Comment Alpian intègre l’IA dans la banque
Chez heyneo, nous sommes plutôt mordus de nouvelles technologies. Alors, nous voulions comprendre comment se passe exactement l’arrivée de l’IA dans une banque suisse. Nous avons rencontré encore plus geek que nous : Damien Chambon, directeur Cloud, Data & IA chez Alpian. Avec plus de quinze ans d’expérience, il a accompagné le passage de nombreux projets IA du stade de prototype à la production, notamment dans des environnements régulés.
Nous l’avons rencontré pour discuter et lui poser toutes nos questions. Comment conjugue-t-on LLM et données bancaires ? Pourquoi certains calculs ne doivent jamais être confiés à une IA générative ? Où tournent les modèles ? Comment l’IA est-elle utilisée dans l’app et par les équipes ? Comment Alpian protège-t-elle les données et répartit-elle les rôles entre l’IA et les collaborateurs ?
Nous partageons cette première rencontre passionnante pour comprendre ce qui se passe réellement en coulisse lorsqu’une banque suisse comme Alpian commence à intégrer l’IA dans ses produits et son fonctionnement.
[Entretien réalisé le 31 août 2026]
Comment l’IA impacte-t-elle le marché bancaire et pourquoi Alpian doit-elle adopter cette technologie pour ne pas être dépassée par la concurrence ?
L’IA change l’économie de la personnalisation : ce qui était réservé au private banking traditionnel (conseil sur mesure, réactivité, disponibilité) devient scalable. Pour Alpian, dont la promesse a toujours été de démocratiser cette expérience, l’IA n’est pas une option mais plutôt un accélérateur pour concrétiser notre vision.
D’ailleurs, la concurrence ne se limite pas uniquement aux banques : les attentes des clients sont formées par les meilleurs produits tech qu’ils utilisent au quotidien. Une application bancaire est comparée à ChatGPT, Gemini ou Claude, pas seulement à l’application e-banking d’un concurrent.
Il faut cependant être clair sur un point : il n’a jamais été question chez Alpian de remplacer le conseiller par une IA. Notre modèle repose précisément sur la relation humaine, c’est ce qui nous distingue. L’IA vient en soutien : elle absorbe les tâches répétitives, prépare le terrain pour les conseillers et synthétise l’information pour que ceux-ci consacrent leur temps à ce qui a le plus de valeur : la relation, le jugement, le conseil. Chez Alpian, on n’automatise pas la relation, on automatise ce qui empêche d’y consacrer du temps.
Et c’est là que la mise en perspective est intéressante : le risque concurrentiel n’est pas d’être remplacé par l’IA, mais d’être dépassé par ceux qui auront rendu leurs équipes plus efficaces grâce à elle.
Qu’est-ce qu’Alpian cherche à accomplir avec l’IA au niveau opérationnel ?
Sur le marché en général, l’IA au niveau opérationnel se concentre toujours sur les mêmes cas d’usage : le support client, la production documentaire, l’assistance aux développeurs et la recherche d’information interne. Rien de vraiment spécifique à la banque là-dedans et c’est précisément le point : ces gains sont désormais accessibles à toute organisation, quelle que soit sa taille.
Ce qui change pour une banque, c’est le niveau d’exigence. Chaque cas d’usage doit être auditable, explicable et conforme au cadre réglementaire suisse. C’est toute la différence entre faire une démo impressionnante et mettre un système en production face à de vrais clients bancaires.
Chez Alpian, nous poursuivons trois objectifs.
1. L’expérience client
Notre assistant IA permet à nos clients d’analyser leurs dépenses en langage naturel, dans quatre langues, avec des réponses basées sur leurs transactions. Une réponse immédiate, personnalisée directement dans notre application mobile.
2. L’efficacité opérationnelle
L’IA absorbe les tâches routinières (synthèse de dossiers, recherche dans la base de connaissances, support aux développeurs) pour que nos équipes concentrent leur temps là où l’humain fait la différence.
