ANALYSESERVICES FINANCIERS
L'IA dans les services financiers : des déploiements géants, la preuve au compte-gouttes
La finance déploie l'IA plus que tout autre secteur (92 % des banques UE, 200 000 employés équipés chez une seule banque) mais 4 banques sur 50 seulement prouvent leur ROI. Trois régimes de décision, quatre lignes de faille, un arbre pour savoir par où commencer.
Un secteur tout équipé, une preuve qui se fait attendre
Après l'assurance la semaine dernière, les services financiers poussent le renversement à son terme : ici, la question de l'adoption ne se pose plus. 92 % des banques de l'Union européenne déploient l'IA, et 55 % utilisent déjà de l'IA générative ou agentique dans des processus en contact avec la clientèle (EBA). Au Royaume-Uni, 75 % des firmes financières interrogées par le régulateur l'utilisent, avec neuf cas d'usage par firme en médiane et vingt et un attendus sous trois ans (Bank of England / FCA). Les États-Unis racontent la même chose à l'échelle du recensement : 33,9 % des entreprises du secteur finance-assurance utilisent l'IA, contre 19,8 % au niveau national (US Census Bureau). La Réserve fédérale situait déjà le secteur à ~30 % fin 2025, contre 18 % tous secteurs (Federal Reserve). En France, l'enquête statistique nationale laisse le secteur financier hors de son périmètre, mais le superviseur constate que la grande majorité des établissements a des cas d'usage en production ; la moyenne nationale de 18 % donne l'ordre de grandeur que la place dépasse largement (INSEE ; ACPR).
L'explication est de structure : la finance travaille une matière déjà numérique : des transactions, des documents, des conversations, tous nés sous forme de données. Les déploiements s'y font donc à une échelle qu'aucun autre secteur n'affiche : 200 000 employés équipés d'IA générative chez JPMorganChase, une formation au prompting rendue obligatoire pour environ 175 000 collaborateurs chez Citi, des assistants ouverts à toute la firme chez Goldman Sachs (JPMorganChase ; Citi ; Goldman Sachs).
Et pourtant : sur les cinquante plus grandes banques mondiales suivies par le référentiel du secteur, quatre seulement publient un retour sur investissement réalisé de leur IA (Deloitte ; Evident). Sur 250 banques de détail dans 14 marchés, 6 % disposent d'une feuille de route IA à l'échelle de l'entreprise, et 2 % des dirigeants suivent régulièrement des indicateurs de performance de leur IA générative (Capgemini). On déploie des licences, rarement des instruments de mesure. Et la mise en garde vaut pour la vague suivante : plus de 40 % des projets agentiques seront arrêtés avant fin 2027, faute de valeur démontrée et de contrôles (Gartner).
Cet écart en escalier structure tout le rapport, et il emporte une conséquence stratégique immédiate, quelle que soit la taille de l'établissement : puisque presque personne ne mesure, mesurer est devenu l'avantage concurrentiel le moins cher du marché. Les quatre banques qui publient leurs chiffres ne sont pas quatre banques chanceuses : ce sont quatre banques qui ont instrumenté leurs cas d'usage dès le premier jour, et qui savent donc où réinvestir. Leur avance se voit déjà : le score des banques nord-américaines dépasse de 20 % celui du reste du monde, sept places du top 10 leur reviennent, et les gains de la première, environ 2 milliards de dollars de valeur déclarée, financent la suite (Evident ; JPMorganChase).
Le secteur qui déploie le plus est aussi celui qui prouve le moins, non parce que la valeur n'existe pas, mais parce que peu d'établissements l'instrumentent.
La fraude, les marges, les effectifs
Si la finance accélère, ce n'est pas par confort. Premier front : la fraude, dont l'IA est désormais l'arme des deux camps. Plus de 485 milliards de dollars de pertes mondiales de fraude aux paiements en 2024 (Mastercard) ; 4,2 milliards d'euros dans l'Espace économique européen (BCE / EBA) ; un record de 15,9 milliards de dollars de pertes déclarées par les consommateurs américains en 2025 (FTC). La France illustre la mutation : 1,241 milliard d'euros de fraude aux moyens de paiement en 2025, et surtout une fraude « par manipulation » (le faux conseiller bancaire, le faux virement) qui atteint 40 % du total, une part doublée en quatre ans, pendant que le taux de fraude sur la carte tombe au plus bas historique (Banque de France, OSMP). Là où la défense technique gagne, l'attaque se déplace vers l'humain.
