IA dans la banque et l'assurance : cas d'usage réels et contraintes réglementaires

Le secteur financier est à la fois l’un des plus avancés dans l’adoption de l’IA et l’un des plus contraints réglementairement. Les banques et assureurs français naviguent entre des opportunités transformatrices — réduction des coûts, amélioration de l’expérience client, détection de fraude — et un cadre réglementaire exigeant : ACPR, CNIL, RGPD, AI Act, DORA. Voici l’état réel du terrain en 2025.

Cartographie des cas d’usage IA dans le secteur financier

Banque de détail

Détection de fraude (mature, ROI prouvé)

C’est historiquement le premier usage majeur de l’IA dans la banque, avec des implémentations qui remontent aux années 2000. En 2025, les systèmes sont sophistiqués :

Analyse comportementale en temps réel (vitesse de frappe, patterns de navigation)
Détection des anomalies transactionnelles par graph neural networks
Scoring de fraude multi-facteurs en < 100ms

Résultat type : réduction de 30 à 50 % des faux positifs (transactions légitimes bloquées) tout en maintenant ou améliorant le taux de détection réelle.

Scoring de crédit augmenté

Au-delà des scores classiques (revenus, historique de remboursement), les LLMs permettent d’analyser des données alternatives :

Analyse des relevés bancaires en langage naturel
Évaluation de la cohérence des déclarations avec les flux
Extraction d’informations structurées depuis des justificatifs

⚠️ Contrainte AI Act : les systèmes de scoring de crédit sont classés à haut risque par l’AI Act (Annexe III). Obligations : documentation technique, supervision humaine, explications des décisions à la demande.

Chatbots et assistants virtuels

BNP Paribas (avec Natixis), Crédit Agricole, Société Générale ont tous déployé des assistants virtuels. La génération actuelle, basée sur des LLMs, dépasse largement les chatbots à base de règles des années 2010 :

Compréhension des questions en langage naturel, même ambiguës
Escalade intelligente vers un conseiller humain
Personnalisation basée sur le profil et l’historique client

Banque privée et gestion de patrimoine

Analyse de portefeuille et recommandations

Les outils comme Aladdin (BlackRock) ou les développements internes des banques privées utilisent l’IA pour :

Analyser en temps réel des milliers de signaux de marché
Générer des rapports de performance personnalisés en langage naturel
Simuler des scénarios d’allocation selon différentes hypothèses macroéconomiques

Synthèse documentaire

Les analystes patrimoniaux passaient jusqu’à 40 % de leur temps à lire et synthétiser des rapports d’analyse, des prospectus, des rapports annuels. Des outils RAG sur mesure ont réduit ce temps de 50 à 70 %.

Détection de clients à risque (churning, vulnérabilité financière)

Les modèles comportementaux permettent d’identifier précocement les clients susceptibles de partir ou en situation de fragilité financière pour déclencher un accompagnement proactif.

Assurance

Souscription automatisée (Underwriting IA)

La souscription traditionnelle est coûteuse et lente. Les assureurs utilisent l’IA pour :

Analyser automatiquement les dossiers de souscription simple (auto, habitation)
Extraire les informations pertinentes des documents soumis
Évaluer le risque en temps réel avec des modèles actuariels augmentés

Cas concret : un assureur MRH peut réduire le délai de souscription de 5 jours à moins d’une heure pour 80 % de ses dossiers standard.

Gestion des sinistres

C’est l’un des domaines où l’impact IA est le plus visible pour le client :

Analyse automatique des photos de sinistre (dégâts, réparations possibles)
Extraction d’informations des constats amiables et rapports d’experts
Estimation automatique des coûts de réparation
Détection de sinistres frauduleux par analyse comportementale et documentaire

AXA, Groupama et Covéa ont des programmes actifs dans ce domaine.

Tarification dynamique

Pour l’assurance auto et habitation, les modèles IA permettent une tarification plus fine :

Telematics (comportement de conduite réel) pour l’auto
Données météo et géolocalisées pour l’habitation (risques inondation, tempête)

Le cadre réglementaire spécifique au secteur

L’ACPR et la supervision de l’IA

L’Autorité de Contrôle Prudentiel et de Résolution a publié en 2024 son cadre de supervision des usages IA dans la banque et l’assurance. Les points clés :

Gouvernance IA : les établissements doivent démontrer que les modèles IA sont supervisés par des humains qualifiés. Un simple “le modèle décide” n’est plus acceptable.

Explainabilité : pour toute décision significative (refus de crédit, tarification, rejet de sinistre), le client a droit à une explication. L’ACPR s’assure que les établissements peuvent produire cette explication.

