IA dans la finance : les budgets explosent, mais le ROI reste difficile à démontrer

Les institutions financières consacrent des budgets toujours plus importants à l’intelligence artificielle. Pourtant, les dépenses et les expérimentations ne se traduisent pas systématiquement par une valeur mesurable. Le constat de Quinlan & Associates est clair : le secteur ne se demande plus s’il faut adopter l’IA ; il doit désormais prouver quels déploiements améliorent les revenus, les coûts, la maîtrise des risques ou l’expérience client.

Des investissements massifs, mais un ROI difficile à établir

Quinlan & Associates estime que les services financiers ont dépensé 76 milliards de dollars dans des initiatives liées à l’IA en 2025 et que ce total dépassera 130 milliards de dollars d’ici 2030. 14 Dans le même temps, 95 % des institutions financières traditionnelles exploreraient l’IA ou l’utiliseraient déjà dans leurs opérations, mais 71 % déclarent avoir du mal à obtenir ou à démontrer un retour sur investissement (ROI) clair. 3

Cette contradiction est essentielle : une adoption généralisée traduit une volonté d’agir, pas nécessairement la création d’une valeur durable. Des résultats associés à Quinlan indiquent par ailleurs que 43 % des initiatives d’IA sont abandonnées, signe que nombre de projets n’atteignent pas un stade de production pérenne. 15

Les trois freins qui empêchent la création de valeur

Quinlan identifie trois obstacles étroitement liés.

1. Une stratégie guidée par la technologie. Certaines organisations partent de l’outil disponible, au lieu de partir d’un problème métier clairement défini, d’un parcours client, d’un blocage dans un processus et d’un objectif de valeur. Il devient alors difficile de choisir des cas d’usage ayant une trajectoire crédible vers un impact réel. 6
2. Une gouvernance mise en place trop tard. Lorsque les enjeux de risque, de conformité et de contrôle sont traités comme une étape d’approbation après le démarrage de la conception, les équipes peuvent découvrir les contraintes après avoir déjà engagé beaucoup de temps et d’argent. 6
3. Des modèles opérationnels incapables de passer à l’échelle. Des données fragmentées, des fondations de déploiement insuffisantes et un manque de capacités pour gouverner, mettre en production et étendre l’IA peuvent laisser des projets prometteurs bloqués entre le pilote et l’adoption à l’échelle de l’entreprise. 6

Il s’agit donc moins de limites techniques que de difficultés d’exécution. Une banque ou un assureur peut acheter des licences, lancer des preuves de concept et multiplier les expérimentations, sans revoir les processus ni les responsabilités nécessaires pour obtenir un résultat financier tangible.

La gouvernance, un levier direct du ROI

Dans les services financiers, une gouvernance de l’IA digne de confiance n’est pas distincte de la performance économique. Elle détermine si un cas d’usage peut être approuvé, déployé, suivi et utilisé avec le niveau d’autonomie prévu dans son modèle économique.

Le guide du Forum économique mondial consacré à l’IA dans les services financiers recommande d’intégrer la gestion des risques et les pratiques d’IA responsable à tous les niveaux : définir tôt l’appétence au risque, valider rigoureusement les modèles et veiller à ce que les actions de l’IA restent explicables, traçables et contrôlables. 1 Ces principes prennent une importance accrue à mesure que les entreprises passent de systèmes d’assistance à des systèmes capables d’exécuter des actions en plusieurs étapes. Des limites claires, des procédures d’escalade et une supervision humaine peuvent réduire l’incertitude opérationnelle qui empêche les cas d’usage les plus utiles de changer d’échelle.

Les fondations techniques et organisationnelles restent tout aussi déterminantes. L’enquête IIF-EY cite la qualité et la disponibilité des données parmi les principaux freins au déploiement de l’IA en production, avec le besoin de compétences adaptées et de garde-fous de gouvernance. 4

Ce que disent aussi BCG et NVIDIA

Les recherches plus larges vont dans le sens du diagnostic de Quinlan, même si leurs échantillons et leurs méthodes de mesure diffèrent.

Dans une enquête menée auprès de plus de 280 responsables financiers, BCG a constaté un ROI médian déclaré de 10 % pour l’IA et l’IA générative, soit la moitié de l’objectif de 20 % souvent visé par les répondants. Près d’un tiers ne rapportait que des gains limités. 43 Dans une autre étude menée auprès de plus de 1 250 entreprises, BCG a estimé que seules 5 % d’entre elles obtenaient de la valeur de l’IA à grande échelle, tandis que 60 % ne constataient que peu de valeur matérielle malgré des investissements conséquents.

L’enquête 2025 de NVIDIA sur les services financiers offre l’autre versant du tableau : certains cas d’usage déployés produisent des bénéfices concrets. Près de 70 % des répondants indiquent que l’IA a entraîné une hausse des revenus d’au moins 5 %, et plus de 60 % rapportent une réduction des coûts annuels d’au moins 5 %. Parmi les cas d’usage d’IA générative, l’optimisation du trading et des portefeuilles, ainsi que l’expérience client, sont ceux qui affichent les meilleurs ROI déclarés.

Ces études ne se contredisent pas. L’IA peut générer des retours, mais le déploiement n’est pas une finalité en soi. Les résultats dépendent du choix d’un cas d’usage à forte valeur, de la transformation du processus concerné, de données fiables, de contrôles adaptés et d’une mesure rigoureuse des effets opérationnels et financiers.

Le défi est désormais l’exécution

Le signal le plus net du rapport Quinlan réside dans l’écart entre les dépenses, l’activité et la valeur effectivement réalisée : 76 milliards de dollars investis en 2025, une adoption très répandue, mais une difficulté persistante à démontrer les retours. 14 3

Pour les dirigeants du secteur, l’enjeu est de traiter l’IA comme un programme de transformation métier plutôt que comme une collection de pilotes indépendants. Cela suppose de partir d’un objectif mesurable, de définir les exigences de risque et de gouvernance avant le développement, d’attribuer clairement la responsabilité des résultats et de suivre les indicateurs tout au long du cycle de vie du système. BCG relève également que les entreprises qui créent une valeur significative se concentrent sur un nombre limité d’initiatives, les déploient rapidement, transforment leurs processus clés, développent les compétences de leurs équipes et mesurent systématiquement les résultats opérationnels et financiers.

La prochaine fracture concurrentielle ne séparera donc probablement pas les institutions qui utilisent l’IA de celles qui ne l’utilisent pas. Elle distinguera celles qui savent exploiter l’IA de manière sûre, mesurable et intégrée aux processus essentiels, de celles qui accumulent les expérimentations sans méthode reproductible pour créer de la valeur.