Deuxième front : les coûts. Les banques dépensent environ 600 milliards de dollars par an en technologie, pour une productivité que leur propre industrie juge décevante (McKinsey) ; les amendes de conformité mondiales atteignent 3,8 milliards de dollars en 2025, avec une zone EMEA en hausse de 767 % et la France devenue deuxième juridiction la plus répressive (Fenergo). Troisième front, le plus sensible : les effectifs. Une enquête auprès de 93 directeurs technologiques de grandes banques anticipe jusqu'à 200 000 postes en moins sous trois à cinq ans du fait de l'IA : une projection, pas une mesure, mais assumée par le secteur lui-même (Bloomberg Intelligence) ; 54 % des emplois bancaires présentent un fort potentiel d'automatisation, plus que tout autre secteur (Citi GPS) ; et le premier plan stratégique européen à chiffrer l'équation est arrivé : 1,6 milliard d'euros d'économies et plus de 12 000 départs d'ici 2029 chez Intesa Sanpaolo, « sans coût social » (Intesa Sanpaolo). En France, les effectifs bancaires reculent déjà, à 373 600 salariés fin 2024 (FBF).
Dans un métier où la matière première est l'information, l'IA n'est donc pas un projet parmi d'autres : c'est la variable qui décide à la fois du coût du risque, du coût de production et de la taille des équipes. La question n'est plus d'y aller : tout le monde y est. La question est de savoir qui capte réellement la valeur, et la suite du rapport l'aborde par l'angle décisif : la place de l'IA dans la décision financière.
Trois régimes de décision : la grille de lecture du secteur
Classer les cas d'usage par métier (relation client, crédit, conformité) décrit l'organigramme, pas le risque. Ce qui détermine réellement le coût, les délais et les exigences de gouvernance d'un projet d'IA en finance, c'est la place de la machine dans la décision : payer, refuser, conseiller, prêter. Les vingt et quelques déploiements documentés dans ce rapport se rangent en trois régimes : l'IA sert, l'IA prépare, l'IA décide. Et tout ce qui compte pour un dirigeant (retour sur investissement, délais, dossier réglementaire, premier indicateur à mettre en place) découle du régime retenu.
Le premier régime est celui des grands nombres. L'IA y rédige, résume, répond, oriente, sans jamais engager un euro. C'est le terrain où la GenAI s'est généralisée : JPMorganChase a équipé 200 000 employés de sa plateforme interne (JPMorganChase) ; BBVA, passée de 3 300 à 11 000 licences en un an, mesure 2,8 heures gagnées par semaine et par utilisateur (BBVA) ; le Groupe BPCE compte plus de 40 000 utilisateurs actifs sur 100 000 collaborateurs (BPCE) ; le Crédit Mutuel chiffre le gain en temps : environ un million d'heures administratives libérées en un an pour 25 000 conseillers (Crédit Mutuel Alliance Fédérale).
La relation client relève du même régime. Tant que l'assistant informe sans recommander, le servicing reste du service : Erica, chez Bank of America, a dépassé 3,2 milliards d'interactions cumulées, avec 20,6 millions d'utilisateurs sur la seule dernière année (Bank of America) ; Fargo, chez Wells Fargo, a franchi le milliard d'interactions en moins de trois ans (Wells Fargo) ; Cora+, chez NatWest, affiche +150 % de satisfaction client depuis son passage à l'IA générative (NatWest) ; l'avatar Ava de Commerzbank résout environ 75 % des demandes en autonomie (Commerzbank). Côté opérations et paiements, chaque dixième de point se multiplie par des milliards de transactions : la suite d'optimisation d'Adyen, entraînée sur plus de 1 000 milliards de dollars de paiements, affiche jusqu'à +6 % de conversion chez ses pilotes et 86 % de règles de risque manuelles en moins (Adyen) ; Qonto a déployé ses agents d'exécution et d'analyse auprès de 600 000 PME clientes (Qonto), Pennylane équipe 350 000 entreprises à l'approche de la facturation électronique (Pennylane).
