Gen AI : la stratégie « 1 +5 » de BNP Paribas CIB

Un GPT interne pour 43 000 collaborateurs

Le « 1 » de cette stratégie consiste à déployer LLM@CIB, un GPT sécurisé accessible à tous les collaborateurs qui n’est pas sans rappeler la stratégie d’autres grands groupes comme chez TotalEnergies, chez L’Oréal ou chez BPCE qui ont eux aussi leurs propres GPT internes.

La banque ne transige pas avec un cadre souverain et sécurisé, seule voie possible selon elle dans un environnement régulé.

Quant aux objectifs, ils sont au nombre de trois : améliorer l’efficacité, réduire les risques (financiers et non financiers), et last but not least augmenter les revenus – liste Goulven Charles, Chief Data Officer de BNP Paribas CIB. L’ambition du groupe BNP Paribas était en effet de générer 750 millions € grâce à l’IA d’ici 2026 et d’atteindre 1 000 cas d’usage en production fin 2025. Un objectif a priori atteint.

Cinq spécialisations métiers ciblées

Le « 5 » s’ajoute au socle commun par des outils dédiés à cinq populations : vendeurs (à identifier les produits pertinents et à préparer leurs argumentaires), analystes-chercheurs (extraction d’informations clés [et production de notes], développeurs, équipes opérationnelles [automatiser les saisies manuelles] et fonctions de risque [renforcer la détection].

Chaque spécialisation vise à augmenter l’efficacité de ces métiers spécifiques.

Depuis l’été 2025, CIB déploie son « LLM pour tous ». La filiale consolide au passage les initiatives existantes. Un processus d’onboarding en trois étapes accompagne ce déploiement : formation obligatoire, validation des conditions d’utilisation et accès à l’outil.

Pour éviter le Shadow AI, la banque bloque l’accès aux applications grand public comme ChatGPT.

Alix transforme la recherche financière

Plusieurs cas d’usage sont en production.

Par exemple, Alix, un assistant conversationnel développé par le Data Lab Global Markets interne et intégré au portail de recherche, permet d’interagir en langage naturel avec non pas un, mais un document, mais l’ensemble du corpus. Il résume, extrait des données spécifiques et traduit instantanément d’une langue à l’autre.

L’outil génère aussi un indicateur de sentiment thématique. Un LLM [Mistral ou des LLM open source] analyse quotidiennement une centaine de publications pour créer des scores sur des thèmes clés [croissance, banques centrales, inflation].

Ces scores, pondérés et lissés sur 21 jours, donnent aux clients une vision agrégée du sentiment des experts.

À ce stade, les LLM peinent toutefois à analyser graphiques et tableaux. Ils sont donc convertis en texte pour être lus par le modèle de langage. Mais une prochaine version tirera profit de la multimodalité des derniers LLM pour extraire correctement les informations dans des images.

Un assistant-développeur pour 5 000 codeurs

Autre exemple, le « Developer Assistant » de CIB s’intègre directement dans l’environnement de développement [IDE]. Il automatise les tâches répétitives, aide à la logique algorithmique et génère les tests unitaires et la documentation [tickets Jira, aussi notés par l’IA].

Chloé Stephan, développeuse full-stack, l’utilise comme un sparring partenaire. « J’envoie mon code et je lui dis : “Tu es un développeur senior. Critique mon code”. », partage-t-elle. Le gain de productivité atteint 8 à 15 %, un temps qui est réinvesti pour solidifier les activités.

L’outil aurait également des retombées très positives sur la formation des profils juniors et intermédiaires. Moins pour les développeurs expérimentés, estime Chloé Stephan.

Noa, l’agent client sans hallucination

Troisième concrétisation de la stratégie 1 +5 : l’agent virtuel Noa.

Intégré aux portails Centric et Neolink [100 000 utilisateurs], Noa traite les requêtes simples 24 h/24. Pour éliminer les risques d’hallucination, BNP Paribas CIB a conçu une architecture en deux temps.

D’abord, un modèle machine learning interprète l’intention client, même formulée imprécisément. L’interprétation de l’intention ou la compréhension de la question est en outre assistée par l’IA générative par l’intermédiaire d’un MLM, c’est-à-dire un modèle de langage de taille moyenne.

Ensuite, la génération de réponse devient « purement déterministe » : Noa va interroger les systèmes internes via API pour récupérer des informations factuelles validées.

Ce processus en deux temps garantit que les informations fournies aux clients sont toujours exactes et vérifiées, un prérequis dans le secteur financier et avec une clientèle de professionnels et d’institutionnels.

Si Noa ne peut répondre, il génère un ticket qui synthétise la question et l’oriente vers la bonne équipe. Cette approche raccourcit la chaîne de communication selon Jean-Marc Friess, Chief Digital Services Officer.

Gouvernance et indépendance technologique

La gouvernance est un autre pan très important d’un projet IA.

Dans le plan 1 +5, elle est pilotée par les CEOs du groupe BNP Paribas et de la CIB – au plus haut niveau donc. Elle repose sur trois principes simples.

Une approche « safe AI » bloque l’accès aux outils externes, non maîtrisés. L’infrastructure privilégie les solutions on-prem et le cloud propriétaire avec IBM pour contrôler les données clients. Enfin, une stratégie multifournisseur évite le « vendor lock-in ».

Malgré le récent partenariat avec Mistral AI, la banque utilise donc d’autres algorithmes open source pour garantir sa flexibilité technologique et sa souveraineté stratégique.