Comment une banque de plus de 160 ans intègre-t-elle une technologie qui évolue tous les six mois ? Pour répondre de l'intérieur, j'ai reçu au podcast Guillaume Durand, Chief Data Officer de LCL, passé auparavant par Capgemini Invent puis la Société Générale, où il a piloté les stratégies data et IA.
Une conversation rare : les cas d'usage concrets d'une grande banque, les raisons pour lesquelles la plupart des projets IA échouent, et ce que devient le métier de conseiller quand l'IA prend en charge l'administratif.
Le rôle du Chief Data Officer : fondations et valeur
Le poste de CDO est né dans les années 2010, poussé par la réglementation (RGPD, BCBS 239). Mais une fois les données maîtrisées, les banques ont voulu les exploiter. Guillaume résume son rôle chez LCL en deux piliers indissociables : construire des fondations (connaissance, qualité et gouvernance des données, socles techniques, conformité) et développer des cas d'usage concrets au service des métiers et des clients.
💡 À retenir : « Les fondations de la data, c'est comme une maison : sans fondations solides, tout s'écroule. » Interrogé sur ce qu'il ferait d'un million d'euros à investir, Guillaume répond sans hésiter : la moitié sur les fondations — même si c'est invisible — et la moitié sur les cas d'usage à plus forte valeur.
Les cas d'usage réels chez LCL
Loin des fantasmes, voici ce que l'IA fait concrètement dans une grande banque française :
- ARIA, l'assistant des conseillers : connecté à la base de connaissance produits, il propose une réponse pré-rédigée à chaque message client — que le conseiller relit, personnalise et envoie.
- Les comptes-rendus dictés : speech-to-text combiné à l'IA générative. Un compte-rendu d'entretien client passait de 15-20 minutes à 3 minutes.
- L'automatisation documentaire : extraction automatique des informations des pièces d'identité et justificatifs, avec contrôle de cohérence entre documents. La précision est passée d'environ 60-70 % il y a dix ans à près de 90 % aujourd'hui.
- Le RAG sur la base produits : le conseiller interroge la documentation en langage naturel face au client, et reçoit la réponse plus le document à envoyer.
📌 Exemple : l'objectif affiché de LCL est qu'à horizon 2030, plus aucune tâche administrative ne soit effectuée par les conseillers — pour réinvestir tout ce temps dans le conseil et la relation client.
Pourquoi 95 % des projets IA échouent
Réagissant à la fameuse étude du MIT, Guillaume identifie deux causes principales d'échec, qu'il a observées partout :
- Résoudre un problème qui n'existe pas. Une équipe centrale conçoit un cas d'usage sans impliquer ceux qui l'utiliseront au quotidien. Le modèle fonctionne, mais personne ne l'adopte.
- La vague de POC hors système d'information. Les prototypes développés en « bac à sable » avec des données extraites manuellement fonctionnent toujours. C'est au moment de l'industrialisation — intégration au SI, passage à l'échelle de quelques testeurs à des millions d'utilisateurs — que tout bloque.
🚀 Conseil : testez vos cas d'usage dans les conditions réelles dès le départ — vraies données, vrai système d'information, vrais utilisateurs. Et intégrez l'IA dans les outils du quotidien : « il ne faut pas que ce soit un truc à côté pour que ce soit utilisé ».
Le shadow AI, risque numéro un
Guillaume prend très au sérieux l'usage parallèle d'outils publics par les collaborateurs — le fameux shadow AI. Il rappelle le précédent Samsung, dont des éléments de stratégie s'étaient retrouvés dans ChatGPT via un salarié.
La réponse de LCL tient en deux volets : d'abord un ChatGPT interne basé sur un modèle privatif, enrichi en continu pour être aussi puissant que les outils publics — « beaucoup d'entreprises ont déployé des outils internes trop limités, et la frustration renvoie les gens vers les outils publics » — ensuite la formation, pour que chacun comprenne pourquoi ces restrictions existent.
⚠️ Point important : la réglementation (RGPD, AI Act, exigences bancaires) est exigeante, mais Guillaume refuse d'en faire un alibi : « la réglementation ne doit pas être une excuse pour ne rien faire. Rien n'est insurmontable si on met en place les bons prérequis. » La sécurité se conçoit by design, parce que la confiance est l'essence même de la banque.
La banque de demain : trois modèles
Pour Guillaume, le paysage bancaire se structure en trois familles aux enjeux IA très différents : les banques régionales, qui utiliseront l'IA pour renforcer leur ancrage local et le conseil ; les banques nationales (LCL, SG, BNP Paribas), challengées des deux côtés, qui doivent automatiser le quotidien tout en offrant le meilleur du conseil humain ; et les néobanques, pour qui la banque est surtout une porte d'entrée vers une multitude de services construits sur la donnée.
Un fil rouge : l'automatisation ne déshumanise pas, elle déplace le temps humain vers les moments qui comptent — un crédit immobilier, une assurance vie, un projet de vie.
Les compétences pour ne pas subir
Le mythe qu'il démonte en premier ? L'IA qui prédit la bourse — « s'il existait un tel modèle, je ne serais pas là ». Quant aux qualités indispensables pour traverser cette transformation, il en retient deux : l'écoute pour ceux qui construisent les solutions, et la curiosité pour tous les autres.
« Les métiers vont être transformés par l'IA de toute façon. Il vaut mieux être acteur de cette transformation — comprendre, se former, tester — plutôt que la subir. »
Sa recommandation de lecture : Voyage au bout de l'IA d'Axel Cypel. Et le meilleur conseil reçu de sa carrière : « s'entourer de personnes meilleures que soi, leur faire confiance et les laisser évoluer. Dans un monde qui bouge autant, on ne peut pas tout suivre seul. »
L'épisode complet (47 min) est disponible en haut de cet article — avec le détail du processus de sélection des cas d'usage en quatre étapes et le débat build vs buy dans les systèmes bancaires.