Cette efficacité repose sur un socle invisible mais décisif : la donnée. Chaque événement de notre plateforme bancaire (une transaction, une ouverture de compte, une interaction client) est capté en continu et alimente notre entrepôt de données central. Une source unique, structurée et toujours à jour.
Nos équipes peuvent ainsi interroger directement ces données via des agents IA internes, en langage naturel, sans dépendre d’une équipe technique pour chaque analyse. Une équipe qui utilise l’IA rivalise aujourd’hui avec des structures bien plus grandes : l’avantage compétitif se déplace de la taille vers la vitesse d’exécution.
3. La maîtrise des risques
Ce volet inclut la détection d’anomalies, le screening de conformité et la réduction des faux positifs qui mobilisent inutilement les analystes. C’est le volet le moins visible, mais dans une banque régulée, c’est peut-être celui où l’IA crée le plus de valeur en rendant la vigilance plus fine, pas moins humaine.
L’IA ne remplace aucune décision. Elle prépare, accélère, filtre et laisse le jugement final à la discrétion de l’humain.
Comment Alpian s’empare-t-elle de la technologie et comment arbitre-t-elle ses choix techniques ?
Nous ne développons pas nos propres modèles d’IA. Cela n’aurait aucun sens, ni économiquement ni techniquement, face aux milliards investis par les grands laboratoires. Nous consommons les meilleurs modèles du marché via les services managés de Google, notre plateforme depuis le premier jour, avec les données de nos clients hébergés en Suisse.
En revanche, tout ce qui fait la valeur d’Alpian, nous le construisons : l’orchestration des agents, la connexion sécurisée et privée aux données bancaires de nos clients et bien entendu les contrôles qui encadrent chaque réponse. Le LLM (Large Language Model) est un composant, le produit c’est tout ce qu’il y a autour.
Notre doctrine tient en une phrase : acheter ce qui ne nous différencie pas, construire ce qui nous différencie.
Nous privilégions les solutions ouvertes et open source, en particulier lorsqu’elles sont largement adoptées comme standards de l’industrie. C’est le cas pour l’infrastructure, le monitoring ou les protocoles d’interopérabilité entre agents IA. Un standard ouvert, c’est une assurance de réversibilité et nous ne voulons être captifs d’aucune technologie propriétaire.
Comment arbitrons-nous ? Chaque technologie passe par le même filtre.
D’abord le cadre réglementaire : une banque suisse choisit ses fournisseurs avec un formalisme qu’une startup n’a pas. Chaque prestataire critique fait l’objet d’une évaluation de risque formelle et la localisation des données est une contrainte non négociable.
Ensuite, la taille de l’équipe : chaque brique technologique que nous intégrons est une brique que nous devrons maintenir pendant plusieurs années. Mal choisie, c’est de la dette technique garantie et une équipe modeste ne peut pas se permettre d’en accumuler.
Enfin, la vitesse : dans l’écosystème IA, le paysage change tous les six mois. Nous privilégions donc les choix qui préservent notre capacité à changer d’avis.
Cela donne une philosophie assumée : une technologie éprouvée, presque « ennuyeuse » pour les fondations et l’innovation concentrée là où le client la voit. L’audace, ce n’est pas les technologies à la mode. L’audace, c’est de savoir où innover et où être « sobre ».
L’IA travaille-t-elle sur l’appareil du client ou côté serveur ?
Aujourd’hui, pour notre assistant, l’inférence se fait intégralement côté serveur, chez Google Cloud et les données de nos clients sont hébergées en Suisse. Le téléphone de notre client ne voit jamais le modèle : l’application dialogue avec nos API sécurisées, qui orchestrent l’IA depuis notre infrastructure.
Ce choix repose sur trois raisons.
La première est technique : les modèles capables d’un raisonnement de qualité bancaire sont trop volumineux pour tourner sur un smartphone et le resteront encore un moment.
La deuxième est réglementaire et c’est la plus structurante : dans une banque, chaque réponse générée par une IA doit être traçable et auditable. Nous devons pouvoir reconstituer ce que le modèle a répondu et sur la base de quelles données (contexte). Cette exigence impose une architecture centralisée : on ne peut pas auditer simplement ce qui s’exécute sur des millions d’appareils hétérogènes.
