BNP Paribas, Crédit Agricole et Société Générale accélèrent sur les agents IA appliqués à la finance et au contrôle de gestion. Trois cas, des gains de temps réels, mais aussi des limites qui méritent d'être regardées en face.
Depuis début 2026, les grands groupes bancaires français ne communiquent plus sur des expérimentations isolées mais sur des déploiements à l'échelle. 57 % des responsables informatiques du secteur bancaire anticipent une adoption généralisée, voire une intégration complète, des agents d'IA dans la gestion des risques, la conformité et la détection des fraudes d'ici trois ans, estime Accenture dans son rapport « Unconstrained Banking ». Cette dynamique touche désormais directement les fonctions finance et contrôle de gestion, longtemps restées en retrait derrière les sujets de risque, de conformité et de relation client.
Ce panorama s'appuie sur trois déploiements documentés dans des banques françaises : BNP Paribas et son partenariat agentique avec Google Cloud, Crédit Agricole et sa stratégie d'« agentique pour tous », et Société Générale avec son plan de réduction de coûts porté par l'IA. Pour chacun, nous détaillons ce qui a été fait, ce qui a été mesuré, et ce qui reste à résoudre.
BNP Paribas a signé un accord de cinq ans avec Google Cloud lui permettant d'accéder aux infrastructures cloud et technologies d'intelligence artificielle de Google Cloud, notamment Gemini Enterprise et les modèles Gemini, avec des premiers cas d'usage prévoyant l'intégration des modèles Gemini dans LLM@CIB, l'assistant interne d'IA générative de CIB, ainsi que le déploiement de cas d'usage d'IA agentique au sein de Corporate & Institutional Banking.
Le cas d'usage le plus directement lié au contrôle de gestion et à l'analyse financière concerne la préparation des dossiers de crédit : les premiers déploiements prévus en CIB sont des agents IA assignés à des flux de travail ciblés, dont la préparation des mémos de crédit d'entreprise pour assister les équipes, avec d'autres applications prévues dans les activités de vente, trading, recherche et structuration de la division. Côté gouvernance, la banque a choisi une architecture multi-fournisseurs plutôt qu'un fournisseur unique : BNP Paribas signe avec Google pour déployer des agents IA dans sa banque d'affaires, tout en réservant certains usages sensibles à Mistral, distribuant ainsi les rôles entre ses fournisseurs d'IA.
Le directeur des systèmes d'information du groupe justifie ce choix par un impératif de contrôle : « une approche multi-cloud et multi-modèle nous offre la flexibilité nécessaire pour sélectionner, pour chaque cas d'usage, le modèle, l'infrastructure et le niveau de contrôle les plus adaptés à nos exigences », explique Marc Camus, directeur des systèmes d'information du groupe BNP Paribas, les enjeux concernant la qualité et la sécurité, tout en garantissant le meilleur équilibre entre coût et valeur. Ce déploiement ayant été annoncé fin septembre 2026, aucun chiffre de gain de temps mesuré n'est encore public : l'intérêt de ce cas réside surtout dans la méthode de pilotage retenue, qui distingue explicitement les usages sensibles (traités en interne, sur Mistral) des usages agentiques à plus forte valeur ajoutée métier, confiés à un partenaire cloud.
Le périmètre initial reste volontairement restreint à la préparation documentaire, sans délégation de la décision de crédit elle-même. C'est une constante que l'on retrouve dans la plupart des déploiements bancaires sérieux : l'agent prépare, l'humain décide.
Le Crédit Agricole a choisi une approche différente : plutôt qu'un déploiement centralisé sur un processus unique, le groupe mise sur la diffusion d'outils de création d'agents à l'ensemble des métiers, y compris aux fonctions support. Le groupe a annoncé 500 millions d'euros d'investissements sur trois ans, la création d'une entreprise IA interne, de nouvelles infrastructures de calcul et une volonté affichée de mutualiser les briques technologiques les plus complexes tout en conservant l'agilité des différentes entités du groupe.
Le Chief Data & AI Officer du groupe décrit précisément le cas du contrôle de gestion comme un terrain d'application de cette logique de self-service agentique : « il y a l'agentique pour tous. La grande famille des assistants collaborateurs d'il y a trois ans est devenue l'agentique pour tous : la capacité pour un métier, voire pour le collaborateur lui-même, de faire des agents pour son petit service de comptabilité ou de contrôle de gestion. »
Ce choix organisationnel n'est pas sans risque, et le même dirigeant le reconnaît directement s'agissant de la fiabilité des modèles déployés à grande échelle : « le zéro hallucination, ce n'est pas vrai », rappelant que le Crédit Agricole est officiellement entré dans l'ère des arbitrages industriels de l'IA agentique. Sur des processus déjà industrialisés comme le traitement documentaire, le groupe dispose en revanche de résultats chiffrés : le Data Lab du Crédit Agricole a développé une IA documentaire pour accélérer le contrôle des pièces remises par les clients, sur un volume de 1,1 million d'entrées en relation par an, avec 5 à 6 documents à contrôler par entrée en relation et environ 3 minutes de contrôle par document. Le résultat mesuré est net : « nous avons réussi à faire gagner 50 % de temps par document contrôlé à nos collaborateurs », précise la chef de projet, tout en rappelant que les IA créées ont pour vocation de simplifier le contrôle des éléments reçus, mais pas de l'automatiser : la validation du dossier reste toujours à la main du contrôleur.
