Les banques renforcent leurs opérations grâce à l’IA

Bank of America fait passer l’IA des projets pilotes aux opérations quotidiennes

Plus de 200 000 employés de Bank of America utilisent désormais des capacités activées par l’IA. Ils génèrent plus de 400 000 prompts chaque jour. Ces chiffres sont importants, car ils montrent que l’IA a dépassé le stade des petits tests. Elle devient une composante du fonctionnement d’une grande banque.

Bank of America a approuvé plus de 300 cas d’usage de l’IA. Parmi eux, 114 concernent l’IA générative, et 34 ont été entièrement déployés dans les opérations de la banque à la date de sa conférence téléphonique sur les résultats du T2 2026. Les employés utilisent l’IA pour des tâches de productivité, le développement logiciel et des workflows agentiques plus avancés. Ces workflows utilisent des systèmes d’IA capables d’exécuter plusieurs étapes vers une tâche définie, plutôt que de produire une seule réponse.

Les applications se diffusent dans les opérations, le risque, la finance, la technologie et les équipes en contact avec les clients. Les chargés de clientèle peuvent utiliser l’IA pour préparer les rendez-vous clients. Les développeurs l’utilisent pour écrire du code plus efficacement. Dans la gestion de patrimoine, la banque a lancé un outil alimenté par l’IA qui aide les conseillers financiers à accéder aux informations stockées dans son système Salesforce de gestion de la relation client.

Brian Moynihan, PDG de Bank of America, a déclaré aux investisseurs que ces systèmes aident les chargés de clientèle à préparer les réunions de manière plus approfondie tout en permettant aux développeurs de coder plus efficacement. Il a ajouté qu’ils améliorent aussi la productivité des employés, la cohérence et le service client.

Alastair Borthwick, DAF de Bank of America, a souligné la forte productivité des conseillers financiers et indiqué que l’IA y a largement contribué. Il a également déclaré que l’intégration de l’IA dans les workflows a réduit le travail manuel, accru la rapidité et amélioré la cohérence pour les employés comme pour les clients.

La contrainte importante n’est plus l’accès aux modèles d’IA. Elle réside dans la conversion de ces modèles en workflows approuvés et fiables, capables de fonctionner au sein d’une banque réglementée. Les chiffres de Bank of America rendent cette distinction claire. Plus de 300 applications ont été approuvées, mais seulement 34 sont entièrement déployées. Passer de l’approbation à la production exige une intégration avec les systèmes existants, l’accès aux données, des contrôles, la sécurité et une responsabilité opérationnelle claire.

Pour les dirigeants, c’est la mesure utile de la maturité de l’IA. Le nombre de prompts des employés démontre l’adoption, mais les déploiements en production démontrent un changement opérationnel. La question suivante est de savoir si ces déploiements produisent des améliorations mesurables en matière de coûts, de temps de cycle, de qualité de service, de revenus ou de risque.

Wells Fargo et Citi montrent que l’adoption de l’IA devient une priorité opérationnelle dans les grandes banques

Bank of America n’est pas un cas isolé. Wells Fargo et Citigroup intègrent eux aussi directement l’IA dans les workflows des employés. L’objectif commun est pratique : réduire le travail répétitif, rendre les employés plus rapides, améliorer le service client et raccourcir le temps nécessaire à la mise sur le marché des produits.

Wells Fargo a lancé AI Teammate. Le PDG Charles Scharf a déclaré que les investissements de la banque dans l’IA contribuent à améliorer la productivité.

Citi fournit une mesure plus claire de l’adoption. Près de neuf employés de Citi sur 10 utilisent les outils d’IA de la banque, selon la PDG Jane Fraser lors de la conférence téléphonique sur les résultats du T2 2026 de Citi. Fraser a déclaré que cet usage améliore la productivité et l’expérience client tout en soutenant la croissance. Elle a également indiqué que l’IA aide Citi à mettre ses produits sur le marché « beaucoup plus rapidement ».

L’approche de Citi s’appuie sur sa transformation technologique plus large. Alors que ce programme approche de son terme, Fraser a déclaré que les dirigeants métier peuvent appliquer à l’intégration de l’IA les enseignements tirés des déploiements technologiques à grande échelle. C’est important, car faire monter l’IA en puissance au sein d’une banque n’est pas d’abord un problème de sélection de modèle. L’IA doit se connecter en toute sécurité aux données de l’entreprise, aux applications existantes, aux processus métier et aux contrôles de gouvernance avant de pouvoir influencer les opérations centrales.

La structure de direction évolue également autour de cette exigence. Citi a nommé Brian Saluzzo au poste de DSI en mars 2026, avec parmi ses priorités la montée en puissance de l’IA dans l’ensemble de l’organisation. Cela inscrit le déploiement de l’IA dans l’opération technologique plus large de la banque, au lieu de le traiter comme une expérimentation distincte.

