Su Yang (BNP Paribas) : « Agentifier un mauvais processus, c'est brûler des tokens pour rien »

‍Tout le monde parle d'IA. Où en est concrètement BNP Paribas ?

L'engouement remonte à ChatGPT fin 2022, mais la banque a commencé il y a une quinzaine d'années, avec le scoring crédit et la détection de fraude. Aujourd'hui, trois familles de projets coexistent : l'IA classique, l'IA générative et désormais l'IA agentique. L'Evident AI Index, référence en matière de maturité IA pour les 50 plus grandes banques mondiales, classe BNP Paribas au 11e rang mondial et au 1er rang dans la zone euro en 2025. BNP Paribas est l'une des trois seules banques au monde, avec JPMorgan et DBS, à publier un retour sur investissement réel : un portefeuille IA valorisé à 635 millions d'euros en 2025, avec un objectif de 750 millions cette année. Ce que change l'IA agentique, c'est l'échelle. L'investissement en infrastructure est plus lourd, les expertises évoluent très vite. C'est pourquoi le département AI Transformation a été créé en 2024, pour mutualiser les efforts et déployer l'IA générative puis agentique au niveau le plus efficient. Au fond, tout se ramène à quatre axes : l'expérience client, l'augmentation des collaborateurs, l'automatisation des opérations et la sécurisation des activités bancaires.

« Nous sommes l'une des trois seules banques au monde à publier un ROI sur l'IA. »

Quinze ans de transformation : qu'est-ce qui a vraiment fait bouger l'adoption ?

L'adoption, c'est le nerf de la guerre. Un outil conçu pour être utilisé ne vaut rien s'il ne l'est pas. Le tournant est venu quand nous sommes passés d'une adoption diffuse, laissée aux équipes locales, à des programmes structurés : une équipe dédiée, un système de réservation à la Doctolib où chacun prend un créneau pour ses questions d'usage. Résultat : près de 60 points de NPS gagnés en un an sur ces outils. En parallèle, un assistant IA interne est accessible à l'ensemble des collaborateurs, complété par quelques dizaines de licences Copilot là où le gain est le plus évident.

Vous travaillez avec Mistral. Pourquoi eux, au-delà du drapeau français ?

Mistral est, en pratique, le seul à vendre les poids de ses modèles, téléchargeables, avec un contrôle total, ce que les acteurs américains ou chinois ne font pas. C'est ce qui rend possible notre couche interne, le « LLM-as-a-Service », qui s'appuie sur plusieurs modèles plutôt que sur un seul : n'importe quelle application peut appeler un modèle sans avoir été conçue pour l'IA, et nous orchestrons ces différents modèles, mis à jour régulièrement. Mistral en fait partie, parmi d'autres. Une quinzaine de modèles en production, une centaine en expérimentation. Le contrat a été renouvelé pour trois ans en début d'année. Au départ, les modèles français étaient plus performants et plus frugaux. Sur les logiciels et les services, les grands acteurs technologiques américains sont désormais à parité, ce n'est donc plus le facteur différenciant. Ce que nous recherchons, c'est un partenaire de confiance pour co-construire, pas une technologie sur étagère. Un acteur français, pour nous, c'est naturel.

Passer en full OPEX dans un secteur où les fournisseurs de modèles ne dégagent pas encore de bénéfices, c'est s'exposer à une hausse des prix.

Sur les coûts, comment une banque garde-t-elle la main sur la facture IA ?

Le budget opérationnel informatique est d'environ 8 milliards d'euros par an, dont près de 10 % dédiés à la cybersécurité. Sur l'IA, l'essentiel des tokens transite par le LLM-as-a-Service, avec une orchestration développée en interne et des GPU achetés directement auprès de Nvidia, hébergés dans nos propres datacenters. Cela offre un contrôle des coûts sans commune mesure avec celui des banques, américaines notamment, qui s'appuient sur des hyperscalers. Il y a d'ailleurs un mouvement de retrait sur ce point. Passer en full OPEX dans un secteur où les fournisseurs de modèles ne dégagent pas réellement de bénéfices, c'est s'exposer à une hausse des prix. Mieux vaut investir en CAPEX et réduire l'OPEX sur le long terme. L'IA agentique coûte plus cher que l'IA classique industrialisée, mais elle reste dans des ordres de grandeur maîtrisables.

