 | Retrouvez cet article dans notre GUIDE PRATIQUE IA génératives : cas d’usage et retours d’expérience Découvrir le numéro → |
Découvrez Le Brief de l'IT, la newsletter thématique gratuite d'Archimag dédiée aux professionnels des data, de l'IT, de la digitalisation et de la transformation numérique !Depuis sa création en 2017, le centre d’innovation de la Banque de France, baptisé le Lab, s'intéresse de manière transversale à toutes les activités de l’institution. "C’est à la fois un think tank et un "do tank"", explique Olivier Lantran, responsable et créateur du Lab de la Banque de France. "Nous sommes à la fois dans l’identification prospective de bonnes opportunités, de sujets potentiels de transformation ou impactant nos missions - stabilité financière, politique monétaire, services à l’économie, etc. - et dans l’expérimentation concrète sur des cas d’usage pour vérifier la faisabilité, lever les incertitudes et évaluer l’apport de valeur."
Si la Banque de France n’a pas attendu le boom des IA génératives pour développer des projets autour de cette technologie, celle-ci fait partie des grands sujets stratégiques. Olivier Lantran est d’ailleurs coresponsable du déploiement des outils boostés à l’intelligence artificielle au sein de l’organisation.
L’IA pour tous et l’IA pour les métiers
"Nous abordons la mise en œuvre de l’IA selon deux axes," reprend le responsable du Lab : "L’IA pour tous - c’est-à-dire pour l'ensemble de nos collaborateurs - et l'IA logée dans nos processus métiers, applications et solutions logicielles." Dans le premier cas, l’objectif de la Banque de France est de fournir des outils utilisables au quotidien pour réaliser des synthèses et résumés de documents, de la traduction automatique ou encore de l’analyse de corpus documentaire, et ce quel que soit le métier des utilisateurs. Pour le deuxième axe, la banque centrale française a retenu plusieurs projets suite à des sessions d’idéation sur l’impact de l’IA. Ainsi, cinq cas d’usage prioritaires sont actuellement en cours de production. "Nous avons passé la phase d’expérimentation et ils seront industrialisés en moins de six mois", indique Olivier Latran.
Cas d'usage n°1 : lutter contre le blanchiment d’argent
Dans le cadre de ses missions de lutte contre le blanchiment d’argent, la Banque de France utilise l’intelligence artificielle pour collecter et agréger de données. "L’objectif est d’affiner nos traitements et nos modèles prédictifs de détection des fraudes, notamment pour diminuer la part de ‘faux positifs’ grâce à l’IA", détaille le responsable du Lab. "Cela fait gagner beaucoup de temps à nos collègues."
Cas d'usage n°2 : l’accompagnement de proximité
Sur tout le territoire, la Banque de France dispose d’agents qui accompagnent le grand public dans leurs relations à la finance (difficultés, surendettement, etc.) et sur toutes les questions économiques. "Bien que ces interactions soient cruciales, compte tenu des sujets abordés, l’infobésité liée à la base de connaissances jusqu'ici à disposition de ces agents ne favorisait pas la création d’une vraie relation avec le public", reprend Olivier Lantran. "L'objectif de ce cas d'usage est de fournir à nos collègues un outil d’IA générative leur permettant de répondre de manière efficace et rapide aux questions qui leur sont posées".
La solution développée offre ainsi la possibilité d’interroger la base en langage naturel et d’obtenir très rapidement des informations synthétiques avec leurs sources documentaires. "Nous avions un panel d’une centaine de testeurs parmi nos agents territoriaux (Ndlr : l'outil n'était pas encore industrialisé lors de l'interview, fin novembre 2025, mais il est aujourd'hui déployé pour tous les agents)", précise Olivier Lantran. "Les ‘techno addict’, conquis d'avance, n'ont pas été déçus. Et ceux qui étaient les plus méfiants ou en retrait ont réalisé l’intérêt de l’outil. Certains sont même devenus de vrais ambassadeurs."
