.png)
L’IA conversationnelle, terme générique pour les systèmes de chat, de voix et de messagerie fondés sur le traitement du langage naturel et le machine learning, a largement dépassé le stade du pilote dans la banque. En janvier 2025, seuls 37 % des clients bancaires américains interrogés disaient n’avoir jamais interagi avec le chatbot d’une banque, selon le Consumer Banking Survey de Deloitte : environ deux tiers l’avaient donc déjà fait. L’adoption n’a jamais vraiment été la question ouverte de l’IA conversationnelle dans la banque. L’examen de la CFPB lui-même a constaté que, parmi les dix premières banques commerciales du pays, toutes disposent déjà d’une forme de chatbot en production.
Ce que la plupart de ces interactions ont réellement apporté s’est avéré plus difficile. Le dernier World Retail Banking Report de Capgemini a constaté que 61 % des clients de banque qui ont essayé un chatbot ont finalement contacté un humain parce que la réponse ne les satisfaisait pas, et que plus de six sur dix ont jugé l’ensemble de l’expérience simplement moyenne. L’abandon des appels, de son côté, progresse aussi bien dans les banques de premier que de second rang.
Ce n’est pas tant un échec technologique qu’un échec de déploiement, et c’est l’un des tests les plus clairs pour savoir si l’investissement d’une banque dans la transformation digitale et l’intelligence artificielle change réellement la façon dont le service est délivré, et pas seulement l’interface visible. Qu’on parle de banque conversationnelle, d’agents virtuels ou simplement d’un centre de contact plus intelligent, les sept cas d’usage ci-dessous, qui couvrent la déviation de volume, la conception de l’escalade, la prochaine meilleure action, la couverture des canaux, la préparation à l’audit, la détection de la fraude et la productivité côté collaborateurs, font la différence entre un chatbot qui mérite une place durable dans l’offre de service du secteur bancaire et un chatbot qui ajoute simplement une file d’attente devant la file d’attente.
Absorber le volume courant est le cas d’usage qui s’autofinance en premier
Les demandes à plus fort volume et de moindre complexité restent le retour le plus rapide de tout déploiement d’IA conversationnelle.
Le centre de contact de PostFinance a traité plus de 240 000 conversations avec des conseillers-ères en 2023, en parallèle d’un million d’interactions avec un agent virtuel couvrant le volume courant : consultation des soldes, historique des transactions, réinitialisation des mots de passe et autres demandes similaires. Ce ratio est tout l’enjeu : le bot ne dispute pas au ou à la conseiller-ère les mêmes demandes de clients, il traite celles qui n’avaient jamais besoin d’une personne, tout en réduisant instantanément les temps de réponse sur celles qu’il gère.
Le même schéma apparaît dans tout le secteur. Chez ING aux Pays-Bas, un chatbot classique à règles résolvait 40 à 45 % des 85 000 conversations clients hebdomadaires de la banque avant que celle-ci ne le reconstruise avec l’IA générative. Le volume restant, plus de 16 500 conversations par semaine, n’avait pas d’autre issue qu’un-e conseiller-ère. La valeur de ce cas d’usage n’a rien à voir avec l’ingéniosité des réponses du bot. Elle tient aux conversations qui n’ont jamais besoin d’un humain, ce qui libère précisément la capacité dont dépend le deuxième cas d’usage.
La plupart des banques n’ont pas encore réellement capté cette valeur, ce qu’il vaut la peine de dire clairement. Les recherches de Capgemini ont montré que seules 6 % des banques de détail ont établi une feuille de route à l’échelle de l’entreprise pour déployer la transformation portée par l’IA, alors qu’une majorité mène encore des pilotes déconnectés. Le déploiement de PostFinance est une référence utile précisément parce que la déviation de volume n’y est pas un pilote : elle fonctionne depuis assez longtemps, et à une échelle assez élevée, pour se traduire par un changement structurel dans la façon dont le service client de la banque est doté en personnel.
La vraie valeur est dans l’escalade, pas dans la déviation
Un chatbot qui ne sait pas transmettre proprement crée plus de risques qu’il n’en supprime.
