Description

Comment le Crédit Agricole utilise-t-il la data et l'IA pour transformer ses opérations ?

Avez-vous déjà réfléchi à la manière dont les grandes institutions financières utilisent la data et l'intelligence artificielle pour transformer leurs opérations ? Dans cet épisode de "Disruption Inside", Aurélie Gallet nous invite à explorer cette question fascinante avec Aldrick Zappellini, Directeur Data & AI et Chief Data Officer du groupe Crédit Agricole. Ensemble, ils discutent des stratégies et des défis liés à l'adoption de la data et de l'IA dans un environnement bancaire complexe et décentralisé.

Aldrick Zappellini, notre invité, est un expert chevronné en data et en intelligence artificielle. Avec un parcours qui a débuté dans le conseil avant de rejoindre le Crédit Agricole en 2005, Aldrick a gravi les échelons pour devenir une figure clé dans la transformation data du groupe. Son rôle actuel implique la supervision des initiatives data et IA à travers le groupe, avec une attention particulière à la gouvernance, à l'innovation et à l'impact client.

Dans cet épisode, nous découvrons comment le Crédit Agricole utilise la data et l'IA pour améliorer la relation client, optimiser les processus internes et développer de nouvelles capacités technologiques. Aldrick partage également des insights sur l'importance de l'acculturation, de la formation et de la gouvernance pour réussir une transformation data. L'épisode aborde également les défis éthiques et environnementaux liés à l'utilisation de l'IA, soulignant l'engagement du Crédit Agricole envers un numérique responsable.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Transcription

• Speaker #0

  Bonjour à tous, ici Aurélie Gallet. Je suis ravie de vous accueillir sur Disruption Inside, le podcast qui décrypte de l'intérieur la transformation des entreprises et des acteurs publics. Ensemble, nous allons à la rencontre de leaders business institutionnels qui font bouger les lignes. Nous allons décrypter leurs stratégies, revenir sur leurs réussites et leurs échecs, et faire le plein de conseils pratiques. Mon objectif, vous aider à passer à l'action en vous inspirant des meilleurs. Cette semaine, je vous invite à découvrir le témoignage d'Aldric Zappellini, directeur Data et IA et Chief Data Officer du groupe Crédit Agricole. Ingénieur de formation, Aldric a fait ses armes dans le conseil en acti, puis en stratégie et en organisation. Recruté en 2005 par son client, le Crédit Agricole Ile-de-France, Aldric occupera pendant 13 ans plusieurs postes sur des sujets variés, allant de l'organisation, la distribution, le marketing, en passant par les back-office crédits. Il rejoint Crédit Agricole SA en 2018 en tant que directeur data et analytics. Dans cet épisode, je vous emmène décrypter les dessous de l'ambition data et IA du groupe Crédit Agricole. Bonjour Aldric.

• Speaker #1

  Bonjour Aurélie.

• Speaker #0

  Merci beaucoup Aldric de me recevoir aujourd'hui. Première petite question, Aldric, on est dans un lieu magnifique que du coup j'ai traversé tout à l'heure pour venir m'installer jusqu'ici. Est-ce que tu peux me dire quelques mots sur cet endroit magnifique ?

• Speaker #1

  Là, on est sur le campus créé à l'école de Montrouge, qui s'appelle Evergreen. C'est un nom qui est bien ce que je choisis, parce que c'est un site où les bâtiments font plutôt le tour du site. Et au milieu, il y a un grand espace paysager avec une petite rivière artificielle. Et puis le site est vraiment magnifique, plein de verdure et très connu pour ses volatiles, ses canards notamment. C'est vrai, c'est un superbe lieu pour travailler. Tous les jours, on est ravis de rejoindre ce lieu-là.

• Speaker #0

  Et du coup, Olivier, tout à l'heure, qui fait partie de tes équipes, me disait qu'il y a 10 000 collaborateurs aujourd'hui qui travaillent sur ce magnifique site. En tous les cas, merci beaucoup de m'accueillir et de me faire découvrir ce bel endroit à Montrouge. Pour commencer cet épisode, Aldric, est-ce que tu peux te présenter en quelques mots ?