L'économie du régime. Le coût de départ est déjà connu (coût par contact, heures par processus, minutes par dossier), le retour se mesure en six semaines à six mois si la donnée est prête, la gouvernance reste légère (obligations de transparence, pas de régime haut risque). La condition du passage à l'échelle est culturelle autant que technique : Citi a rendu la formation obligatoire pour environ 175 000 employés (Citi).
Le deuxième régime est celui du jugement assisté. La machine instruit, synthétise, alerte ; un professionnel tranche et signe. C'est ici que la règle des déploiements réussis est la plus nette. Chez Morgan Stanley, 98 % des équipes de conseillers utilisent l'assistant maison, et Debrief rédige comptes rendus et courriels de suivi, soit environ trente minutes gagnées par réunion selon les utilisateurs (Morgan Stanley). La gestion d'actifs suit le même partage : BlackRock a construit Asimov, un agent de recherche qui lit notes internes et dépôts réglementaires pour les équipes de gestion (BlackRock) ; UBS revendique plus de 300 cas d'usage en production (UBS).
Le crédit instruit, pas encore décidé, appartient à ce régime. BNP Paribas fait de l'accélération du crédit immobilier l'un de ses cas d'usage phares et traite les processus sensibles, le KYC notamment, avec des modèles souverains déployés sur sa propre infrastructure (BNP Paribas) ; la criminalité financière aussi, tant que l'alerte reste une alerte : HSBC passe environ 980 millions de transactions par mois au crible : deux à quatre fois plus de détections, 60 % de faux positifs en moins, que des équipes humaines qualifient ensuite (HSBC). L'audit public américain montre ce que ce régime peut corriger quand il est bien gouverné : une caisse de crédit citée a augmenté de 40 % ses approbations de crédit aux femmes grâce à un modèle mieux calibré, le même rapport alertant sur les biais inverses de modèles mal surveillés (GAO).
L'économie du régime. Le retour est réel mais plus lent, douze à vingt-quatre mois, car il dépend de la numérisation des dossiers et de l'intégration aux systèmes cœur. Le point de vigilance n'est pas technique : c'est la dérive silencieuse d'un assistant qui, de synthèse en suggestion, se met à faire du conseil sans en porter le cadre. La part de contenu IA dans les brevets de trading algorithmique dépasse 50 % par an depuis 2020 (FMI) : la préparation machine gagne tous les étages, la signature doit rester nominative.
Le troisième régime est le plus étroit, et le plus surveillé. La machine y engage l'argent en temps réel, parce que l'humain est trop lent : Visa a bloqué 40 milliards de dollars d'activités frauduleuses en un an, près du double de l'année précédente (Visa) ; l'IA générative de Mastercard améliore la détection de 20 % en moyenne, jusqu'à 300 % sur certains cas (Mastercard) ; 42 % des émetteurs de cartes déclarent avoir évité plus de 5 millions de dollars de fraude en deux ans grâce à l'IA (Mastercard). Le blocage d'une transaction frauduleuse est la seule décision pleinement automatisée que le secteur assume à grande échelle, parce qu'une erreur s'y répare d'un appel, pas d'un contentieux.
Tout le reste du régime est nommément encadré. Le règlement européen sur l'IA classe à haut risque l'évaluation de la solvabilité et le scoring de crédit des personnes physiques (annexe III, point 5(b)), avec des obligations pleines au 2 décembre 2027, un calendrier et non une exemption (AI Act). Aux États-Unis, tout refus de crédit fondé sur un modèle exige des motifs spécifiques et exacts ; les listes génériques ne suffisent pas (CFPB). En France, l'ACPR, appelée à surveiller ces usages, a publié ses quatre domaines d'audit prioritaires : performance, explicabilité, équité, cybersécurité, et sa consultation sur l'équité algorithmique se referme ces jours-ci (ACPR). Le marché ne s'y trompe pas : outre-Manche, le régulateur ne recense que 2 % de cas d'usage où la machine décide seule (Bank of England / FCA).