Les établissements financiers devraient éviter d’utiliser les chatbots comme canal de service principal lorsqu’il est raisonnablement évident que le bot ne peut pas répondre au besoin du client, a averti la CFPB dans son examen de 2023, après qu’une part croissante des réclamations décrivait des clients pris dans des boucles sans résolution et sans voie vers une personne.
Le déploiement de La Poste Suisse est un contre-exemple net. Son taux de traitement par le bot est passé de 55 % à 72 % en environ 18 mois, non pas en rendant le bot plus intelligent isolément, mais en le faisant fonctionner aux côtés de Live Chat et de WhatsApp, avec un transfert intégré vers un humain. Le chatbot ne cherche pas à être toute la réponse. C’est une étape d’une conversation qu’une personne peut reprendre sans que le client ait à tout recommencer. Ce choix de conception, et non le modèle sous-jacent, détermine le plafond du volume qu’une banque peut automatiser en toute sécurité.
Il y a aussi ici une dimension de confiance et d’expérience client, qui s’aggrave au fil des mauvaises expériences répétées. Les recherches de Capgemini ont révélé que 17 % des clients de banque se méfient simplement des chatbots et préfèrent un-e conseiller-ère, indépendamment des performances réelles du bot. Un parcours d’escalade clair et visible ne résout pas seulement la demande immédiate de ce segment de clients. Il préserve l’engagement client après une mauvaise première tentative : le client reste disposé à réessayer le bot la prochaine fois, au lieu de le contourner par habitude pour appeler le centre d’appels.
Une conversation de service devient le moment de la prochaine meilleure action
La conversation qui résout une demande est aussi le moment le mieux placé pour qu’un-e conseiller-ère fasse une offre pertinente.
Chez BPER Banca, la durée moyenne de traitement des conversations Live Chat et AI Chatbot a baissé de 20 %, avec 700 conseillers-ères travaillant depuis Sidekick, intégré au CRM Salesforce de la banque, aux côtés de documents de connaissances validés par la banque. Une conversation plus courte et mieux informée ne se conclut pas seulement plus vite. Elle laisse de la place, au sein de la même interaction, pour que le-la conseiller-ère, plutôt que le bot, propose le produit pertinent suivant, une recommandation personnalisée au bon moment de la conversation plutôt qu’une campagne générique, tant que le contexte est encore vivant.
Cet enchaînement compte plus que l’automatisation elle-même. Le rôle du bot est de déblayer la charge d’information ; celui du-de la conseiller-ère, libéré-e de cette charge, est le jugement qu’un moment de prochaine meilleure action exige réellement. Ce type d’intégration, avec les données du CRM et des systèmes bancaires centraux qui alimentent la conversation déjà en cours, distingue une véritable invite de prochaine meilleure action d’une bannière de vente croisée générique.
Cela correspond à la direction que Capgemini voit prendre au marché : les banques qui associent des données clients avancées à l’IA pour proposer des offres plus personnalisées constatent que cette personnalisation se traduit directement en croissance du chiffre d’affaires, et pas seulement en scores de satisfaction, à mesure que la concurrence pour la part de portefeuille s’intensifie. Le mécanisme est celui que suggèrent les chiffres de BPER. Une conversation plus rapide et bien informée n’est pas seulement moins chère à mener. C’est le moment où une banque dispose du plus de contexte et du plus d’attention, ce qui en fait le mauvais moment pour traiter une demande que le bot aurait pu gérer trente secondes plus tôt.
Les clients choisissent le canal ; l’IA conversationnelle doit les suivre
Déployer l’IA conversationnelle sur un seul canal alors que les clients en utilisent trois autres va à l’encontre de l’objectif.
La Poste Suisse traite désormais plus de 200 000 demandes d’assistance client par mois via le chatbot, Live Chat et WhatsApp, WhatsApp à lui seul enregistrant plus de 4 000 conversations quelques semaines après son lancement. Vingt pour cent des demandes qui arrivaient auparavant par téléphone ou par e-mail passent désormais par des canaux textuels en direct.