La troisième est opérationnelle : côté serveur, une amélioration du modèle ou un correctif de sécurité bénéficie instantanément à tous nos clients, sans dépendre d’une mise à jour de l’application.
Par la suite, je suis convaincu que le futur sera hybride. L’IA embarquée progresse vite. Google et Apple intègrent des modèles directement dans leurs systèmes et elle a de vrais atouts : une réactivité quasi instantanée et une confidentialité « par design » puisque la donnée ne quitte pas l’appareil.
Pour des tâches ciblées comme le préremplissage intelligent de formulaires, la catégorisation instantanée ou l’assistance hors ligne, c’est une piste sérieuse que nous suivons de près.
Mais soyons lucides (et c’est bien là le nœud du problème) : le raisonnement complexe sur les données financières restera côté serveur, là où nous maîtrisons la sécurité, la version du modèle et l’auditabilité.
Dans l’environnement bancaire, la question n’est pas seulement « où l’inférence est-elle la plus rapide ? », mais « où est-elle la plus gouvernable ? ».
Ma conviction : le local pour le confort d’usage, le serveur pour tout ce qui engage la confiance.
Comment Alpian distingue-t-elle les LLM des autres formes d’IA utilisées pour analyser les données financières ?
Les LLM excellent là où il faut comprendre et s’exprimer : saisir l’intention d’un client qui pose une question avec ses propres mots, dans sa langue, puis formuler une réponse claire. C’est une révolution pour la relation client : la machine s’adapte enfin à l’humain et non l’inverse.
Mais ces mêmes modèles ont une limite structurelle : ils sont probabilistes. Ils génèrent la réponse la plus plausible, pas nécessairement la réponse exacte. Dans la conversation, c’est une force mais dans le calcul financier, c’est disqualifiant.
C’est pourquoi, dans nos systèmes, un LLM ne produit jamais un chiffre. Quand un client interroge ses dépenses, le modèle de langage comprend la question puis délègue le calcul à des outils déterministes qui exécutent des requêtes exactes sur ses données. Le montant qui s’affiche ne sort pas de l’imagination d’un modèle : il sort de la base de données, au centime près. Le LLM ne fait que l’habiller de mots.
L’analyse financière et la gestion des risques relèvent d’une autre famille d’IA, plus ancienne et plus éprouvée : l’IA prédictive. On parle ici de modèles statistiques et de machine learning classique.
La détection de fraude en est l’illustration parfaite : il s’agit de repérer, en temps réel, une transaction qui dévie du comportement habituel d’un client, avec un taux d’erreur mesuré et des seuils ajustables.
C’est la même logique pour le screening de conformité ou l’identification de tendances dans les données financières : ces approches ont des qualités que l’IA générative n’a pas. Elles sont mesurables, reproductibles et explicables. On peut les tester sur des données historiques, quantifier leur précision et documenter pourquoi elles déclenchent telle alerte. Exactement ce qu’un régulateur (et un client) est en droit d’attendre dès qu’il s’agit d’argent ou de sécurité.
En résumé : l’intelligence artificielle générative pour l’interaction, le prédictif pour les chiffres et la vigilance et l’humain dans la boucle pour toute décision qui compte.
Les trois se combinent dans un même produit où le client ne voit qu’une expérience fluide, mais sous le capot, chaque famille d’IA reste strictement à sa place.
Comment l’IA est-elle intégrée dans l’application Alpian côté client ?
La première fonction IA visible par nos clients est un assistant conversationnel intégré directement dans l’application : chacun peut interroger ses finances en langage naturel, dans les quatre langues de nos clients.
« Combien ai-je dépensé en restaurants le mois dernier ? », « Quel est mon plus gros poste de dépenses cette année ? » : la réponse arrive en quelques secondes, fondée sur ses vraies transactions.
Techniquement, c’est l’application directe de la doctrine dont j’ai parlé avant : les chiffres sortent des données du client, le modèle les convertit en mots. Et l’ensemble tourne sur notre infrastructure suisse, avec les contrôles d’une banque, pas dans un chatbot générique branché sur Internet.