La singularité de la finance. Unique parmi les secteurs étudiés par ce rapport : la surveillance des modèles y est une discipline installée depuis des décennies : validation interne, revue indépendante, supervision prudentielle. L'IA n'entre pas dans un désert réglementaire, elle entre dans un cadre qui sait déjà auditer un modèle ; la voie la plus courte vers la conformité consiste à étendre ce dispositif, pas à en bâtir un second. Le reste du cadre est en vigueur : la résilience opérationnelle numérique s'impose à une vingtaine de catégories d'entités financières depuis janvier 2025, prestataires de cloud et d'IA compris (DORA) ; au niveau systémique, le régulateur mondial surveille quatre vulnérabilités (concentration des fournisseurs, corrélations de marché, cyber-risques, gouvernance des modèles) (FSB), pendant que le FMI observe des marchés plus efficients mais potentiellement plus volatils à mesure que l'IA gagne le trading (FMI).
Choisir un cas d'usage, c'est choisir un régime et, avec lui, le retour sur investissement que l'on peut attendre, les délais et l'ampleur du dossier de gouvernance. Ce cadre n'interdit rien : il proportionne les exigences.
La place de Paris publie ses chiffres
La place française ne se contente pas de suivre le mouvement : elle le chiffre, avec une particularité que peu de marchés partagent : un fournisseur de modèles national au cœur des déploiements. Quatre établissements suffisent à le montrer.
Le mouvement dépasse les grands réseaux. Le Crédit Agricole a annoncé environ 500 millions d'euros d'investissement IA sur trois ans, en privilégiant explicitement les solutions européennes (Crédit Agricole) : la souveraineté est devenue un critère d'achat, et Mistral AI son bénéficiaire naturel. Les fintechs, elles, passent au modèle « AI-native » : agents d'exécution et d'analyse chez Qonto, copilote comptable chez Pennylane (Qonto ; Pennylane). Rapportés aux trois régimes, ces chiffres français racontent une chose précise : la place excelle dans le premier régime, investit le deuxième. Et c'est exactement là que la question de la preuve se pose, car un objectif publié (750 M€, 500 M€) n'est pas encore un retour réalisé. Publier un objectif est un premier pas ; c'est la mesure publiée qui fait le classement.
Quatre lignes de faille propres à la finance
Quand un projet d'IA s'enlise dans la finance, il ne s'enlise pas comme ailleurs. Le croisement des retours de terrain, les quatre banques qui prouvent comme les majorités qui déploient sans mesurer (Deloitte ; Capgemini), fait apparaître quatre lignes de faille que ce secteur ne partage avec aucun autre. Toutes ont un point commun : la décision qui les neutralise ne coûte rien, pourvu qu'elle soit prise avant le lancement du projet.
Faille n°1 : les licences avant les instruments. L'organisation déploie des milliers de licences d'IA générative, et aucun instrument de mesure : pas de chiffre de départ, pas d'indicateur suivi, pas de ROI publiable. Elle rejoint les 94 % sans feuille de route à l'échelle et les 98 % de dirigeants qui ne suivent aucun indicateur GenAI (Capgemini). Les banques qui prouvent font l'inverse : JPMorganChase chiffre sa valeur à ~2 milliards de dollars, BNP Paribas publie un objectif de 750 millions d'euros et s'y tient publiquement (Evident ; BNP Paribas). Ce qui l'évite : instrumenter chaque cas d'usage dès le premier jour : la preuve se construit, elle ne se constate pas après coup.