Rien de tout cela n’est arrivé parce que WhatsApp serait un canal supérieur au support téléphonique. C’est arrivé parce que les clients s’y trouvaient déjà. Un cas d’usage d’IA conversationnelle limité à un seul canal n’est en réalité qu’un pilote avec une meilleure communication ; la version qui change l’économie du centre de contact est celle qui est conçue pour suivre le client, pas celle qui attend que le client vienne à elle.
La couverture des canaux va toutefois dans les deux sens. La population qui se tourne de plus en plus vers WhatsApp ou le chat dans l’application comprend toujours les 17 % qui préfèrent parler à une personne plutôt qu’à un bot, mentionnés plus haut. Suivre le client, c’est garder un-e conseiller-ère joignable sur ces mêmes canaux, pas seulement un bot, afin que le choix du canal et la conception de l’escalade résolvent le même problème sous deux angles.
La liste des canaux continue elle aussi de s’allonger. Les recherches de McKinsey ont montré que 23 % des consommateurs utilisent déjà l’IA générative pour des tâches financières au moins une fois par mois, un canal qui n’existait guère dans la stratégie de contact de la plupart des banques il y a deux ans. Un déploiement d’IA conversationnelle conçu pour s’étendre à plusieurs canaux, plutôt que pour en posséder un seul, est celui qu’il ne faut pas reconstruire chaque fois que le comportement des clients change à nouveau.
Chaque conversation assistée par l’IA doit pouvoir résister à un audit
Un déploiement d’IA conversationnelle qui ne peut pas produire un enregistrement propre est un risque de conformité en attente.
L’examen de la CFPB en 2023 a été explicite : des réponses inexactes ou incomplètes d’un chatbot peuvent constituer une violation du Consumer Financial Protection Act, que quelqu’un à la banque ait ou non voulu causer un préjudice. Ce risque ne disparaît pas avec un meilleur modèle ; c’est une question de conformité réglementaire autant que de produit. Il se traite au niveau de la plateforme, par ce qui est journalisé, conservé et rendu produisible sur demande au regard des exigences réglementaires applicables.
C’est là que la certification auditée, et non le langage marketing, est convaincante, qu’il s’agisse de SOC 2, d’ISO 27001 ou de PCI DSS pour tout ce qui touche aux données de cartes de paiement. La plateforme d’Unblu est certifiée SOC 2 Type 2, auditée par BDO selon les AICPA Trust Service Criteria, ainsi que ISO 27001, 27017 et 27018, qui couvrent la sécurité des applications cloud et la confidentialité des données. Pour un-e responsable de la conformité qui évalue l’IA conversationnelle au regard de ces exigences réglementaires, c’est le cas d’usage sous le cas d’usage : non pas savoir si le bot peut répondre à une question, mais si la banque peut reconstituer exactement ce qu’il a dit et pourquoi, des mois plus tard, sur demande.
Le périmètre audité compte autant que les certificats eux-mêmes. L’attestation SOC 2 Type 2 d’Unblu couvre l’infrastructure précise sur laquelle les conversations s’exécutent, les déploiements sur Google Cloud Platform et Swiss Open Telekom Cloud, appuyés par un SLA engagé de 99,75 % sur Unblu Financial Cloud. C’est la différence entre un fournisseur qui cite une certification dans l’abstrait et un fournisseur dont les auditeurs ont réellement examiné l’environnement par lequel transitent les conversations clients d’une banque.
Détecter la fraude avant que le client n’ait à la signaler
La détection de la fraude est l’un des cas d’usage que les collaborateurs de banque eux-mêmes sont les plus enthousiastes à automatiser, et l’IA conversationnelle s’y trouve de plus en plus en première ligne.
Les collaborateurs de banque se montrent plus enthousiastes à l’idée que des copilotes d’IA générative automatisent la détection de la fraude que pour presque toute autre application, selon les recherches de Capgemini, devant la visualisation de données et la rédaction de contenu client personnalisé. En pratique, la même couche conversationnelle qui traite une demande de solde peut aussi faire remonter une alerte de fraude ou de sécurité dès qu’un schéma de transaction paraît anormal, et en avertir le client ou le-la conseiller-ère avant qu’un litige ne soit soulevé.
