Articles en relation
Deutsche Bank a annoncé plus d’un milliard d’euros d’investissements technologiques d’ici à 2028 pour sa division de banque d’investissement. Quelle part de cette enveloppe est dédiée à l’intelligence artificielle (IA) et comment ?
Nous investissons depuis de nombreuses années dans les capacités liées aux données, à l’automatisation et à l’IA, ce n’est pas un sujet nouveau pour nous. Ce qui a véritablement changé récemment, c’est le passage de phases d’expérimentation à un déploiement à grande échelle, industrialisé, à l’ensemble de la banque.
Lors de notre Investor Day en novembre 2025, nous l’avons clairement affirmé : l’IA n’est pas une initiative isolée, mais un pilier central de notre stratégie de Global Hausbank et un levier clé d’efficacité, de croissance et de « scalabilité » de notre modèle opérationnel.
Dans cette logique, nous ne gérons pas les investissements en IA de manière autonome. Les investissements technologiques annoncés par nos divisions couvrent un large éventail de capacités au sein desquelles elle est intégrée. Dans la banque d’investissement, par exemple, environ 50 % des dépenses visent la croissance des revenus, 25 % l’efficacité opérationnelle et 25 % la conformité réglementaire et les dispositifs de contrôle. L’IA intervient dans chacune de ces catégories, sans faire l’objet d’un budget distinct.
D’un point de vue organisationnel, nous adoptons également une approche pleinement intégrée. L’IA est développée et déployée conjointement par nos divisions métiers et nos équipes Technology, Data & Innovation, de sorte que chaque initiative est directement liée à des cas d’usage concrets et orientée vers la création de valeur mesurable.
Plus largement, sur le marché, quels projets d’IA agentique ont le plus retenu votre attention à ce stade, que ce soit dans la banque ou dans d’autres secteurs, et pour quelles raisons ?
Les initiatives les plus convaincantes en matière d’IA agentique sont celles qui dépassent l’optimisation de tâches isolées pour repenser les processus de bout en bout. Un exemple pertinent, tous secteurs confondus, est celui de l’orchestration des chaînes d’approvisionnement. Les systèmes agentiques peuvent surveiller en continu les fournisseurs, les stocks, la logistique et les signaux de risque externes. Ils sont capables d’anticiper les perturbations et, surtout, de déclencher de manière autonome des actions correctives, par exemple en redirigeant des commandes ou en adaptant les stratégies d’approvisionnement. Dans un environnement devenu très volatil, ce type de coordination dynamique devient essentiel.
C’est également dans ce contexte que se dessine une opportunité majeure pour les banques. Une vision en temps réel des flux de commandes, des contreparties, des risques de livraison et des cycles de trésorerie transforme profondément l’analyse. Elle permet de dépasser les décisions de crédit statiques, prises à un instant donné, pour se connecter directement à cette couche d’orchestration. Cela ouvre la voie à une évolution du financement traditionnel vers des formes plus intégrées et adaptatives.
Parmi vos propres développements récents en IA agentique, lesquels vous paraissent les plus transformateurs pour le métier de banquier et pourquoi ?
Dans cette continuité, les applications les plus transformantes sont celles où nous commençons à intégrer l’IA agentique au cœur des processus bancaires.
Le processus de crédit en est un bon exemple. Traditionnellement, il repose sur de nombreuses étapes manuelles : analyse des données financières, structuration de l’information, documentation des décisions. Nous introduisons désormais des capacités agentiques dans ces étapes, notamment pour extraire et structurer les données ou préparer des analyses directement exploitables pour la décision.
Cela permet d’accélérer significativement les processus et d’en améliorer la cohérence, tout en recentrant le rôle de nos experts là où ils apportent le plus de valeur à savoir le jugement et la prise de décision.
Nous n’en sommes encore qu’au début, mais cela illustre clairement le fait que la véritable transformation se situe dans la refonte de bout en bout des processus clés.
En décembre dernier, vous avez lancé TPRM AI, une plateforme d’IA agentique dédiée à la gestion des risques tiers. Quelles en sont les principales caractéristiques techniques et opérationnelles ? Quels gains mesurables avez-vous observés ?
En matière de gestion des risques tiers, la difficulté principale réside dans le fait que l’évaluation des risques fournisseurs requiert un important travail d’analyse experte, ainsi qu’un temps conséquent, les équipes devant examiner des volumes importants de documentation au regard de cadres de contrôle stricts.
Avec TPRM AI, nous avons introduit une approche agentique dans laquelle plusieurs agents d’IA analysent ces documents, proposent des conclusions et fournissent des références précises, tandis que nos experts conservent la décision finale.
L’impact est très concret. Ce qui prenait auparavant environ 30 minutes par document peut désormais être réalisé en moins de deux minutes pour plusieurs fichiers, et les analyses plus larges sont passées de plusieurs heures à environ 30 minutes, avec un taux de précision d’environ 90 % et une cohérence nettement accrue.