Faille n°2 : la GenAI hors du périmètre de la validation des modèles. La banque est le seul secteur où le risque de modèle est une discipline réglementée de longue date. Mais les assistants génératifs se déploient souvent à côté de ce dispositif, comme de simples outils bureautiques. Le jour où l'un d'eux touche une décision (un score, une éligibilité, un montant), le projet découvre qu'il relève du régime haut risque et des motifs exacts de refus (AI Act ; CFPB), et repart de zéro. Ce qui l'évite : rattacher l'IA générative à la gouvernance de modèle en place dès le premier déploiement : la finance possède déjà ce muscle, et s'en servir coûte moins cher que d'en bâtir un second.
Faille n°3 : l'assistant qui glisse vers le conseil. Un texte généré qui compare, recommande ou oriente vers un produit cesse d'être du service : il devient du conseil, avec son devoir, sa traçabilité, sa responsabilité ; une hallucination devient alors un manquement. C'est la frontière que les déploiements aboutis ne franchissent pas : chez Morgan Stanley, l'assistant prépare la réunion et le compte rendu, le conseiller parle et décide (Morgan Stanley) ; sur le marché britannique, seuls 2 % des cas d'usage laissent la machine décider seule (Bank of England / FCA). Ce qui l'évite : écrire la frontière servicing-conseil du cas d'usage avant la première ligne de développement : l'IA prépare, l'humain conseille.
Faille n°4 : la course d'armement de la fraude. Particularité absolue de ce secteur : l'adversaire s'équipe en même temps que la défense. Pendant que l'authentification forte fait tomber la fraude technique au plus bas (0,048 % sur la carte en France), la fraude par manipulation double sa part en quatre ans et atteint 40 % du total (Banque de France, OSMP) : l'attaque contourne le système et cible l'humain. Le modèle isolé d'une banque seule perd cette course. Ce qui l'évite : défendre en réseau (signaux partagés, vérification de bénéficiaire, IA portée par les réseaux de paiement, comme Visa, Mastercard et HSBC la pratiquent) et former les clients au même rythme que les modèles.
Par où commencer : trois questions, quatre chemins
Il n'existe pas de premier pas universel : le bon chantier dépend d'où part l'établissement. Trois questions suffisent pour situer n'importe quel établissement, et chacun des quatre chemins possibles répond nommément à l'une des lignes de faille ci-dessus.
Question 1 : Publiez-vous aujourd'hui un indicateur de valeur validé sur au moins un cas d'usage ? Si la réponse est non, le premier chantier n'est pas un cas d'usage de plus : c'est d'instrumenter l'existant. Choisir le déploiement le plus avancé, établir le chiffre de départ (coût par contact, minutes par dossier, heures par processus), mesurer l'arrivée sur le même périmètre ; un trimestre suffit, et c'est la parade directe à la faille n°1. Tant que cet indicateur n'existe pas, tout nouveau projet ajoute des licences à un portefeuille que personne ne sait défendre en comité.
Question 2 : Votre dispositif de validation des modèles couvre-t-il l'IA générative ? Si non, l'étendre passe avant tout déploiement engageant : inventaire des assistants en production, rattachement à la revue de modèle, règle écrite sur la frontière servicing-conseil : les parades des failles n°2 et n°3, avec un livrable unique : une revue de gouvernance jointe à chaque chiffrage, avant signature. La finance est le seul secteur qui possède déjà cette discipline ; ne pas s'en servir revient à payer deux fois.
Question 3 : Votre prochain cas d'usage touche-t-il la décision : un crédit, un refus, un conseil ? Si non : industrialiser le deuxième régime, à l'échelle de l'ambition : la formation obligatoire de Citi ou l'objectif « un collaborateur sur deux » de BPCE font partie du budget, pas du supplément, et le coût total inclut l'intégration aux systèmes cœur et la consolidation de la donnée. Si oui : ouvrir le dossier haut risque dès le chiffrage : classification AI Act, motifs de refus documentés, domaines d'audit ACPR, avec l'échéance du 2 décembre 2027 inscrite au plan du projet, pas découverte en cours de route.