Le signal le plus fort de Citi est son taux d’adoption. Amener près de 90 % des employés à utiliser des outils d’IA indique une portée organisationnelle substantielle. Mais l’adoption seule n’est pas un retour sur investissement. Les dirigeants devraient distinguer les métriques d’usage des résultats métier. Les mesures les plus solides sont la réduction du temps de traitement et du travail manuel, des lancements de produits plus rapides, de meilleurs résultats pour les clients, un risque maîtrisé et, au final, des rendements financiers.

Wells Fargo et Citi confirment donc une évolution plus large dans le secteur bancaire. L’IA devient une composante du modèle opérationnel. Charles Scharf chez Wells Fargo et Jane Fraser chez Citi relient tous deux l’IA à la productivité. Citi va plus loin en la reliant à l’expérience client, à la croissance et à une livraison plus rapide des produits.

La priorité des dirigeants se déplace désormais : il ne s’agit plus de prouver que les employés utiliseront l’IA, mais de prouver qu’un usage généralisé crée une valeur économique durable. Le taux d’adoption de près de 90 % chez Citi montre que la diffusion peut atteindre l’échelle. La tâche la plus difficile consiste à transformer cette échelle en performance métier mesurable tout en maintenant les contrôles exigés d’un grand établissement financier.

BNY voit dans l’IA une source de valeur à long terme

BNY adopte une vision plus large de l’économie de l’IA. Le PDG Robin Vince a déclaré que l’IA accroît la productivité des employés, aide la banque à concevoir de meilleurs produits et expériences client, et permet de nouvelles capacités grâce aux plateformes et aux données de BNY. Lors de la conférence téléphonique sur les résultats du T2 2026 de la banque, Vince a décrit l’IA comme une source importante de valeur à long terme pour les clients, les employés et les actionnaires.

Cette distinction est importante. La productivité des employés peut réduire le temps ou l’effort nécessaires au travail existant. BNY vise aussi des améliorations dans ce qu’elle vend et dans la manière dont les clients interagissent avec la banque. De meilleurs produits, de nouvelles capacités de plateforme et une utilisation plus poussée des données propriétaires peuvent influencer les revenus et la fidélisation des clients, ainsi que l’efficacité opérationnelle.

Les plateformes et les données de la banque sont particulièrement importantes. Les systèmes d’IA deviennent plus utiles lorsqu’ils peuvent travailler avec des informations métier pertinentes et contrôlées et s’intégrer aux processus existants. Pour un établissement financier, cela exige aussi des autorisations solides, une bonne qualité des données, de la sécurité et de la supervision. La seule capacité de l’IA ne crée pas de valeur métier si les employés et les systèmes ne peuvent pas utiliser en toute sécurité les informations nécessaires à l’exécution d’une tâche.

La position de BNY offre aussi aux dirigeants un framework utile pour évaluer l’investissement dans l’IA. La réduction des coûts n’est qu’une mesure parmi d’autres. La qualité des produits, la production des employés, l’expérience client, la rapidité d’introduction de nouvelles capacités et les opportunités de revenus peuvent aussi déterminer les rendements. C’est particulièrement pertinent lorsque les dépenses liées à l’IA augmentent initialement les coûts technologiques.

L’opportunité à long terme reste importante. Si BNY parvient à combiner ses données, ses plateformes et ses systèmes d’IA sous des contrôles efficaces, la technologie peut soutenir à la fois l’efficacité interne et l’innovation tournée vers les clients. Le test clé sera de savoir si ces capacités génèrent, au fil du temps, des améliorations mesurables de la performance métier.

JPMorgan chase s’attend à ce que les clients captent une grande partie de la valeur économique de l’IA

JPMorgan Chase dispose déjà de près de 1 000 cas d’usage de l’IA en production. Ils couvrent le risque, la fraude, le marketing, la lecture de documents et d’autres fonctions. C’est l’un des signes les plus clairs que le déploiement de l’IA a atteint une échelle opérationnelle substantielle dans une grande banque.

Pourtant, le PDG Jamie Dimon adopte une position plus prudente sur le bénéfice financier pour JPMorgan elle-même. Lors de la conférence téléphonique sur les résultats du T2 2026 de la banque, il a déclaré que l’IA devrait créer des gains d’efficacité dans certaines parties de l’entreprise, mais qu’il ne s’attend pas à ce qu’elle augmente les marges de sitôt. L’IA reste coûteuse, et ces coûts augmentent à mesure que l’usage se développe.

