IA agentique dans le secteur bancaire : une tendance qui dépasse le stade expérimental

L’intelligence artificielle (IA) est utilisée depuis longtemps par le secteur bancaire, de la détection des fraudes à l’automatisation des opérations, en passant par l’analyse des données et l’amélioration de l’expérience client. Cependant, l’IA agentique, prochaine génération d’IA, transforme déjà le secteur et commence à dépasser le stade des projets pilotes pour s’intégrer à l’infrastructure opérationnelle. L’IA agentique ouvre un éventail de nouvelles possibilités pour les banques : elle permet notamment aux agents intelligents d’agir en tant que conseillers financiers, de négocier des conditions de prêts, de suggérer des produits financiers, d’analyser les données financières d’un client ou de résoudre des litiges en temps réel.

Selon un rapport de McKinsey & Company, l’IA agentique est capable de transformer le « vivier de valeur » des banques et des sociétés de services financiers – notamment leurs structures de revenus et de coûts, l’expérience client et les modèles opérationnels.

Une étude menée en 2025 par le MIT Technology Review a révélé que l’IA agentique est rapidement déployée dans le secteur bancaire : 70% des dirigeants affirment que leurs entreprises y ont recours dans une certaine mesure, que ce soit via des « déploiements existants ou des projets pilotes ».

« Elle s’avère déjà efficace dans un large éventail de fonctions », indique le MIT Technology Review dans son rapport. « Plus de la moitié des dirigeants estiment que les systèmes d’IA agentique sont aujourd’hui capables d’améliorer la détection des fraudes et la sécurité. »

Cependant, cette technologie a introduit de nouveaux risques dans le secteur bancaire et financier, fortement réglementé. La responsabilité et la traçabilité y sont en effet essentielles pour maintenir la confiance des clients, éviter les biais, détecter les fraudes, prévenir les cybermenaces et assurer la conformité réglementaire.

Qu’est-ce qui différencie l’IA agentique ?

L’IA agentique est conçue pour prendre des décisions autonomes, poursuivre des objectifs, s’adapter à des conditions changeantes et se coordonner avec d’autres agents d’IA ou des humains avec une supervision limitée.

Il s’agit d’un changement majeur par rapport à l’IA prédictive et générative, qui répond généralement à des entrées et des demandes spécifiques. En revanche, les systèmes d’IA agentique utilisent le traitement du langage naturel, l’apprentissage automatique, l’apprentissage par renforcement et la représentation des connaissances pour résoudre de multiples problèmes de manière indépendante.

« L’IA agentique peut s’adapter à des situations différentes ou changeantes et dispose d’une ‘agentivité’ pour prendre des décisions en fonction du contexte », note un rapport d’IBM.

Ce passage d’une intelligence passive à une intelligence active signifie que l’IA agentique peut répondre à des questions, initier des tâches, réorienter la logique, ou encore identifier des problèmes que les humains pourraient manquer.

Principales tendances de l’IA agentique dans le secteur bancaire

Quatre grandes tendances ont émergé dans le secteur bancaire. Bien que certaines banques progressent rapidement vers le déploiement de l’IA agentique, le MIT précise que la majorité des dirigeants bancaires estiment que la technologie n’est pas encore prête à fonctionner en totale autonomie.

Tendance 1 : L’IA agentique passe de l’expérimentation à l’infrastructure opérationnelle

Selon l’étude du MIT, la plupart des dirigeants bancaires indiquent que leurs entreprises utilisent l’IA agentique dans une certaine mesure : 16% déclarent l’utiliser dans des déploiements existants et 52% affirment qu’elle est déployée dans le cadre de projets pilotes.

Un exemple est Wells Fargo Bank aux États-Unis, qui s’est associée à Google Cloud pour transformer la façon dont elle utilise et déploie l’IA agentique à grande échelle. Selon un billet de blog corédigé par les deux entreprises, Wells Fargo est un utilisateur pionnier de Google Agentspace (désormais intégré à Gemini Enterprise) qui aidera les employés à « atteindre des niveaux significativement nouveaux d’efficacité et d’innovation dans l’ensemble de la banque ».

Cela comprend la capacité de répondre, de trier et de synthétiser des demandes complexes de post-transaction sur le change, ainsi que l’activation d’un agent d’IA personnalisé capable de gérer rapidement des problèmes de gestion contractuelle – notamment l’identification de contrats comportant des clauses et des modalités de paiement spécifiques. D’autres usages comprennent l’automatisation des tâches de routine en agence afin de réduire les temps d’attente et de renforcer les relations avec les clients.

Tendance 2 : Des gains mesurables en matière de conformité et d’opérations administratives

En 2025, la Bank of Singapore a déployé un outil piloté par l’IA agentique qui automatise une étape clé du processus de vérification « know your customer » (KYC), garantissant la traçabilité de l’origine des fonds et des transactions des clients. Auparavant, cette tâche prenait 10 jours ; elle est désormais effectuée en une heure, selon la banque.

« Grâce à l’intégration de l’IA dans le processus de déclaration de l’origine des fonds, les gestionnaires de relation peuvent se concentrer sur l’engagement client et l’évaluation des risques plutôt que sur la documentation manuelle. Cela renforce non seulement les relations clients, mais maintient également des normes élevées de conformité réglementaire tout en apportant une valeur ajoutée accrue », a déclaré Kam Chin Wong, responsable mondial de la conformité en matière de criminalité financière à la Bank of Singapore.

Entre-temps, la Scotiabank canadienne a développé AIDox en 2018 pour analyser et comparer des documents, tels que les lettres d’assurance pour les prêts hypothécaires. L’année dernière, elle a ajouté des fonctionnalités d’IA agentique à AIDox, lui permettant de traiter de façon autonome les courriels des clients dans sa division de la banque commerciale.