Reste le chemin que personne ne choisit mais que la majorité emprunte : déployer sans mesurer. Il a un prix chiffrable : l'écart avec les premières banques se creuse de 20 % et s'auto-finance chez elles (Evident), la fraude non bloquée est définitivement payée, et les échéances réglementaires transformeront les cas non gouvernés en passif. Dans un secteur où tout le monde déploie, le classement ne se fait plus ni sur l'ambition ni sur les licences : il se fait sur l'instrumentation : pas plus de licences, plus de mesure.
Méthode
Ce rapport s'appuie sur trois matériaux. D'abord, les enquêtes statistiques et travaux publics d'institutions de référence : US Census Bureau, Federal Reserve, EBA, BCE, Bank of England / FCA, Banque de France / ACPR / OSMP, INSEE, FBF, UK Finance, FTC, GAO, CFPB, FSB, FMI, Evident, Deloitte, Capgemini, McKinsey, Citi GPS, Bloomberg Intelligence, Gartner, Fenergo, dont les références complètes figurent ci-dessous. Ensuite, la base de connaissance YPrtnrs Institute : plus de 370 cas d'entreprises et points de données vérifiés, dont près de cinquante spécifiques aux services financiers, chacun rattaché à une publication originale. Enfin, l'analyse propre de YPrtnrs Institute, dont les estimations sont systématiquement signalées comme telles et jamais présentées comme des mesures. Les chiffres d'entreprises proviennent de communications officielles, de rapports annuels ou de déclarations de leurs dirigeants relayées par la presse spécialisée citée en ressources ; les projections (McKinsey, Citi GPS, Bloomberg Intelligence, Gartner) sont datées et désignées explicitement comme des projections.
Ressources
ACPR. (2025, septembre ; 2026, juillet). Surveillance de l'IA dans le secteur financier, réunions de place ; L'ACPR lance une consultation publique sur l'équité algorithmique. Autorité de contrôle prudentiel et de résolution.
Adyen. (2025, janvier). Introducing Adyen Uplift: The payment solution optimizing every transaction with AI [press release].
Banque de France, Observatoire de la sécurité des moyens de paiement. (2026, septembre). Rapport annuel 2025 ; OSMP. (2026, janvier). Statistiques de fraude du premier semestre 2025.
Bank of America. (2026, mars). BofA AI and Digital Innovations Fuel 30 Billion Client Interactions [press release].
Bank of England, & Financial Conduct Authority. (2024, novembre). Artificial intelligence in UK financial services, 2024.
BBVA. (2025, mai). BBVA expands its agreement with OpenAI to 11,000 ChatGPT licences [corporate release].
BCE, & EBA. (2025, décembre). 2025 Report on Payment Fraud. Banque centrale européenne / Autorité bancaire européenne.
Bloomberg Intelligence. (2025, janvier). Wall Street Expected to Shed 200,000 Jobs as AI Erodes Roles [enquête auprès de 93 directeurs technologiques].
BNP Paribas. (2026, mai). BNP Paribas et Mistral AI prolongent leur partenariat [communiqué] ; CIO Online. (2025, octobre). Dans l'IA, BNP Paribas cherche à passer à l'échelle [déclarations de la direction IA].
Capgemini Research Institute. (2024, mars). World Retail Banking Report 2024 [250 banques, 14 marchés].
CFPB. (2023, septembre). Circular 2023-03 : Adverse action notification requirements (Regulation B). Consumer Financial Protection Bureau.
Citi GPS. (2024, juin). AI in Finance: Bot, Bank & Beyond ; Citigroup. (2025, septembre-octobre). Citi Stylus Workspaces et formation IA obligatoire [communiqués et presse spécialisée].
Crédit Agricole. (2026, juin). Le Crédit Agricole accélère sa transformation IA [communiqué].
Crédit Mutuel Alliance Fédérale, & IBM. (2024, juin). Crédit Mutuel Alliance Fédérale accélère le déploiement de l'IA générative [communiqué].
Deloitte Center for Financial Services. (2025, octobre). 2026 Banking and Capital Markets Outlook.