Et il faut être honnête sur un point : le modèle est la partie facile. L’essentiel de notre travail porte sur ce qui l’entoure : les garde-fous qui bloquent les questions hors de son périmètre d’expertise, l’évaluation systématique des réponses avant chaque mise en production, la supervision continue une fois en ligne. C’est bien moins spectaculaire qu’une démo, mais c’est exactement ce qui sépare un prototype d’un produit bancaire.
Autour de cet assistant, l’IA travaille aussi en arrière-plan dans l’application : la catégorisation automatique des transactions transforme un libellé bancaire cryptique en information lisible et constitue le socle de toute l’analyse de dépenses que le client voit sur son écran.
Nos développements actuels tiennent en un mot d’ordre : passer du réactif au proactif.
Aujourd’hui, l’assistant répond quand on l’interroge. Demain, nous voulons qu’il signale de lui-même ce qui mérite de l’attention : une dépense inhabituelle, un abonnement qui augmente, une échéance qui approche ou un mois atypique, par exemple.
L’objectif n’est pas de multiplier les notifications, personne n’en veut davantage, mais de faire émerger la bonne information au bon moment.
À savoir qu’il y a une ligne rouge à tout cela : l’assistant éclaire les finances du client, il ne donne pas de conseil en investissement. Tout ce qui touche au conseil reste du ressort de nos experts humains. L’IA prépare le terrain. La relation de confiance, elle, se construit avec des vraies personnes.
Comment l’IA est-elle utilisée en interne par les équipes Alpian ?
Chaque collaborateur d’Alpian dispose d’un assistant IA d’entreprise, connecté à nos outils et à notre base de connaissances internes avec les mêmes exigences de sécurité et de confidentialité que nos systèmes bancaires.
Notre conviction est simple : on ne peut pas prétendre offrir les services d’une banque augmentée par l’IA à nos clients si nos propres équipes travaillent comme en 2015.
Au service client, l’IA prend en charge le premier niveau de support. Nous avons construit un assistant capable de répondre à une grande partie des demandes incluant les procédures, le fonctionnement des produits et les questions fréquentes en s’appuyant sur nos connaissances internes.
Aujourd’hui, il opère aux côtés de nos équipes. La prochaine étape : le rendre directement accessible au client dans l’application, pour une réponse immédiate, à toute heure et dans sa langue. Et nous voulons aller plus loin : connecter cet assistant à nos systèmes internes pour qu’il ne se contente pas de répondre, mais puisse établir un diagnostic.
Par exemple, un client explique qu’il ne parvient plus à payer sur Internet. L’assistant pourra vérifier le statut de sa carte, constater que l’option « paiement en ligne » n’est pas activée et lui expliquer comment le faire. Toujours la même architecture : le modèle comprend, nos systèmes vérifient.
Mais c’est du côté de nos équipes techniques que la transformation est la plus profonde : l’IA est en train de révolutionner leur façon de concevoir le logiciel. Nos ingénieurs travaillent avec des assistants de code qui ne se contentent plus de compléter une ligne : ils comprennent l’ensemble d’un projet, écrivent des fonctionnalités complètes, génèrent les tests, proposent des revues de code et rédigent la documentation.
Le métier se déplace : l’ingénieur passe moins de temps à écrire du code et davantage à le spécifier, l’architecturer et le vérifier. Il devient chef d’orchestre de son propre travail. Un changement de paradigme disruptif.
Enfin, pour le pilotage, nos départements business interrogent directement les données de la banque en langage naturel, via des agents connectés à notre dépôt de données.
Une question qui déclenchait hier un ticket vers l’équipe data trouve aujourd’hui sa réponse en quelques minutes et l’équipe data peut se consacrer à ce qui demande vraiment son expertise.
À propos de Damien Chambon
Damien Chambon est directeur Cloud, Data & IA chez Alpian. Il dirige les équipes chargées de l’infrastructure cloud, de la plateforme de données et des produits IA. Il intervient régulièrement en conférence sur l’adoption de l’intelligence artificielle.