Cas d'usage n°3 : la recherche augmentée
"Ce cas d’usage mêle recherche augmentée et analyse documentaire", poursuit le responsable du Lab. Au sein de l’institution, des gestionnaires en ressources humaines (RH) de proximité accompagnent les collaborateurs dans la gestion des RH ou dans leurs évolutions de carrière. "Ils ont souvent des questions récurrentes sur certains avantages, sur des prestations ou sur des jours et types de congés possibles, ce qui représente un temps conséquent, parfois au détriment de problématiques plus complexes qu’il faut néanmoins traiter."
Sur le même principe que l’IA générative à destination des agents territoriaux, l’outil met à disposition des agents RH un assistant conversationnel qui s’appuie cette fois-ci sur les données de référence RH et sur les réglementations en vigueur. "L'engouement pour cet outil est général !", se réjouit Olivier Lantran. "Au point que nous envisageons de déployer progressivement cette solution dans d’autres domaines, qui traitent eux aussi de sujets réglementaires potentiellement complexes, avec une masse documentaire très importante, comme pour les règles de sécurité de l'information". Afin de préparer ces déploiements futurs, la Banque de France priorise actuellement l’indexation de l’ensemble de ses référentiels présents dans les intranets des différentes directions générales "métiers".
Cas d'usage n°4 : ingérer, indexer et interroger des masses de données
En tant que superviseur, la banque centrale française assure des actions de contrôle auprès des grandes banques et des sociétés d'assurance. "À chaque mission, nos contrôleurs récupèrent une masse de données conséquente et très riche, qui peut parfois atteindre plusieurs téraoctets", explique Olivier Lantran. "Cela soulève deux problématiques importantes : d'abord, la capacité à ingérer et à intégrer cette quantité d’informations pour réaliser les contrôles, ensuite, le caractère sensible de ces données, puisqu’elles ne nous appartiennent pas." Pour le responsable du Lab, faire appel à des IA exogènes fonctionnant sur des clouds publics - et donc non maîtrisables - n'est pas envisageable.
"Nous nous sommes donc dotés de capacités d'IA en propre, c’est-à-dire de GPU installés dans les data centers de la Banque de France qui nous permettent de disposer d'une puissance de calcul suffisante", précise Olivier Lantran. Et en matière de modèle de langage, l’institution a misé sur la solution du français Mistral AI. L’outil promet un gain de temps considérable pour les contrôleurs : à l’image d’une boîte à outils, il permet d’indexer, d’échanger en langage naturel sur le corpus documentaire, de faire des croisements de documents, des tableaux, de la traduction ou encore de la transcription. "L’IA ne remplacera ni le contrôleur ni son expertise", prévient le responsable du Lab. "Elle lui simplifie néanmoins la tâche pour qu’il se concentre sur la véritable substance scientifique de son travail".
Cas d'usage n°5 : le document intelligent
Au sein de la Banque de France, certaines équipes sont chargées du monitoring et de la surveillance des produits financiers, à l’image des assurances-vie. "Ces produits doivent respecter un format standardisé, mais avec un certain degré de liberté que peuvent prendre les banques et les assurances", explique Olivier Lantran. "Les analystes sont donc amenés à croiser des informations dans des documents de formats hétérogènes." Pour faciliter la collecte et l'intégration de ces données au sein des outils de monitoring, l’IA se charge alors de l’extraction et de la reconnaissance d’informations. "Les superviseurs peuvent ensuite alimenter leurs tableaux de bord pour le suivi qualité des informations, dans leur exhaustivité et dans le respect de la réglementation."
Souveraineté et sécurité des données
La Banque de France s’adapte à la sensibilité des données manipulées au gré de ses différents projets faisant appel à l'IA. "Lorsque les données sont publiques et non confidentielles, nous nous autorisons à utiliser des capacités de cloud externe et des environnements basés sur les technologies Microsoft", précise Olivier Lantran. Mais lorsque la sensibilité des données l’exige, la souveraineté des solutions utilisées reste un véritable critère de choix. "Nous misons alors, quand c'est possible, sur des solutions françaises ou européennes, comme sur le moteur de recherche français Sinequa ou sur le modèle de Mistral AI."