L’argument central de Dimon est que les clients capteront une grande partie du bénéfice. « Vous ne bénéficiez pas de manière unique de l’IA », a-t-il déclaré aux investisseurs. « Le bénéficiaire ultime de l’IA sera nos clients. »

C’est une contrainte économique importante pour les dirigeants. Un gain d’efficacité ne se transforme pas automatiquement en profit supplémentaire. Si les concurrents accèdent à des capacités similaires, eux aussi peuvent réduire leurs coûts, améliorer leurs produits ou offrir un meilleur service. La concurrence peut alors transférer une partie du bénéfice économique aux clients au lieu de permettre à une banque de le conserver entièrement sous forme de marges plus élevées.

L’IA introduit aussi des coûts d’exploitation importants. Les modèles nécessitent de la capacité de calcul, une infrastructure de support, l’intégration des données, de la supervision, de la sécurité et de la gouvernance. À l’échelle de JPMorgan, déployer l’IA sur près de 1 000 cas d’usage en production signifie que ces coûts ne peuvent pas être considérés comme accessoires. Le calcul pertinent est le bénéfice économique net après les dépenses de déploiement et d’exploitation.

Cela ne rend pas l’investissement dans l’IA moins important. Cela change la manière dont les dirigeants doivent l’évaluer. Un système peut avoir une valeur stratégique même s’il n’élargit pas immédiatement les marges. Une meilleure détection de la fraude peut réduire les pertes. Un traitement plus rapide des documents peut améliorer le service et les temps de cycle. Des capacités de risque plus solides peuvent améliorer la prise de décision. Les applications marketing peuvent rendre l’engagement client plus pertinent. Certains de ces bénéfices peuvent renforcer la compétitivité sans apparaître comme une simple réduction des effectifs ou des dépenses d’exploitation.

La position de JPMorgan apporte donc un contrepoids utile aux discours sur l’IA centrés sur la productivité. Près de 1 000 cas d’usage en production démontrent un engagement fort envers la technologie, tandis que l’avertissement de Dimon sur les marges fixe une norme plus exigeante pour mesurer les rendements. Le volume de déploiement et l’efficacité des employés sont des métriques intermédiaires. La question plus large est de savoir qui capte finalement la valeur économique.

Pour les dirigeants de la direction générale, cette distinction devrait orienter les décisions d’investissement dans l’IA. L’objectif ne devrait pas être de maximiser le nombre de cas d’usage. Il devrait être de déployer l’IA là où l’amélioration qui en résulte compte pour les clients, la performance du risque, les revenus, les coûts ou la position concurrentielle. L’expérience de JPMorgan suggère qu’une adoption de l’IA à grande échelle peut être stratégiquement nécessaire même lorsque l’argument de marge à court terme reste limité.

L’IA devient une composante du modèle opérationnel des grandes banques

Les chiffres montrent que l’IA a largement dépassé le stade des expérimentations isolées dans plusieurs des plus grandes banques américaines. Plus de 200 000 employés de Bank of America utilisent des capacités activées par l’IA et génèrent plus de 400 000 prompts chaque jour. Près de neuf employés de Citi sur 10 utilisent les outils d’IA de la banque. JPMorgan Chase compte près de 1 000 cas d’usage de l’IA en production.

L’ampleur du déploiement est tout aussi importante. Les banques appliquent l’IA au développement logiciel, au conseil financier, aux opérations, au risque, à la détection de la fraude, à la finance, au marketing, au traitement des documents, au développement de produits et au travail en contact avec les clients. Wells Fargo a également lancé AI Teammate dans le cadre de l’élargissement de l’accès des employés à cette technologie.

Cela change la question de management. Le sujet n’est plus de savoir si l’IA générative peut produire des résultats utiles. Les grandes banques ont démontré que les employés l’utiliseront et que les établissements peuvent la déployer dans de nombreuses fonctions. La tâche la plus difficile consiste à convertir cet usage généralisé en résultats métier contrôlés et mesurables.

Bank of America illustre clairement cet écart. Elle compte plus de 300 cas d’usage de l’IA approuvés, dont 114 applications d’IA générative, mais 34 sont entièrement déployés dans les opérations. Brian Moynihan, PDG de Bank of America, affirme que ces outils aident les chargés de clientèle à préparer les réunions, permettent aux développeurs de coder plus efficacement et aident les employés à améliorer leur productivité et leur cohérence. Le DAF Alastair Borthwick affirme que l’IA intégrée a réduit le travail manuel et amélioré la rapidité.

Citi apporte une preuve supplémentaire que l’adoption par les employés peut atteindre une échelle significative. La PDG Jane Fraser a déclaré que près de 90 % des employés utilisent les outils d’IA de Citi. Elle a lié cet usage à une productivité plus élevée, à de meilleures expériences client, à la croissance et à une livraison des produits nettement plus rapide. La banque a également nommé Brian Saluzzo au poste de DSI en mars 2026 pour aider à faire monter l’IA en puissance dans l’ensemble de l’organisation.

