Les enjeux de l’IA du point de vue de la Banque Centrale

Mesdames et Messieurs, chers étudiants,

Je voudrais tout d’abord remercier les organisateurs de l‘Institut d’Administration des Entreprises de Brest pour leur invitation à ouvrir cet évènement consacré à l’Intelligence Artificielle et ses enjeux, en vous présentant ses enjeux du point de vue d’une Banque Centrale comme la Banque de France, une institution publique indépendante de près de 9000 personnes, membre de l’Eurosystème et du Mécanisme de Supervision Unique des banques européennes, qui a pour objectifs d’assurer la stabilité monétaire, la stabilité financière et de fournir des services à l’économie et à la société.

Pour la Banque de France l’IA affecte à la fois les objectifs qu’elle poursuit et la gestion des moyens qu’elle mobilise pour les atteindre et je vous propose donc de vous présenter successivement les enjeux auxquels est confrontée la Banque du fait de ces deux types d’impacts. 

Pour pouvoir assurer la stabilité des prix la Banque de France avec les autres banques centrales de l’Eurosystème a besoin de comprendre et de mesurer quelle va être l’ampleur de sa diffusion au sein de l’économie et son impact. Nous suivons en effet de près tous les développements susceptibles d'influencer la conjoncture économique des années à venir ainsi que les prix. Concernant l’impact de l’IA sur le PIB, même si celui-ci est complexe à appréhender car il emprunte une variété de canaux de demande et d’offre et sa quantification est difficile, je retiens des données récentes et les travaux d’études les trois observations suivantes :

• Ses effets dans l’immédiat sur l’investissement sont substantiels, notamment aux États-Unis, à l’avant-garde du développement de l’IA. Le FMI observe que depuis début 2024 le dynamisme de l’investissement des économies avancées du G20 s’explique principalement par celui du secteur américain des semiconducteurs et des logiciels. En France, l’investissement dans les logiciels et les bases de données a doublé au cours de la dernière décennie (x2,5 aux États-Unis), tandis que l’investissement dans la construction de centres de données a été multiplié par 2,5.
   
• À long terme, l’IA devrait avoir un impact significatif sur la productivité. D’après Cerutti et al (2025)¹, la croissance mondiale devrait être accrue de 0,1 à 0,4 p.p./an, en raison de la hausse de la productivité de 0,1 à 0,2 p.p./an (amplifiée de ses effets sur l’accumulation du capital et sur la demande), avec de larges écarts selon les pays. Ainsi selon Aghion et Bunel (2024)², l’adoption de l’IA au cours de la prochaine décennie pourrait augmenter la croissance annuelle de la productivité des pays développés de 0,1 à 1,2 p.p./an selon le rythme et l’ampleur de l’adoption, avec une estimation médiane d’environ 0,7 p.p. Cette fourchette est globalement cohérente avec les estimations de l’OCDE pour la France comprises entre +0,3 et +1,0 p.p./an.

• Pour l’instant, l’adoption de l’IA a eu des effets limités sur l’emploi total et ses implications pour les inégalités restent incertaines. D’après Aghion et al. (2025)³ l’analyse de données françaises portant sur la période 2017-2020 indiquent que les effets de l’adoption de l’IA devraient être positifs à horizon 4 ans. Selon une enquête récente (Yotzov et al., 2026), les déplacements de travailleurs devraient s’intensifier dans les années à venir, y compris dans les secteurs de services employant des travailleurs peu qualifiés tels que le commerce de détail et l’hôtellerie. 

En agissant sur l’économie par une variété de canaux de demande et d’offre, l’IA rend très incertain son effet global sur l’inflation et sur r*, le taux d’intérêt nominal permettant de maintenir une inflation stable avec un niveau de demande compatible avec le plein emploi. De plus, les effets de l’IA peuvent être sur le niveau mais aussi sur la volatilité de l’inflation⁴. 

Quelles conséquences tirer de ces observations pour la conduite de la politique monétaire ? À ce stade aucune ne s’impose pour ce qui concerne la politique monétaire pour la zone euro. L’impact de l’IA constitue l’un des nombreux ajustements structurels en cours (comme le changement climatique ou le vieillissement de la population) qui affectent l’offre de long terme de l’économie et la croissance potentielle. Elle représente un élément important de l’évaluation du côté de l’offre, mais ne présente pas de caractéristiques spécifiques justifiant une modification de la fonction de réaction de la politique monétaire. 

