En septembre 2026, la Banque centrale européenne (BCE) indiquait que plus de 90 % des banques qu’elle supervise directement utilisaient l’intelligence artificielle. Parmi les usages recensés figurent la prévention des fraudes et de la cybercriminalité, l’analyse des risques et les applications destinées aux clients.

Source : BCE, intervention sur l’innovation numérique dans les banques, septembre 2026. Consulter la publication. Vérifier le périmètre statistique avant publication.

Ces applications mobilisent des données très différentes : paiements, historiques de comptes, interactions numériques et informations nécessaires aux contrôles. Les équipes doivent les rapprocher, en vérifier la qualité et les rendre disponibles au bon moment.

Un paiement réalisé à l’étranger peut correspondre à un déplacement parfaitement normal. À l’inverse, plusieurs opérations de faible montant peuvent révéler une activité suspecte. Les dispositifs de détection examinent donc le contexte : fréquence, montant, appareil, localisation et habitudes connues du compte.

La rapidité de traitement compte, mais la qualité des alertes aussi. Un modèle trop sensible multiplie les faux positifs et peut bloquer des paiements légitimes. Les équipes surveillent notamment le taux de détection, les faux positifs et les délais de réponse.

Le rôle des traitements en continu

Databricks a présenté en 2026 une architecture de référence associant Spark Real-Time Mode et Lakebase pour la détection de fraude. Elle illustre comment traiter des événements continus et exploiter des modèles analytiques avec une faible latence. Les performances annoncées dans cette démonstration ne constituent pas une garantie applicable à tous les environnements bancaires.

Source : Databricks, architecture de référence pour la détection de fraude.

Les banques connaissent les produits détenus par leurs clients, leur historique financier et les interactions avec leurs services. Les données d’utilisation des applications et les habitudes de paiement peuvent compléter cette connaissance, dans le respect des finalités autorisées et de la réglementation sur les données personnelles.

Un client qui commence à épargner régulièrement peut avoir des besoins différents de ceux d’une personne préparant un financement immobilier. Pour identifier des situations pertinentes, les équipes doivent relier des informations provenant de plusieurs systèmes et actualiser leurs analyses.

Les applications de next best action cherchent à sélectionner une recommandation ou une action adaptée à ce contexte. Leur efficacité se mesure sur des résultats précis, comme la qualité des interactions ou l’utilisation des services proposés.

Discovery Bank décrit l’utilisation de produits de données réutilisables et de modèles analytiques pour adapter ses interactions clients. L’intérêt de cette approche réside dans la disponibilité d’informations cohérentes pour plusieurs applications : les équipes peuvent faire évoluer les modèles sans reconstruire chaque fois l’ensemble des traitements.

Lire l’étude de cas Databricks / Discovery Bank.

Dans un retour d’expérience publié par Databricks, HSBC décrit un projet autour de son application PayMe. Le fournisseur indique que 14 bases de données ont été réunies dans une architecture commune et qu’un traitement précis, auparavant réalisé en six heures, a été ramené à six secondes.

La consolidation des sources peut réduire les transferts entre systèmes et accélérer la préparation des analyses. L’intérêt opérationnel dépend ensuite de la fréquence d’actualisation nécessaire et de la manière dont les équipes utilisent les résultats.

Source : étude de cas HSBC / PayMe publiée par Databricks. Ajouter ici l’URL directe validée par l’équipe éditoriale avant mise en ligne.

L’architecture lakehouse proposée par Databricks rassemble des capacités de traitement, d’analyse et de gouvernance des données. Selon le projet, plusieurs composants peuvent intervenir.

Les fonctionnalités d’une plateforme doivent être évaluées au regard du système d’information existant, des coûts, des contraintes de sécurité et des compétences disponibles. Les contrôles propres à l’établissement restent indispensables.

Les systèmes utilisés pour bloquer une transaction, évaluer un risque ou recommander un service peuvent avoir des conséquences directes pour les clients. La qualité des données d’entraînement, l’évolution des comportements et la surveillance des modèles doivent être examinées tout au long de leur utilisation.

La BCE et l’Autorité bancaire européenne insistent sur la gouvernance, la résilience opérationnelle, la cybersécurité et les risques liés aux prestataires. Ces exigences influencent le choix des architectures et les conditions de déploiement des applications d’IA.

Une équipe qui conçoit un modèle de détection doit donc pouvoir documenter ses données, mesurer les erreurs et identifier les cas dans lesquels une intervention humaine reste nécessaire.

Les expériences présentées par Discovery Bank et HSBC portent sur des besoins différents : personnaliser les interactions et accélérer la disponibilité des données. Elles montrent l’importance de documenter les résultats, mais aussi le périmètre dans lequel ils ont été obtenus.

Avant de déployer un cas d’usage, les équipes doivent préciser les sources à rapprocher, les délais de traitement attendus, les indicateurs de performance et les contrôles nécessaires. Ces décisions techniques déterminent en grande partie l’utilité de l’application une fois mise en production.

La capacité d’une plateforme se mesure sur un usage défini, avec des données et des critères de réussite clairement établis.

Sources et lectures complémentaires

1. BCE : Digital innovation: hindrance or booster for banks’ business models? (septembre 2026)
2. Databricks : Discovery Bank : hyper-personalized banking at scale
3. Databricks : Real-time fraud detection with Spark Real-Time Mode and Lakebase
4. Databricks : Financial Services
5. EBA : Risk Assessment Report (juin 2026)