Wells Fargo et BNY confirment la même orientation. Le PDG de Wells Fargo, Charles Scharf, a déclaré que les investissements de l’entreprise dans l’IA améliorent la productivité après le lancement d’AI Teammate. Chez BNY, le PDG Robin Vince adopte une vision plus large. Il affirme que l’IA peut accroître la productivité des employés, améliorer les produits et les expériences client, et créer de nouvelles capacités grâce aux plateformes et aux données de la banque. Lors de la conférence téléphonique sur les résultats du T2 2026 de BNY, Vince a décrit l’IA comme une source importante de valeur à long terme pour les clients, les employés et les actionnaires.

JPMorgan Chase introduit une contrainte importante dans cette tendance sectorielle. Le PDG Jamie Dimon s’attend à ce que l’IA crée des gains d’efficacité, mais pas nécessairement des marges plus élevées à court terme. Malgré près de 1 000 cas d’usage de l’IA en production, JPMorgan doit faire face au coût de la montée en puissance de cette technologie. Dimon a déclaré aux investisseurs : « Vous ne bénéficiez pas de manière unique de l’IA », et a conclu que « le bénéficiaire ultime de l’IA sera nos clients. »

Ce point change la manière dont les dirigeants devraient définir le succès de l’IA. Le volume de prompts, l’adoption par les employés et le nombre de cas d’usage sont des métriques de déploiement utiles. Ce ne sont pas des mesures du retour sur investissement. L’usage à grande échelle consomme des ressources de calcul et exige intégration, sécurité, gouvernance, supervision et support opérationnel continu. Les banques sont également en concurrence avec des établissements qui adoptent une technologie similaire, ce qui peut faire apparaître les gains de productivité sous forme de meilleurs prix, d’un service plus rapide ou de produits plus solides plutôt que de marges plus larges.

La prochaine phase de l’IA bancaire dépendra donc de la mesure et de l’exécution. Les dirigeants doivent relier chaque déploiement en production à un résultat économique ou opérationnel : baisse des coûts de traitement, réduction des temps de cycle, diminution des pertes, hausse de la production des employés, amélioration des résultats clients, livraison plus rapide des produits, croissance des revenus ou renforcement des contrôles de risque. Les cas d’usage qui ne peuvent pas démontrer une valeur significative deviendront plus difficiles à justifier à mesure que les dépenses liées à l’IA augmenteront.

Les éléments observés chez Bank of America, Citi, Wells Fargo, BNY et JPMorgan Chase pointent dans une seule direction. L’IA devient une composante normale des opérations bancaires. L’avantage concurrentiel ne viendra pas de l’accès à l’IA ni de la génération du plus grand nombre de prompts. Il viendra de la sélection d’applications à forte valeur, de leur déploiement sûr à grande échelle et de l’obtention de résultats métier mesurables.

Points clés à retenir pour les décideurs

• L’IA entre dans les opérations bancaires quotidiennes : Bank of America compte plus de 200 000 employés utilisant l’IA, mais seuls 34 de ses plus de 300 cas d’usage approuvés sont entièrement déployés. Les dirigeants devraient mesurer le déploiement en production et les résultats métier.
• L’adoption n’est plus le principal frein : Près de 90 % des employés de Citi utilisent ses outils d’IA, tandis que Wells Fargo étend l’IA avec AI Teammate. La priorité devrait passer de la stimulation de l’usage à la démonstration de gains en rapidité, en productivité, en expérience client et en croissance.
• La valeur de l’IA va au-delà des économies de coûts : BNY s’attend à ce que l’IA améliore la productivité, les produits, les expériences client et les capacités de plateforme. Les dirigeants devraient évaluer les investissements dans l’IA à l’aune de l’efficacité opérationnelle, mais aussi de leur capacité à créer une nouvelle valeur pour les clients et les revenus.
• L’efficacité ne garantit pas des marges plus élevées : JPMorgan Chase compte près de 1 000 cas d’usage de l’IA en production, pourtant le PDG Jamie Dimon s’attend à ce que les clients captent une grande partie du bénéfice, l’IA restant coûteuse à faire monter en puissance. Les business cases de l’IA devraient tenir compte des coûts d’exploitation totaux et de la pression concurrentielle.
• Les résultats métier distingueront les leaders des adopteurs : Les grandes banques ont établi que l’IA peut atteindre une échelle opérationnelle. Le prochain test concurrentiel consiste à sélectionner des cas d’usage à forte valeur et à les relier à des améliorations mesurables des coûts, des temps de cycle, des revenus, des résultats clients et du risque.