« AIDox est non seulement capable de comprendre les demandes complexes envoyées par courriel par les clients de la banque commerciale, mais il transfère également le courriel à l’équipe compétente et crée un dossier dans le système de la Scotiabank pour traitement et exécution », indique la banque dans un article publié sur son site web.

Tendance 3 : Un taux d’adoption élevé, mais une capture de valeur encore exceptionnelle

Dans son podcast, McKinsey & Company a récemment comparé les avantages et inconvénients de la manière dont l’IA agentique redéfinit les opérations bancaires. L’un des risques identifiés par les invités du podcast était celui de déployer des cas d’usage étroits et des solutions ponctuelles.

« Il est très facile de choisir les domaines les plus accessibles, par exemple, développer un chatbot pour le service client, créer des applications de gestion des connaissances pour vos employés, ou concevoir un rédacteur de mémos de crédit rapide pour un sous-ensemble d’entreprises », a noté l’un des invités.

« Ensuite, vous atteignez rapidement un plateau. C’est là que vous entravez l’impact de l’IA, plutôt que de conduire une transformation de bout en bout des domaines métiers, adossée à l’IA en son cœur. »

Pour surmonter ce type de scénario, HSBC « a développé un ensemble de cas d’usage liés aux priorités de l’entreprise, ainsi qu’un processus d’évaluation de la valeur, en termes de revenus, de coûts ou d’amélioration de l’efficacité que la société génère en construisant le système d’IA », a confié Ian Glasner, responsable mondial des technologies émergentes, de l’innovation et des investissements chez HSBC, au MIT.

Tendance 4 : La gouvernance, un défi majeur

Le développement de l’IA agentique dans le secteur, très réglementé, des banques et services financiers, représente un défi majeur – notamment en ce qui concerne la conformité réglementaire, la gouvernance, la confidentialité des données, la transparence et la sécurité.

Selon le MIT, le principal défi identifié par 63% des répondants pour créer de la valeur à partir de cette technologie est la gestion de la gouvernance, des risques et de la conformité en toute confiance.

« Il s’agit avant tout de sécurité et de s’assurer que nos systèmes d’IA sont conçus d’une manière avec laquelle nous, en tant qu’entreprise, sommes à l’aise et dans les limites de notre tolérance au risque », a indiqué Glasner au MIT.

D’après Glasner, HSBC maintient un inventaire détaillé des systèmes d’IA, lié aux propriétaires métiers, à la documentation des modèles et à la classification des risques, afin de respecter la tolérance au risque de la banque.

Cependant, lorsque de multiples agents d’IA prennent des décisions en temps réel, l’audit des actions et la responsabilité peuvent devenir plus difficiles à suivre pour les banques. Les systèmes d’IA qui ne peuvent pas satisfaire les normes de transparence et de supervision pourraient entraîner des amendes réglementaires, des pénalités et des atteintes à la réputation, selon un rapport de Forbes.

Bien que la loi sur l’IA de l’Union européenne, première loi mondiale complète sur l’IA, ait imposé des obligations strictes aux systèmes d’IA à haut risque, elle ne définit ni n’aborde les agents autonomes en interaction, note un rapport de HiddenLayer.

Tant que des outils d’audit, de surveillance et de simulation des comportements multi-agents ne seront pas en place et que les définitions réglementaires ne seront pas actualisées, les banques doivent avancer prudemment avant d’embrasser pleinement l’IA agentique.

Quelles autres opportunités l’IA agentique peut-elle offrir ?

Du point de vue du service client, elle pourrait aider les banques à fournir des services hyper-personnalisés 24 heures sur 24, assurés par un agent virtuel dédié qui comprend le contexte d’une relation bancaire existante et l’historique des transactions, selon un rapport de The Financial Brand.

D’autres exemples incluent le renforcement des opérations administratives par l’automatisation de tâches telles que la saisie de données, les contrôles de conformité et le traitement des transactions. Cela réduirait les coûts et les taux d’erreur, tout en permettant de traiter les processus à forte intensité de données.

Pour que cela fonctionne, les banques devront développer l’infrastructure nécessaire pour soutenir l’IA agentique. Cela comprend :

• Des frameworks autour des agents IA bien orchestrés – pour assurer la coordination entre les systèmes tout en préservant la capacité de maintenir un audit.
• Des outils d’explicabilité – pour suivre la logique de décision de chaque agent, s’assurer de la conformité et des risques internes et monitorer la confiance des clients.
• Des environnements de simulation – pour tester et mettre à l’épreuve les interactions multi-agents dans un espace sûr et contrôlé.

La voie à suivre

L’IA agentique ne remplacera pas les banquiers humains du jour au lendemain, et elle n’est pas conçue pour cela ; au contraire, elle est destinée à aider le personnel existant à être plus productif. Le cas d’usage initial le plus viable réside dans l’orchestration de petites équipes d’agents spécialisés dans des rôles spécifiques. Le triangle client-produit-banquier en est un bon exemple : il s’appuie sur les processus existants et illustre le potentiel collaboratif d’agents d’IA spécialisés avec une disposition « humain dans la boucle ».

Par ailleurs, l’avenir de la banque ne réside peut-être pas dans la création d’une seule IA plus intelligente. Il pourrait plutôt s’agir d’introduire de nombreux agents plus petits capables de s’adapter, de collaborer et de servir les clients de manière plus intelligente.

Pour plus d’informations sur les perspectives du secteur et l’innovation, abonnez-vous à notre newsletter ou visitez notre page « Insights ».

Questions & réponses : Cinq questions clés sur l’IA agentique dans le secteur bancaire