Cela recoupe volontairement le cas d’usage de préparation à l’audit ci-dessus. Une alerte de fraude délivrée par un canal journalisé et auditable remplit deux fonctions à la fois : elle signale l’anomalie, et elle crée l’enregistrement dont une équipe de conformité aurait besoin si ce signalement devenait un litige formel par la suite.
Le gain de productivité va au-delà du client, jusqu’aux personnes derrière le bot
Le cas d’usage d’IA conversationnelle le plus durable n’est pas du tout orienté client. C’est ce que le bot permet au ou à la conseiller-ère de faire ensuite.
McKinsey estime que l’IA générative pourrait ajouter 200 à 340 milliards de dollars de valeur annuelle à la banque, soit 9 à 15 % du résultat d’exploitation du secteur, et que l’essentiel proviendrait de gains de productivité plutôt que de nouveaux revenus. Les cas d’usage de l’IA conversationnelle orientés client sont les plus visibles. C’est ici que la plus grande partie de la valeur s’accumule réellement.
Dans les centres de contact de conseil patrimonial en particulier, Capgemini a constaté que l’IA conversationnelle peut réduire de 26 % les appels traités par des humains et de jusqu’à 30 % les coûts de service en 12 à 24 mois, une banque d’investissement britannique anonymisée ayant fait passer le containment de son chatbot de 30 % à 65 à 70 % dans l’intervalle. Le déploiement de PostFinance rapporte lui-même des gains d’efficacité équivalant à environ 40 postes à temps plein, obtenus par l’automatisation sur tous les canaux qu’elle exploite.
Des chiffres de cette nature apparaissent rarement sur un tableau de bord orienté client, ce qui explique pourquoi ce cas d’usage est sous-pondéré dans la plupart des business cases d’IA conversationnelle. Le résultat le plus mesurable du bot n’est pas la conversation qu’il mène. C’est la conversation qu’il retire de la journée de quelqu’un d’autre, et le chiffre de 40 ETP de PostFinance est l’un des rares endroits où l’estimation abstraite de McKinsey ci-dessus devient un chiffre autour duquel un-e responsable de centre de contact peut réellement planifier ses effectifs.
Ce qui relie ces sept cas d’usage
Aucun de ces cas d’usage ne porte vraiment sur le bot. Ils portent sur l’endroit où une banque choisit de placer le transfert : quelles conversations elle laisse entièrement de côté, lesquelles elle confie à une personne et à quel moment, et ce qui est journalisé en chemin. Si cet enchaînement est bon, un déploiement d’IA conversationnelle cumule de la valeur sur le coût du service, le temps des conseillers-ères et la préparation à l’audit en même temps. S’il est mauvais, il ne fait que déplacer le même goulot d’étranglement un écran plus tôt, ce qui est exactement le résultat derrière le chiffre de 61 % de Capgemini en tête de cet article.
Il n’est pas non plus nécessaire de passer à un agent IA entièrement autonome pour tout cela. Chacun de ces sept schémas fonctionne avec une couche conversationnelle associée à une supervision humaine au bon moment, bien en deçà du territoire de l’IA agentique que certains déploiements du secteur bancaire visent aujourd’hui.
PostFinance, BPER Banca et La Poste Suisse mènent des déploiements assez différents, respectivement l’absorption de volume en banque de détail, le service assisté par les conseillers-ères et l’orchestration multicanale, mais chacun traite la conception du transfert comme le véritable produit, et non comme une réflexion après coup ajoutée à un chatbot. C’est ce schéma qui vaut la peine d’être reproduit, bien plus que tout choix de fournisseur ou de modèle.
Unblu soutient cette approche avec Secure Messenger, Live Chat et Co-Browsing, déployables dans le cloud, dans le cloud souverain suisse ou sur site selon les exigences de résidence des données d’une banque.