Et l'infrastructure, combien de temps faut-il pour la construire ?

Exploiter des datacenters est un métier, ça ne s'improvise pas. BNP Paribas est né en 2000 de la fusion de BNP et de Paribas, mais puise dans près de 180 ans d'héritage bancaire et plus de six décennies d'expertise informatique. Tous les grands acteurs, JPMorgan compris, ont internalisé leur infrastructure, tout simplement parce que sur les opérations de M&A, la banque d'investissement ou la communication financière, on manipule des données secrètes. Aux réglementations européennes sur l'IA et les données s'ajoutent des régulations financières qui imposent la maîtrise des données. Pour une startup, tout dépend de son adossement à des acteurs d'infrastructure existants.

L'IA change-t-elle la donne en cybersécurité ?

Sur quatre fronts. D'abord, les attaquants l'utilisent : depuis ChatGPT, nos clients sont ciblés par 1 300 % de tentatives de fraude par ingénierie sociale supplémentaires. Pas 1 300 % de pertes en plus, parce que nous avons déployé des défenses. Ensuite, l'IA aide à se défendre. Troisièmement, il faut apprendre à s'organiser différemment, à travailler avec des agents, en défense, en red teaming, en observabilité. Et quatrièmement, déployer l'IA suppose de la sécuriser : garde-fous sur les données personnelles, les interactions toxiques, le prompt injection, pour que les agents puissent opérer à grande échelle sans causer de dommages.

On peut toujours réprimander un agent après coup. Ce qui ne nous avance à rien.

Où tracez-vous la frontière entre l'agent et l'humain ?

L'humain est là par conception. Un agent n'est pas un super-développeur : si un collaborateur fait quelque chose d'imprévu, quelqu'un en est responsable ; un agent, on peut toujours le réprimander après coup, ce qui ne nous avance à rien. D'où les sujets juridiques, organisationnels et de gouvernance traités dans un programme dédié. Un exemple : une équipe commerciale à qui l'on a fourni l'Agent Builder de Microsoft a construit une vingtaine d'agents de son propre chef, et s'est demandé si l'IT était encore nécessaire. Quelques mois plus tard, la même personne croule sous les demandes de support de ses collègues, oublie l'ordre dans lequel enchaîner les agents, et découvre la charge mentale de l'orchestration ainsi que le sens du mot production. La décision finale reste humaine. La réglementation, l'AI Act autant que le RGPD, impose précisément de pouvoir basculer d'une décision automatisée vers une décision pleinement humaine dès que la santé financière d'un client est en jeu.

Quels métiers seront les plus touchés d'ici la fin de l'année ?

Le back office et le middle office, avec le KYC comme cible principale, parce qu'il se situe à l'intersection de l'efficacité et de l'expérience client. Tous les produits avec des délais de traitement longs également : les crédits immobiliers, l'octroi de crédit, le transaction banking. Le développement logiciel est le cas d'usage le plus mature, déjà déployé auprès de tous les développeurs, et nous passons à des agents plus complexes. Les métiers du M&A et de la banque d'investissement aussi, très consommateurs de recherche et de synthèse, où l'IA agentique apporte beaucoup. Le vrai message : les usages émergent presque partout, en front, middle et back office, côté métier comme côté support.

Un dernier point ?

Nous avons beaucoup parlé de technologie, mais une transformation IA repose autant sur les processus que sur les modèles. Agentifier ce qui existe déjà n'a aucun sens : agentifier un mauvais processus, c'est brûler des tokens pour rien. Et surtout, il y a la donnée, l'enfant négligé de ces transformations. Un agent qui répond à un client doit désigner le bon produit, avec des chiffres à jour, pas celui d'à côté. Sans données propres, le reste ne tient pas.