Préparation des données : le premier frein à l'IA pour 48 % des dirigeants bancaires
Le rapport « The AI disruption dividend », deuxième partie de la Global Banking Annual Review publiée par McKinsey en novembre 2026, livre un chiffre que nous trouvons plus parlant que toutes les promesses de productivité.
48 % des dirigeants bancaires interrogés placent la préparation des données en tête des obstacles à l'IA. La technologie, elle, arrive en dernier. Nous vous proposons de lire ce que cela implique pour une banque ou un groupe en Suisse romande.
Ce que dit le rapport McKinsey de novembre 2026
McKinsey a interrogé 85 dirigeants de banques dans son Banking Executive Survey on AI 2026. Les obstacles cités se classent dans cet ordre :
la préparation des données, pour 48 % des répondants ;
les talents, pour 41 % ;
la conduite du changement, pour 37 % ;
le modèle opérationnel et la stratégie, pour 33 à 35 % ;
la technologie, pour 27 % seulement.
Le rapport résume cette hiérarchie en une phrase : la technologie est le plus petit des problèmes. Toutes les banques peuvent acheter les mêmes modèles. Aucune ne peut acheter les données, les règles et les décisions passées d'une autre.
Le même rapport chiffre l'enjeu. Sur 52 cas d'usage d'IA agentique analysés, le retour sur investissement moyen atteint environ 2,9 fois la mise sur trois ans, avec un délai de remboursement d'une dizaine de mois.
Il ajoute un avertissement que nous prenons au sérieux : un départ tardif pourrait ne laisser aucune chance de rattrapage, selon la façon dont les premiers gains sont réinvestis. La fenêtre, écrit McKinsey, va commencer à se refermer.
Pourquoi les données bloquent, et pas les modèles
Dans une banque, la donnée client n'est pas un gisement, c'est un archipel. Le core banking porte les positions, le CRM porte les interactions, l'outil de conformité porte les documents KYC, et le gérant garde ses notes dans ses propres fichiers.
Chaque système a sa propre version du client, ses propres identifiants, ses propres règles de qualité. Un agent IA chargé de préparer une revue de portefeuille interroge donc quatre vérités différentes, et aucune ne fait autorité.
C'est ce que nous observons chez nos clients : les projets d'IA ne s'arrêtent pas sur un problème de modèle. Ils s'arrêtent le jour où l'équipe découvre qu'il faut six semaines pour assembler un jeu de données propre et autorisé.
Le rapport McKinsey le confirme à sa manière. Sur sept systèmes agentiques en production, les agents réduisent le temps de tâche d'environ 60 %. La banque n'en capte pourtant qu'une partie, parce que les gains se dispersent entre des dizaines de processus et de silos.
Le goulot d'étranglement n'est pas l'algorithme, c'est l'accès fiable, permissionné et tracé à la donnée.
Les trois couches de l'intelligence institutionnelle
McKinsey propose un terme que nous trouvons utile : l'intelligence institutionnelle. Il s'agit de relier les données, les politiques, les décisions passées et le jugement des experts, aujourd'hui dispersés, pour que chaque agent et chaque collaborateur travaille à partir de ce que la banque sait dans son ensemble.
Le rapport décrit trois couches :
la donnée : des produits de données fiables, du type « client 360 » ou « crédit 360 », gouvernés comme des produits et non comme des extractions ponctuelles ;
le contexte : une carte de la façon dont les comptes, les obligations et le statut réglementaire d'un client se relient, avec des permissions appliquées avant que la moindre information n'atteigne un modèle ;
le jugement encodé : les règles de décision des experts, capturées dans un format qu'un agent peut réutiliser.
Le point qui nous semble décisif est le deuxième. McKinsey insiste : les cadres d'identité et d'accès conçus pour les collaborateurs ne couvrent pas encore les logiciels qui agissent en leur nom. Un agent peut lire les comptes d'un client, mais doit obtenir une validation avant de déplacer de l'argent.
Pour une banque soumise à la FINMA, cette couche de contexte répond aussi aux attentes de la communication sur la surveillance 08/2024 relative à l'IA : savoir quelle donnée a nourri quelle décision, sous quel droit d'accès, et pouvoir le démontrer.
L'exemple d'une banque privée genevoise
Prenons une situation que nous rencontrons régulièrement, rendue anonyme. Une banque privée genevoise, 400 collaborateurs et 30 milliards de francs sous gestion, veut déployer un assistant de préparation des entretiens clients pour ses gérants.
Le modèle est choisi en trois semaines. Le projet s'enlise ensuite pendant cinq mois. La raison tient en une phrase du responsable data : nous ne savons pas dire, pour un client donné, quelles informations un gérant a le droit de voir.
Les données client vivent dans le core banking, le CRM, le dépositaire de documents et un entrepôt hérité d'une fusion. Les identifiants ne concordent que pour 70 % des relations.
La banque décide alors d'inverser l'ordre des travaux. Avant tout agent, elle construit un produit de données « client 360 » couvrant d'abord les 1 200 relations les plus importantes, avec un référentiel d'identité unique et une matrice de droits par rôle.
Résultat après quatre mois : la préparation d'un entretien passe de 90 à 20 minutes, et chaque synthèse produite par l'assistant cite les sources consultées, avec le droit d'accès qui les a autorisées. La conformité valide le dispositif sur cette base.
Ce schéma n'est pas isolé. Selon les propos de son directeur général lors de la présentation des résultats du troisième trimestre 2026, Northern Trust a réduit avec un agent d'onboarding le temps de préparation des données de deux semaines et demie à trois jours, soit 83 % de moins.
Ce que nous en retenons
Pour une banque ou un groupe suisse, le rapport McKinsey confirme une conviction que nous portons depuis longtemps : la stratégie IA commence par une stratégie de données, et celle-ci se mesure en droits d'accès autant qu'en volume.
Trois décisions nous paraissent prioritaires d'ici la fin de l'année :
désigner un propriétaire métier pour chaque produit de données critique, à commencer par la vue client ;
faire appliquer les permissions en amont du modèle, et non dans l'interface de l'agent ;
mesurer le temps d'assemblage d'un jeu de données propre, et en faire un indicateur de pilotage au même niveau que le coût des tokens.
Un départ tardif coûte plus cher qu'il y a deux ans. Rien n'est perdu pour autant pour une banque qui met ses données en ordre maintenant, domaine par domaine.
Si vous souhaitez situer votre organisation sur ces trois axes, notre Baromètre IA vous donne une première lecture en quelques minutes. Pour en discuter avec nous, la page contact est ouverte.





Commentaires