L’IA a en revanche d’ores et déjà un impact sur notre mission de stabilité financière, du fait de sa diffusion et de ses modalités d’utilisation par les intermédiaires financiers, et en particulier ceux que l’Autorité de contrôle prudentiel et de résolution (ACPR), le « gendarme » des banques et des assurances en France, qui est adossé à la Banque de France, a la tâche de superviser afin de limiter leur probabilité de défaillance. En effet, comme l’a montré une enquête récente de l’ACPR, la quasi-totalité des banques et des organismes d’assurance en France utilise désormais l’IA, que ce soit pour améliorer et personnaliser les services aux clients, pour optimiser les processus internes ou pour mieux gérer les risques. 

Pour autant, l’adoption croissante de l’IA dans le secteur financier présente un certain nombre de risques, en particulier pour la stabilité financière – que l’on pense par exemple à la dépendance des acteurs financiers aux grands fournisseurs de modèles d’IA, qui sont aussi les fournisseurs majeurs de services de cloud – et, de manière évidente, pour les consommateurs.

Ces risques justifient l’encadrement règlementaire de l’utilisation de l’IA, qui doit permettre un développement maitrisé. Ce cadre, c’est bien évidemment le règlement européen sur l’IA, mais c’est aussi la règlementation sectorielle, qui s’applique à l’IA comme à n’importe quelle technologie utilisée par les acteurs financiers.

Les superviseurs de l’ACPR sont donc dès maintenant confrontés au défi de mettre sur pied une surveillance efficace et efficiente des systèmes d’IA. Celle-ci doit être à la fois sélective – ce que nous appelons l’approche « basée sur les risques » – et approfondie, c’est-à-dire que nous devons avoir la capacité d’« ouvrir le capot » des algorithmes afin d’en examiner les caractéristiques techniques. Pour cela, nous allons devoir monter en compétence – y compris en recrutant de nouveaux talents – et nous atteler à développer une méthodologie d’évaluation de l’IA dans le secteur financier traitant notamment les nouveaux enjeux comme l’explicabilité et l’équité des algorithmes. Les superviseurs doivent enfin accompagner les établissements du secteur financier pour les aider à développer les « bons » outils de maîtrise des risques.

Outre ses objectifs l’IA impacte également la gestion des moyens que la Banque de France met en œuvre pour les atteindre et soulève de ce fait également des enjeux en matière de gestion interne que je vous propose de vous présenter maintenant. 

En effet, l’IA n’est plus un horizon lointain pour la Banque de France : c’est un outil opérationnel, déjà ancré dans notre quotidien. Pour cela nous avons construit un socle technologique robuste : une plateforme de données pleinement opérationnelle, et des compétences internes solides, allant de la data science à l’ingénierie IA. Ce socle nous a permis de déployer des cas d’usage bien réels, au service de nos missions.  En 2025, nous avons aussi déployé Copilot Chat sur l’ensemble des postes : un assistant conversationnel qui a offert à tous nos agents un premier aperçu du potentiel de l’IA dans leurs tâches quotidiennes dans un cadre strict de sécurité, limité aux données non sensibles.

Nous entrons désormais dans une phase d’accélération résolument positive. Les métiers expriment un intérêt croissant pour ces technologies : les attentes sont nombreuses, et les idées affluent de toutes parts pour transformer les pratiques. Avec les expertises déjà présentes en interne, que nous allons encore renforcer, nous disposons d’un environnement idéal pour amplifier l’usage de l’IA et en faire un levier structurant de modernisation. Pour accompagner cet élan, nous avons lancé, en février 2026, la mission « Banque Innovante ». Elle poursuit trois objectifs simples : assurer une gouvernance claire de l’IA, simplifier et automatiser nos processus métier et surtout, rendre l’IA accessible à tous, et pas seulement à quelques experts.

Cette mission s’appuie sur une feuille de route structurée en 2 volets. Le 1er volet vise à développer l’IA pour tous, en accompagnant chaque collaborateur vers un usage quotidien et éclairé de ces outils. Faire adopter l’IA par tous les collaborateurs constitue un enjeu :

• d’employabilité. Un programme de formation riche est déjà en place contribuant à garantir la montée en compétences nos collaborateurs, et ainsi assurer leur employabilité à long terme. Il sera renforcé prochainement par des dispositifs d’accompagnement ciblés, adaptés aux activités et aux domaines métier.
• de productivité, afin de gagner en productivité dans toute l’organisation par l’automatisation des tâches redondantes et chronophages, l’augmentation de la concentration des équipes sur les tâches à forte valeur ajoutée et le partage, la réutilisation des actifs IA déployés par les collaborateurs.
• et de culture en vue de libérer la capacité des équipes à s’auto-transformer. 

Le second volet vise à identifier et mettre en œuvre les actions de transformation sur nos priorités structurantes, l’efficience opérationnelle (temps agent libéré, gains d’ETP, amélioration de la productivité), la faisabilité technique et la qualité des données (fraîcheur, disponibilité, potentiel de déploiement à grande échelle, intégration au SI), ainsi que la valeur ajoutée pour le métier (amélioration de la qualité, résolution d’irritants métier, facilitation du quotidien des utilisateurs).