EBA. (2025, septembre). Rising application of AI in EU banking and payments sector [note thématique] ; EBA / ESAs. (2025). Digital Operational Resilience Act (DORA), en application depuis le 17 janvier 2025.
Evident Insights. (2025, octobre). 2025 Evident AI Index [50 banques] ; JPMorganChase. (2025, octobre). JPMorganChase tops 2025 Evident AI Index [corporate blog].
Federal Reserve Board. (2026, avril). FEDS Notes: Monitoring AI Adoption in the U.S. Economy.
Fédération bancaire française. (2025, juillet). Chiffres clés de l'emploi dans la banque en 2024 ; Observatoire de la fintech. (2025, décembre). Levées de fonds des fintechs françaises 2025 [relayé par DAF Magazine].
Fenergo. (2026, janvier). Global financial regulatory penalties fall by 18% in 2025 as enforcement shifts to EMEA and APAC.
FMI. (2024, octobre). Global Financial Stability Report, chapitre 3 : AI and Capital Markets. Fonds monétaire international.
FSB. (2024, novembre ; 2025, octobre). The Financial Stability Implications of AI ; Monitoring Adoption of AI and Related Vulnerabilities in the Financial Sector. Financial Stability Board.
FTC. (2026, mars). Témoignage devant le Joint Economic Committee : 15,9 milliards de dollars de pertes de fraude des consommateurs en 2025 [relayé par la presse spécialisée]. Federal Trade Commission.
GAO. (2025, mai). Artificial Intelligence: Use and Oversight in Financial Services (GAO-25-107197). U.S. Government Accountability Office.
Goldman Sachs. (2025, juin). Extension du GS AI Assistant à l'ensemble de la firme [relayé par la presse spécialisée].
Groupe BPCE. (2025, avril). AI for all: more than 40,000 employees are users [corporate article].
HSBC. (2024, juin). Harnessing the power of AI to fight financial crime [corporate article].
INSEE. (2026, juillet). Les TIC et le commerce électronique dans les entreprises en 2025 (Insee Première n° 2120) [champ hors secteur financier]. Institut national de la statistique et des études économiques.
Intesa Sanpaolo. (2026, février). 2026–2029 Business Plan [communiqué].
JPMorganChase. (2024-2025). Déploiement de LLM Suite auprès de 200 000 employés et valeur IA déclarée [corporate blog et déclarations relayées par la presse financière].
Mastercard. (2024, mai). Mastercard accelerates card fraud detection with generative AI ; Mastercard. (2026, février). AI is helping banks save millions by transforming payment fraud prevention.
McKinsey & Company. (2023, décembre). Capturing the full value of generative AI in banking [projection] ; McKinsey. (2025, octobre). Global Banking Annual Review 2025.
Morgan Stanley. (2024, juin). Launch of AI @ Morgan Stanley Debrief [press release].
NatWest Group. (2025, mars). NatWest & OpenAI collaborate to accelerate cutting-edge AI transformation [press release] ; Microsoft. (2025, novembre). Commerzbank AG fuels 30,000 monthly conversations with Foundry Agent Service [customer story].
Pennylane. (2025, avril). Levée de 75 millions d'euros [relayée par Maddyness] ; Qonto. (2026, avril). Déploiement d'agents IA auprès de 600 000 entreprises clientes [relayé par la presse spécialisée].
Société Générale. (2025, février). Création de SocGen AI [relayé par la presse spécialisée] ; UBS. (2025, octobre). UBS appoints Chief AI Officer [press release].
UE. (2024-2026). Règlement (UE) 2024/1689 [AI Act], annexe III point 5(b), et accord « Digital Omnibus » du 6 mai 2026 [analyses juridiques de référence] ; UK Finance. (2025, mai). Annual Fraud Report 2025 ; US Census Bureau. (2026, mai). America Counts: AI Use at U.S. Businesses (BTOS) ; Visa. (2024, juillet). Détection de fraude par IA : 40 milliards de dollars bloqués [déclarations relayées par CNBC] ; BlackRock. (2025, juin). Agent de recherche Asimov [relayé par Bloomberg] ; Gartner. (2025, juin). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027.