• Speaker #1

  Je suis directeur Data AI et Chief Data Officer du groupe Créer École. Donc ça, c'est la situation d'aujourd'hui. J'ai eu un premier virage dans mon parcours, c'est que j'ai choisi en 2005 de rejoindre le Créer École d'Île-de-France. Et ça, c'est marquant dans une carrière. Après, en rejoignant le Créer École d'Île-de-France, j'avais un choix qui était devant moi, c'est de savoir comment j'allais poursuivre mon parcours. J'ai souhaité poursuivre dans le domaine du management et puis d'apprendre toujours progressivement de nouveaux métiers bancaires. Et une petite particularité, toujours en parallèle, j'ai gardé la responsabilité de grands projets, soit des projets de transformation de la structure sur laquelle j'arrivais, pour mieux répondre aux attentes des clients, soit des projets plus larges pour le compte du Crédit Agricole de l'Île-de-France, voire pour le compte du groupe. On y reviendra par la suite, je pense.

• Speaker #0

  Et alors, quels ont été les projets clés ou les moments clés de ta carrière ?

• Speaker #1

  Forcément 2005, je l'ai dit, c'est un moment un peu particulier. J'étais en mission en tant que consultant au Créa-École Lille de France. Et à ce moment-là, évidemment, je suis repéré par un directeur général adjoint, pour le coup, qui est une vraie machine à transformation, et qui me dit que ce serait pas mal de venir joindre nos équipes. On a des projets. Le plan de l'époque, mais je pourrais peut-être y revenir aussi, c'était des projets plutôt au domaine de l'organisation, des projets transverses. Ce n'est pas tout à fait passé comme ça par la suite. Il fait partie aussi du charme. Et puis ensuite, en 2012, il y a eu un deuxième virage. On a fait quelque chose qui était très important pour le groupe, c'est qu'on a recentralisé tous les systèmes d'information des caisses régionales. Il y en avait cinq auparavant. Et j'ai eu des responsabilités dans ce projet-là. Effectivement, c'était très marquant, parce que ça a permis aussi pour moi d'être en visibilité vis-à-vis de la direction générale du Créacol de France. C'est à partir de ce moment-là que j'ai eu l'idée de passer ce qu'on appelle le parcours directeur. Et donc forcément, c'est aussi des virages qui sont importants et qui ont un rapport.

• Speaker #0

  Et qu'est-ce qui t'a donné envie de rejoindre Crédit Agricole ?

• Speaker #1

  Alors Crédit Agricole et ça, ce qu'il faut savoir, c'est qu'au Crédit Agricole, on a quelque chose que le monde entier nous envie, ça s'appelle les parcours. C'est-à-dire qu'en fait, pour accéder aux fonctions de dirigeant, il faut passer une sorte d'assessment. Et donc, pour le parcours directeur, il faut le faire. Il faut avoir un sponsor qui est le directeur général de l'entité dans laquelle on est. Et j'ai fait ça avec engouement. Et puis, une fois qu'on a terminé son parcours, on se pose la question de quel est le poste directeur qu'on souhaite. C'est une question déjà qu'on doit remplir avant, parce que c'est important de savoir comment on concrétise finalement l'achèvement de ce parcours. Et ce que moi, j'ai choisi, c'est de prendre un premier poste, qui est un poste plutôt coup de cœur, c'est-à-dire pas de prendre un poste pour valider cet accès au statut de dirigeant, mais plutôt un poste dans lequel le contenu pourrait répondre à mes aspirations à la fois en termes de métier, mais aussi en termes de transformation à mener.

• Speaker #0

  Et alors, et la passion Data dans tout ça, Aldric ? Parce que tu as été piqué par la Data.