Un modèle décentralisé d'« agents pour tous » impose une gouvernance transversale forte, faute de quoi chaque service recrée ses propres règles de validation. C'est précisément le type d'accompagnement que propose notre offre de formation aux agents IA pour les équipes finance qui veulent construire leurs propres automatisations sans perdre le contrôle du risque modèle.
Société Générale a adopté l'approche la plus directement budgétaire des trois, en intégrant l'IA dans son plan stratégique présenté fin septembre 2026. La banque s'attend à ce que le recours à l'intelligence artificielle contribue de manière significative aux efforts de réduction des coûts, à hauteur d'au moins 500 à 600 millions d'euros, dont environ 350 millions déjà « intégrés » dans les prévisions jusqu'en 2029. Cette trajectoire s'accompagne d'un objectif de réduction des coûts à moins de 16,3 milliards d'euros d'ici 2029, grâce notamment à une réduction des dépenses informatiques et du nombre d'employés par le biais du renouvellement naturel du personnel.
Un chiffre antérieur, cité par un cabinet d'analyse en 2026, situe l'ambition de création de valeur : Société Générale vise par exemple 500 millions d'euros de création de valeur annuelle grâce à l'IA d'ici fin 2026. Sur le terrain du pilotage financier proprement dit, la banque figure parmi les clients de référence d'éditeurs spécialisés en prévision de trésorerie assistée par IA : Kyriba, dont le moteur IA couvre le cash forecasting prédictif et la détection d'anomalies de paiement, compte Société Générale parmi ses clients de référence, aux côtés de Groupe TP, Ubisoft International ou Dassault Systèmes.
Le risque de ce type d'annonce est de confondre objectif financier global (réduction de coûts du groupe) et gain de productivité mesuré sur un processus de contrôle de gestion précis. Les 500 à 600 millions d'euros annoncés couvrent l'ensemble des usages IA de la banque, pas seulement le contrôle de gestion : un décideur doit donc rester prudent avant de transposer ce chiffre à son propre périmètre.
Au-delà des annonces stratégiques, les données disponibles sur des processus comparables en finance d'entreprise donnent un ordre de grandeur utile pour cadrer les attentes d'un projet de contrôle de gestion. Les rapprochements comptables absorbent environ 30 % du temps total de clôture ; l'IA résout désormais 85 % des écritures de rapprochement sans intervention humaine, et le taux d'erreur passe de 2 à 5 % en traitement manuel à moins de 0,3 % avec un traitement automatisé. Sur la clôture dans son ensemble, un guide spécialisé publié début 2026 chiffre ainsi l'effet cumulé : les agents IA comptables traitent factures, réconciliation et clôture sans intervention humaine, le coût par facture passant de 8-15 € à 3 €, et la clôture de 8-10 jours à moins de 4.
Ces chiffres doivent être lus avec prudence méthodologique : ils proviennent de contextes d'entreprise généralistes et non spécifiquement bancaires, où la complexité réglementaire, le volume d'entités consolidées et les exigences d'audit sont nettement supérieurs. Nos équipes accompagnent régulièrement des directions financières dans le cadrage de ce type de projet ; voir notre page d'expertise data et IA pour le détail de notre méthode d'évaluation des gains avant déploiement.
57 % des équipes finance implémentent ou planifient le déploiement d'agents IA autonomes selon Gartner, mais ce même cabinet tempère l'enthousiasme : 40 % des projets d'IA agentique seront abandonnés avant fin 2027. Ce taux d'échec élevé s'explique en grande partie par des fondations de données insuffisantes plutôt que par une limite technologique des modèles eux-mêmes.
En France, le régulateur bancaire a mis la supervision de l'IA au centre de son agenda : le 19 janvier 2026, l'Autorité de contrôle prudentiel et de résolution a présenté son programme de travail 2026, avec un axe prioritaire consacré à la préparation de la supervision de l'IA, ainsi qu'à la tokenisation. Concrètement, l'ACPR intègre déjà ses propres outils d'audit : l'autorité intègre déjà l'IA dans ses contrôles, notamment via des outils internes tels que LUCIA pour évaluer des modèles lors d'audits sur place. La question centrale posée aux banques évolue en conséquence : lorsque des systèmes IA deviennent plus adaptatifs et interconnectés, la question n'est plus seulement « le modèle est-il valide ? », mais « la banque sait-elle prouver en continu que l'usage reste conforme aux limites approuvées ? »
Sur des processus où une décision d'agent peut affecter un client ou un ratio prudentiel, la chaîne de responsabilité doit être documentée sans zone grise. Le basculement vers des chaînes de décision agentiques transforme la question centrale : il ne suffit plus d'identifier un responsable d'outil, il faut sécuriser une chaîne de responsabilité sans zones grises, notamment lorsque les décisions ont des effets clients ou prudentiels. C'est pour cette raison que, dans les trois cas étudiés, l'agent reste cantonné à la préparation et à l'alerte, la validation finale restant une prérogative humaine.
Pour les équipes qui souhaitent cadrer un premier cas d'usage en contrôle de gestion, nos consultants interviennent sur l'audit de maturité data, le choix du périmètre pilote et la mise en place des garde-fous de gouvernance. Plus d'informations sur notre page de contact.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus