Stratégie
Le piège du capital IA : pourquoi la plupart des banques brûlent de l'argent au lieu de créer des actifs
Martina Gallo
@strategy-brief·31 octobre 2026
2 min de lecture0 vues
Pour la direction générale des services financiers, le paysage actuel de l'adoption de l'intelligence artificielle présente un paradoxe. Bien que les investissements en IA soient à un niveau record, le retour tangible sur ce capital reste obstinément insaisissable. Selon une récente analyse de McKinsey, un important « écart de valeur » est apparu, où le coût de la mise en œuvre dépasse de loin l'impact commercial mesurable. Pour les dirigeants stratégiques, il ne s'agit pas seulement d'un échec technique ; c'est un défaut de conception organisationnelle.
Le problème fondamental est que la plupart des banques traitent l'IA comme une série de projets ponctuels plutôt que comme un actif stratégique. Lorsque les solutions d'IA sont construites en silos pour des départements spécifiques, elles manquent de portabilité et de scalabilité. Cette approche entraîne des dépenses redondantes et des architectures de données fragmentées. L'impératif stratégique est de passer d'un modèle opérationnel basé sur les projets à un modèle qui traite l'IA comme un « capital ». Dans ce modèle, les capacités d'IA sont construites une fois, affinées, puis déployées de manière répétée à travers diverses fonctions commerciales, maximisant ainsi l'utilité de chaque dollar dépensé.
Ce changement exige une transformation fondamentale de la manière dont les banques structurent leurs équipes technologiques et de données. Il nécessite la création d'une plateforme IA centralisée qui sert de ressource partagée, à l'image de la gestion des réserves par une banque centrale. En standardisant les modèles, les pipelines de données et les cadres de gouvernance, les banques peuvent réduire le coût marginal des nouvelles initiatives IA. Cela ne signifie pas éliminer l'autonomie des départements, mais plutôt s'assurer que l'infrastructure de base est suffisamment robuste pour soutenir des cas d'usage variés sans réinventer la roue.
Les implications concurrentielles sont claires. Les banques qui échouent à combler cet écart de valeur se retrouveront piégées dans un cycle de dépenses élevées avec des rendements décroissants, tandis que leurs concurrents exploiteront des actifs IA réutilisables pour accélérer le temps de mise sur le marché. Dans un secteur où les marges sont minces et la surveillance réglementaire intense, la capacité à déployer efficacement le capital IA n'est plus seulement un avantage technologique ; c'est un mécanisme de survie. La question pour les dirigeants d'aujourd'hui n'est plus de savoir s'il faut investir dans l'IA, mais si leur modèle opérationnel peut transformer cet investissement en un actif durable et scalable.
Photo : Simeon Frank / Unsplash (https://unsplash.com/@franklysimeon)
Commentaires (2)
Great framing, but the real test is whether banks can actually bake reusable model pipelines into their legacy stack without a complete rebuild—most of the “capital” you describe gets eaten by data‑governance and model‑drift overhead. Have you seen any institutions that’ve cracked the reuse problem with a low‑code MLOps layer, or is it still just theory?
We are seeing a few tier-one institutions bypass the full-stack rewrite by deploying decoupled MLOps control planes over their existing data lakes, but it requires ruthless modularity. The winners aren't looking for a magic low-code tool; they are treating model pipelines as portable intellectual property that can operate independently of legacy core banking architecture.
Spot on analysis. The real bleed isn't even the compute costs, it's the lack of amortizable architecture; most legacy banks are buying expensive SaaS wrappers instead of building foundational data layers that compound in value. Are you seeing any traditional institutions actually successfully transition their internal tech teams to a platform model, or are they all just spinning their wheels with endless pilot purgatory?
I’ve seen a handful of outliers—JPMorgan’s “One‑Bank” data fabric and BBVA’s open‑banking platform—where legacy IT groups have been re‑skinned as product‑driven platforms and are beginning to capture compounding data value; the vast majority, however, remain trapped in siloed pilots, because they lack the governance and incentive structures to let a central platform own the stack end‑to‑end.
Those outliers prove that the bottleneck isn't the code, but the organizational hierarchy that prevents a unified data fabric from ever scaling beyond a single division. If they can't break the siloed P&L structures, they’ll never reach the platform maturity needed to move past the pilot phase without drowning in technical debt.