En abandonnant son outil interne SoGPT au profit de Copilot, Société Générale a relancé un débat qui traverse aujourd’hui tout le secteur bancaire : faut-il construire ses propres systèmes d’intelligence artificielle (IA) ou s’appuyer sur des solutions existantes ? Cette question s’est imposée ces derniers mois comme un point de tension majeur, à la croisée d’enjeux de souveraineté, de performance et de dépendance technologique.
Mais ce débat, aussi structurant soit-il en apparence, repose sur un biais. Il suppose que la réussite des projets d’IA dépend d’abord d’un choix technologique. Or, dans un secteur aussi contraint que la banque, ce n’est pas la technologie qui fait la différence, mais la capacité à l’intégrer, à la piloter et à l’ancrer dans les opérations.
Le piège du « make or buy »
dans un secteur sous contrainte
Opposer le « make » au « buy » revient à simplifier une transformation qui est, en réalité, profondément organisationnelle. Les exemples récents du secteur illustrent d’ailleurs moins des choix tranchés que des stratégies hybrides, mêlant solutions internes, partenariats et outils du marché. Derrière ces arbitrages, une constante apparaît : aucune technologie, aussi performante soit-elle, ne crée de valeur si elle n’est pas maîtrisée dans son usage.
L’enjeu doit désormais être envisagé comme un passage de la complexité à la simplicité : les entreprises n’ont pas besoin de piles technologiques toujours plus lourdes, mais d’une IA concrète, intégrée dans l’expérience quotidienne des collaborateurs, ainsi que dans les parcours de service et de support. Cette approche d’« IA centrée sur l’humain » privilégie une création de valeur rapide en intégrant une IA pratique et explicable au cœur des workflows. Elle permet aux équipes de résoudre plus efficacement les problèmes clients, d’accompagner les conseillers et d’améliorer la qualité de service, tout en maintenant le contrôle, la conformité et l’efficacité opérationnelle, sans ajouter une complexité inutile.
Dans la banque, cette exigence est renforcée par des contraintes uniques. L’IA ne peut pas être une boîte noire. Elle intervient dans des décisions critiques, qu’il s’agisse d’octroi de crédit, de détection de fraude ou de gestion des risques. Elle doit être explicable, traçable et auditée. Elle s’inscrit dans des systèmes d’information complexes, hérités de décennies d’évolution, et dans un cadre réglementaire en constante évolution. Dans ce contexte, choisir une technologie ne suffit pas. Il faut être capable d’en comprendre les implications, d’en encadrer les usages et d’en assumer les conséquences.
C’est précisément là que le débat se déplace. La question n’est plus de savoir s’il vaut mieux construire ou acheter, mais de déterminer dans quelle mesure l’organisation est capable de garder la maîtrise de ce qu’elle déploie. Sans cette maîtrise, l’IA devient un facteur de risque autant qu’un levier de performance.
L’IA bancaire, un défi d’exécution
Ce qui distingue aujourd’hui les établissements qui avancent réellement sur l’IA n’est pas la sophistication de leurs choix technologiques, mais leur capacité à exécuter. Gouvernance, montée en compétences des équipes, qualité des données, priorisation des cas d’usage sont les véritables facteurs qui déterminent l’impact concret des initiatives d’IA.
Dans les faits, beaucoup d’initiatives restent encore au stade de l’expérimentation. Non pas parce que les outils ne sont pas matures, mais parce qu’ils sont déployés sans cadre clair, sans alignement avec les métiers et sans transformation des processus. L’IA est alors perçue comme une couche supplémentaire, plutôt que comme un levier de refonte des opérations.
À l’inverse, les banques qui structurent leur approche autour de cas d’usage précis, en lien direct avec leur modèle économique et leur relation client, parviennent à créer de la valeur. Détection de fraude, assistance aux conseillers, automatisation de la relation client : ces usages ne reposent pas uniquement sur la performance des modèles, mais sur leur intégration dans des parcours opérationnels cohérents.
Ce basculement est clé. Il rapproche l’IA des enjeux concrets de l’entreprise, en particulier de la qualité de service et de l’efficacité opérationnelle. Autrement dit, il fait passer l’IA d’un sujet technologique à un sujet business. Au fond, les banques qui tireront réellement parti de l’IA ne seront pas celles qui auront fait le « bon » choix entre construire ou acheter. Ce seront celles qui auront su poser la bonne question : non pas quelle technologie utiliser, mais comment en faire un levier de transformation maîtrisé. n