Tests de stress IA : les modèles de risque utilisés dans les fonds propres sont soumis à des tests de robustesse incluant des scénarios adversariaux.

Reporting ACPR : les établissements significatifs doivent déclarer leurs systèmes IA critiques et les incidents qui y sont liés.

AI Act — Classification des systèmes financiers

Selon l’AI Act, plusieurs systèmes financiers sont classés à haut risque :

Évaluation de la solvabilité et scoring de crédit
Tarification et souscription d’assurance vie et santé
Systèmes de détection de fraude financière (si décision automatique)

Pour ces systèmes, les obligations incluent :

Documentation technique exhaustive
Enregistrement dans la base de données EU
Supervision humaine obligatoire
Transparence vis-à-vis des personnes concernées

DORA (Digital Operational Resilience Act)

Depuis janvier 2025, DORA impose aux établissements financiers :

Tests de résilience de leurs systèmes ICT (dont IA) au moins annuellement
Tests d’intrusion (TLPT) pour les entités significatives
Gestion des risques liés aux prestataires tiers (dont les fournisseurs de LLMs)

Implication pour les LLMs : si vous utilisez l’API d’OpenAI, Anthropic ou Google dans un système critique, ce fournisseur devient un prestataire ICT critique soumis aux obligations de contrôle DORA.

Les projets qui échouent : leçons apprises

Erreur 1 : Déployer sans expliquer

Un système de scoring de crédit qui refuse 20 % de demandes supplémentaires sans pouvoir expliquer pourquoi génère des réclamations clients, des risques réglementaires, et de la défiance interne. L’explainabilité n’est pas une option — c’est un prérequis.

Erreur 2 : Ignorer les biais dans les données d’entraînement

Un modèle de scoring entraîné sur des données historiques peut reproduire des discriminations passées. Des analyses de biais régulières (par genre, âge, zone géographique) sont obligatoires pour les systèmes à haut risque.

Erreur 3 : Sous-estimer la résistance des équipes

Les conseillers bancaires qui voient leur rôle évoluer ont besoin d’être accompagnés, pas juste informés. Les banques qui ont réussi leur transformation IA ont investi autant dans la formation et la communication interne que dans la technologie.

Erreur 4 : Négliger la qualité des données

Les modèles IA sont aussi bons que les données sur lesquelles ils sont entraînés. Des données fragmentées entre silos legacy, des formats hétérogènes, des données manquantes — c’est la réalité de la plupart des DSI bancaires. Un chantier de normalisation des données précède souvent utilement le projet IA.

Ce qui attend le secteur en 2025-2026

L’IA générative pour le conseil financier est le prochain grand chantier. Des assistants capables d’avoir une vraie conversation sur la situation patrimoniale d’un client, de simuler des scénarios et de formuler des recommandations — avec supervision humaine — commencent à sortir des labs pour entrer en production.

L’open banking augmenté par l’IA : avec PSD3 (en cours de finalisation), les données bancaires seront encore plus largement partageables. L’IA permettra d’extraire de la valeur de ces agrégats de données pour le conseil personnalisé.

La lutte contre le blanchiment (AML) IA : les systèmes AML actuels génèrent trop de faux positifs. La nouvelle génération, basée sur des graph neural networks et des LLMs pour l’analyse des narrative transactions, promet une réduction significative de la charge de conformité.

Questions fréquentes

L’IA peut-elle refuser un crédit de façon autonome ? En pratique, les établissements maintiennent une supervision humaine sur les décisions de refus pour des raisons réglementaires. Les systèmes IA recommandent, les humains valident — sauf pour les microcrédits très standardisés.

Comment gérer le consentement RGPD pour les données utilisées par les modèles IA ? Pour l’entraînement : le consentement ou l’intérêt légitime doit être documenté. Pour l’inférence sur des données clients existantes : la base légale du contrat ou de l’intérêt légitime s’applique généralement, mais une DPIA est recommandée pour les usages à haut risque.

Conclusion

Le secteur financier est en train de vivre sa transformation IA la plus profonde depuis l’introduction d’internet. Les acteurs qui réussiront ne seront pas ceux qui déploient l’IA le plus vite, mais ceux qui le font de façon responsable, explicable et conforme — tout en formant leurs équipes à travailler efficacement avec ces nouveaux outils.

BetterPeople accompagne les équipes des secteurs bancaire et assurantiel dans la formation à l’IA et la mise en conformité avec l’AI Act. Parlons de vos projets.