Deutsche Bank mène plusieurs projets IA avec de grands acteurs technologiques. Comment arbitrez-vous entre développement interne, codéveloppement et achat de solutions existantes ? Et comment gérez-vous le risque de dépendance technologique ?
En matière d’IA, notre positionnement est très clair quant à la répartition des rôles. Nous ne développons pas nos propres grands modèles de langage. Nous travaillons volontairement avec des partenaires, comme Google sur cette couche, notamment pour les capacités de modèles et le passage à l’échelle.
En revanche, lorsqu’il s’agit d’appliquer ces modèles aux processus bancaires, c’est là que se concentre notre expertise. Nos équipes développent et intègrent l’IA dans nos processus clés, en s’appuyant sur nos données, nos cadres de contrôle et notre connaissance métier.
C’est également ainsi que nous gérons le risque de dépendance. Nous conservons la maîtrise des couches critiques – architecture, données, logique décisionnelle – tout en nous appuyant sur une base d’ingénierie interne solide, que nous avons significativement renforcée ces dernières années.
L’IA agentique ouvre la voie à des agents capables de surveiller les risques de marché ou d’appuyer la prise de décision en temps réel. Où en êtes-vous concrètement sur ces usages ? Et quelles limites en matière d’autonomie n’êtes-vous pas prêts à franchir ?
En pratique, nous utilisons déjà l’IA, y compris des capacités plus avancées et agentiques, pour soutenir des tâches telles que l’analyse des risques, la surveillance et la préparation des décisions.
Mais il existe une limite claire : nous ne déléguons pas la décision finale à l’IA. Dans tous les processus critiques, notamment en matière de risques et de marchés, les décisions restent pleinement du ressort des experts humains, dans un cadre de gouvernance et de contrôle robuste. L’objectif est aujourd’hui d’augmenter les capacités humaines et d’améliorer la préparation des décisions, et non d’automatiser la décision elle-même.
Depuis l’entrée en vigueur de DORA en janvier 2025 et le déploiement du règlement européen sur l’IA, dans quelle mesure ces cadres réglementaires ont-ils influencé vos choix ?
Ces cadres ont renforcé et structuré notre approche de l’IA. Dès le départ, nous avons conçu notre architecture et nos cas d’usage autour de principes de gouvernance solides, de responsabilité clairement définie et de supervision humaine. Des réglementations comme DORA et l’AI Act contribuent à préciser et à accompagner cette approche à mesure que l’adoption de l’IA s’accélère.
Nous ne les percevons pas comme des contraintes, mais comme des facilitateurs. Dans le secteur bancaire, la confiance est essentielle vis-à-vis des clients, des régulateurs et des marchés. Des règles claires et robustes nous permettent de développer des systèmes d’IA transparents, explicables et fiables, ce qui favorise leur adoption à plus grande échelle.
L’IA agentique pose la question de la responsabilité, notamment en cas de mauvaise décision. Où la situez-vous ?
Pour nous, la responsabilité est très claire. Elle incombe toujours à la banque et à ses décideurs. L’IA soutient l’analyse et la préparation des décisions, mais ne prend pas les décisions finales dans les processus critiques. Nous appliquons des processus rigoureux de revue, de validation et d’approbation avant toute action.
Les fournisseurs technologiques et les modèles contribuent aux solutions, mais ne portent pas la responsabilité des décisions. C’est pourquoi nous combinons l’IA avec des dispositifs solides de gouvernance, une responsabilité clairement attribuée et des cadres de contrôle robustes sur l’ensemble des cas d’usage.
Les grandes banques américaines semblent avancer plus vite que les institutions européennes sur l’IA... Partagez-vous ce constat ?
L’essentiel est de savoir si nous avançons suffisamment rapidement, de manière sécurisée, pour mieux servir nos clients et atteindre nos objectifs stratégiques. Nous observons bien sûr nos pairs et l’évolution du secteur, mais nous restons pleinement concentrés sur ce qui dépend de nous.
À long terme, la question n’est pas de savoir qui va le plus vite, mais qui est capable de déployer l’IA de manière fiable et digne de confiance. Dans la banque, c’est un véritable avantage concurrentiel.
Selon vous, quelles erreurs les banques doivent-elles absolument éviter pour déployer efficacement l’IA agentique dans les prochaines années ?
Le principal risque est de rester bloqué au stade des projets pilotes. La véritable valeur réside dans le passage à l’échelle et l’intégration dans les processus clés.
Par ailleurs, il est facile de se focaliser excessivement sur la technologie. Or l’essentiel est de répondre à des cas d’usage réels, en s’appuyant sur des fondations solides en matière de données et de gouvernance.
Propos recueillis par Audrey Spy
