédilection des algorithmes
La détection de fraude est l’usage où l’IA démontre le plus clairement sa valeur. Les modèles analysent en temps réel le montant, le lieu, l’heure, l’appareil utilisé et les habitudes du client, pour signaler ou bloquer une opération suspecte. Ils servent aussi à la lutte contre le blanchiment, en repérant des schémas de transactions que des règles fixes laisseraient passer.
Le règlement européen sur l’IA exclut explicitement la détection de fraude financière de la catégorie des systèmes à haut risque liés à la solvabilité, ce qui laisse davantage de souplesse aux établissements. Les obligations issues du RGPD et de la réglementation bancaire demeurent.
La menace évolue elle aussi. Les fraudeurs utilisent l’IA générative pour produire des messages d’hameçonnage sans fautes, cloner des voix de dirigeants ou de proches, et fabriquer de faux justificatifs. Les arnaques au faux conseiller bancaire, déjà massives, gagnent en crédibilité. L’authentification forte imposée par la deuxième directive sur les services de paiement reste une barrière essentielle, mais la sensibilisation des clients redevient un chantier prioritaire.
Conseil client : l’IA générative entre en agence
Les assistants conversationnels ont d’abord pris en charge les questions simples : plafond de carte, opposition, relevé d’identité bancaire. L’IA générative permet d’aller plus loin, en aidant les conseillers à préparer un rendez-vous, synthétiser l’historique d’un client ou rédiger une réponse à une réclamation. Plusieurs grands groupes ont noué des partenariats avec des éditeurs de modèles, à l’image de BNP Paribas avec Mistral AI annoncé en 2024.
Le conseil en investissement reste encadré par la directive MiF II : l’adéquation du produit au profil du client doit être évaluée et documentée, que la recommandation vienne d’un humain ou d’un outil. Les établissements privilégient donc un modèle d’assistance au conseiller plutôt qu’un conseil entièrement automatisé. Pour les équipes chargées de sélectionner des fournisseurs, un comparatif des solutions d’IA sert de première étape pour cartographier l’offre, avant les exigences propres au secteur : hébergement, réversibilité, auditabilité.
Gouvernance : la condition de la confiance
Dans une banque, un modèle n’est pas un simple logiciel. Il doit être validé par une fonction indépendante, suivi dans le temps pour détecter les dérives, et expliqué aux régulateurs. Le règlement DORA sur la résilience opérationnelle numérique, applicable depuis janvier 2025, impose par ailleurs une gestion rigoureuse des prestataires technologiques critiques, ce qui inclut les fournisseurs de services d’IA dans le cloud.
La confidentialité est l’autre pilier. Envoyer des données clients vers un modèle hébergé par un tiers suppose des garanties contractuelles solides et une analyse d’impact. Ce sujet rejoint plus largement les vrais risques de sécurité des données en fintech, que les directions des risques ne peuvent plus traiter séparément de leurs projets d’IA.
La banque de 2027 utilisera plus d’IA qu’aujourd’hui, c’est une certitude. Celles qui en tireront un avantage durable seront les établissements capables d’expliquer chaque décision à un client, à un auditeur et à un juge.