Comme vous le voyez l’IA est pour nous désormais un levier stratégique pour renforcer notre capacité à remplir nos missions régaliennes et moderniser notre fonctionnement. Nous bâtissons ainsi, très concrètement, la banque centrale de demain.

Permettez-moi de vous donner un exemple très concret de cette démarche. Pour nos missions de supervision, à l’ACPR, nous examinons les données issues du reporting des établissements, afin d’identifier les grandes tendances comme les signaux faibles. Il s’agit donc d’un terrain idéal pour déployer des outils – nous les appelons « SupTech » dans notre jargon – permettant aux équipes de contrôle de gagner en efficacité.

Au-delà d’améliorer la productivité, l’ambition de l’ACPR est de doter ses agents de nouvelles capacités : ne pas remplacer les humains par des machines, mais créer des équipes de superviseurs augmentés capables de faire à la fois plus et mieux. Nous avons par exemple élaboré un outil appelé « Véridic », un LLM capable d’extraire les caractéristiques des produits commercialisés en assurance-vie à partir de leur « document d’information clé » afin de les classer en fonction de leur niveau de complexité, et donc de leur risque pour les souscripteurs.

Au-delà des outils développés, les expérimentations de l’ACPR permettent de dégager un certain nombre d’enseignements pour le déploiement de l’IA : elles montrent par exemple qu’avant de déployer des outils d’automatisation, il convient bien souvent de simplifier en amont, tant les concepts que les processus, car la technologie n’a pas vocation à gérer l’ambiguïté que la complexité génère inévitablement. Un autre enseignement, c’est qu’il convient non seulement de former les agents à l’utilisation des nouveaux outils – par exemple en leur apprenant à rédiger des prompts efficaces – mais aussi, dans le même temps, de les sensibiliser aux risques que ces outils comportent. 

Je finirai mon propos en soulignant les enjeux de souveraineté dans nos choix en matière d’IA. 

Nous sommes actuellement en phase de choix d'une solution pour mettre à disposition de nos agents un assistant IA capable de traiter des données sensibles, intégré à nos outils, souverain et sécurisé.

Lorsqu’une banque centrale adopte l’IA, la question centrale n’est pas seulement : « Quelle technologie est la plus performante ? », mais aussi : « Cette technologie nous permet elle de rester maîtres de nos données et de nos systèmes ? »

Nous manipulons des informations sensibles : données bancaires, prudentielles, statistiques économiques. Elles doivent rester protégées en toutes circonstances : personne d’extérieur ne doit pouvoir y accéder, et aucun acteur privé ou public ne doit pouvoir nous en couper l’accès. Or l’IA repose largement sur des briques technologiques non européennes, ce qui crée des risques concrets : dépendance à un seul fournisseur, exposition à des lois extraterritoriales, augmentation unilatérale de tarifs, ou arrêt d’un service essentiel. Pour une banque centrale, c’est un risque de perte d’autonomie.

C’est pourquoi la souveraineté est devenue un critère essentiel dans tous nos choix d’IA.

Nous appliquons une règle simple : plus une donnée est sensible, plus elle doit rester dans nos infrastructures internes ou dans un cloud de confiance européen. Nous nous méfions du verrouillage technologique : chaque solution doit être réversible et substituable. Enfin, la souveraineté, c’est aussi la résilience : une IA n’est utile que si l’infrastructure qui la porte reste disponible, sécurisée et contrôlée.

En résumé, pour une banque centrale, l’IA n’est pas seulement un enjeu d’innovation : c’est un enjeu d’autonomie, de maîtrise et de continuité de mission. Nous devons innover, oui, mais jamais au prix de notre souveraineté. 

¹ Cerutti et al (2025), The Global Impact of AI: Mind the Gap, IMF Working Paper 25/76. Lien.
² Aghion et Bunel (2024), AI and Growth: Where Do We Stand?, Policy note de la Fed de San Francisco. Lien.
³ Aghion, P., Bunel, S., Jaravel, X., Mikaelsen, T., Roulet, A., & Søgaard, J. (2025). How different uses of AI shape labor demand: evidence from France. In AEA Papers and Proceedings (Vol. 115, pp. 62-67). Lien.
⁴ Lien : « les grandes entreprises de détail qui vendent principalement en ligne utilisent largement l’IA dans leurs processus de fixation des prix. Il a été démontré que la fixation algorithmique des prix par ces détaillants augmente à la fois l’uniformité des prix entre les différents sites et la fréquence de changement de prix […]. Cela peut en fin de compte modifier la dynamique de l’inflation ».