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

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

L'engouement remonte à ChatGPT fin 2022, mais la banque a commencé il y a environ quinze ans, avec le scoring de crédit et la détection de fraude. Aujourd'hui, trois familles de projets coexistent : classique, générative, et désormais agentique. L'Evident AI Index, référence sur la maturité IA des 50 plus grandes banques mondiales, place les banques de la zone euro en tête en 2025, avec une progression nette sur l'année. 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 750 millions visés cette année. Ce que change l'IA agentique, c'est l'échelle. L'investissement en infrastructure est plus lourd, les compétences évoluent très vite. C'est pourquoi le département AI Transformation a été créé en 2024 : 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 est la clé. Un outil conçu pour être utilisé ne vaut rien s'il ne l'est pas. Le tournant est venu du passage 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 » : n'importe quelle application peut appeler un modèle sans avoir été conçue pour l'IA, et nous orchestrons des modèles que nous mettons à jour régulièrement. 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 services, les grandes technos américaines sont désormais à parité, ce n'est donc plus le différenciateur. 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 font pas d'argent, c'est s'exposer à une hausse des prix.

Sur les coûts, comment une banque garde-t-elle la maîtrise de la facture IA ?

Le budget d'exploitation informatique tourne autour de 8 milliards d'euros par an, dont environ 10 % vont à la cybersécurité. Sur l'IA, la grande majorité 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 bien supérieur à celui des banques, américaines notamment, qui s'appuient sur des hyperscalers : on parle d'ordres de grandeur. 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 font pas vraiment d'argent, 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 du jour au lendemain. BNP Paribas a 200 ans, avec environ cinquante ans d'informatique derrière elle. Tous les grands acteurs, JPMorgan y 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 confidentielles. Aux réglementations européennes sur l'IA et les données s'ajoutent les contraintes 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 en plus. Pas 1 300 % de pertes supplémentaires, parce que nous avons déployé des défenses. Ensuite, l'IA aide à se défendre. Troisième point : il faut apprendre à s'organiser différemment, à travailler avec des agents, en défense, en red teaming, en observabilité. Enfin, déployer l'IA, c'est aussi la sécuriser : garde-fous sur les données personnelles, les interactions toxiques, le prompt injection, pour que les agents puissent fonctionner à grande échelle sans dommage.

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 présent 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 dotée de l'Agent Builder de Microsoft a développé une vingtaine d'agents de son côté 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, découvre la charge mentale de l'orchestration et le sens du mot production. La décision finale reste humaine. La réglementation, l'AI Act comme le RGPD, impose d'ailleurs de pouvoir passer d'une décision automatisée à une décision entièrement 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, car il se situe à l'intersection de l'efficacité et de l'expérience client. Tous les produits à long délai de traitement également : le crédit immobilier, l'octroi de crédit, le transaction banking. Le développement logiciel est le cas d'usage le plus mature, déjà déployé pour l'ensemble des développeurs, et nous passons à des agents plus complexes. Les métiers du M&A et de la banque d'investissement, très consommateurs de recherche et de synthèse, bénéficient aussi considérablement de l'IA agentique. Le vrai message : les usages émergent presque partout, front, middle, back, métiers, fonctions support.

Un dernier point ?

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