• Speaker #1

  Ce n'est pas forcément venu spontanément. Si on se remet dans le contexte d'il y a une dizaine d'années, en réalité, la data, on en faisait forcément, puisqu'on a des systèmes d'information, on fait de la data, mais on ne l'appelait pas en tant que telle. C'était plutôt quelque chose qu'il fallait manipuler pour développer des applications, pour faire ce qu'on appelait des workflows, ou en tout cas pour créer de nouvelles fonctionnalités dans le système d'information. Mais on n'avait pas identifié la data comme une thématique en tant que telle. En fait, moi, je l'ai découvert justement en prenant ce... premier poste de directeur, qui s'appelait directeur Data et Analytics. J'ai été pris par surprise. Il était en deux morceaux. Un premier morceau marketing digital groupe. En réalité, il fallait créer cette structure-là, qui était embryonnaire sur Créer à l'école et ça. Je m'y suis attelé, mais c'était quand même un domaine que je connaissais, parce qu'en fait, dans mon parcours au Créer à l'école Lille de France, J'ai été responsable de la banque en ligne, de l'animation des canaux directs, et donc forcément, j'avais un certain nombre de compétences dans ces domaines-là. Et puis dans le paquet, la corbeille, il y avait le Data Lab Group, qui était déjà créé, il a été créé en 2016, il faut le savoir, je crois que c'est le premier lab bancaire sur la data qui a été créé. En revanche, à l'époque, donc 2018, on voyait plutôt ça comme des outils pour... expérimenter, se forger quelques conceptions, on était dans l'ère des POC. Et donc moi, venant d'un environnement très opérationnel, une caisse régionale, c'est des circuits qui sont quand même assez courts en termes décisionnels, en termes de passage à l'action, je me suis dit cet outil est quand même très bien, mais qu'est-ce qui nous manque en fait pour avoir un impact pour les clients, pour les collaborateurs. Et donc c'est là qu'a commencé l'histoire. où on s'est engagé dans un certain nombre de diagnostics et de transformations. Mais je n'y vais pas plus loin parce qu'en fait, on l'abordera par la suite.

• Speaker #0

  Aujourd'hui, Thoreau, je le disais en introduction, tu es directeur Data AI et Chief Data Officer. Alors, ça m'intervèle un petit peu. Que tu veux m'expliquer un peu cette double casquette ?

• Speaker #1

  En fait, il faut revenir déjà à l'historique. Tout à l'heure, j'expliquais directeur Data et Analytics. Deux morceaux, un morceau qui est le Data Lab Group, un autre morceau, le marketing digital du groupe. Fin 2020, début 2021, la question s'est posée de renforcer le domaine de la data. On était plutôt très data à ce moment-là. Il se trouve qu'il y avait des fonctions de gouvernance liées à data, c'est la fonction de Chief Data Officer, mais qui n'étaient pas dans ma direction. À cette occasion-là, on s'est dit, autant faire une direction, une sorte de pure player de la data et de l'IA. Et donc, de facto, j'ai endossé la casquette du Chief Data. officer du groupe, qui a un rôle transverse à l'ensemble des entités du groupe, et qui finalement a deux ou trois grandes missions. La première grande mission, c'est de fixer des cadres et des règles communes que les entités doivent respecter pour développer des usages de la data d'une manière maîtrisée, c'est-à-dire en conformité d'une part avec les réglementations, mais aussi avec nos valeurs du créateur à l'école. Et puis, il y a une mission, évidemment, d'animation transverse. dans un groupe uni et décentralisé où il y a beaucoup de métiers, une banque universelle, le Crédit École, qui se diversifie, beaucoup de situations différentes, il y a des entités, plusieurs milliers de personnes, d'autres qui font quelques dizaines ou quelques centaines de personnes, évidemment, ce ne sont pas tout à fait les mêmes points de départ. Et donc le rôle du Chief Data Officer, c'est d'animer en transverse tout ce petit monde-là et d'essayer de faire progresser tout le monde de manière uniforme, sans freiner les leaders et en capitalisant plutôt sur eux pour essayer d'emmener tout le monde. si ce n'est au même rythme, en tout cas, dans un progrès collectif et continu.

• Speaker #0

  Et donc, du coup, l'autre casquette, Directeur Data et IA ?

• Speaker #1

  Directeur Data et IA, c'est la casquette plus opérationnelle, c'est-à-dire que ce qu'on appelait avant le Data Lab Group, finalement, on l'a transformé progressivement. Première transformation, c'était, comme je disais, d'aller avoir de l'impact, de mettre des productions, des projets, des solutions à base d'intelligence artificielle et de data. Et puis au-delà de ça, on s'est aussi posé la question, mais une fois qu'on a fait ces mises en production, qu'on a montré que ça pouvait marcher, que ça pouvait avoir de l'impact, comment est-ce qu'on fait en lien avec la mission du Chief Data Officer pour aider les entités à répliquer cette logique-là, à s'approprier les meilleures pratiques pour mettre en production des solutions à base d'intelligence artificielle et de data. Et donc c'est vraiment le rôle du Data Group et de la eFactory Group.

• Speaker #0

  Tu disais que le groupe Crédit Agricole, c'est un groupe qui est décentralisé, avec des filiales aussi qui sont très fortes. Comment est-ce qu'on arrive justement à infuser cette culture data à l'échelle d'un groupe qui est si décentralisé, où il y a aussi un pouvoir assez fort de décision au niveau des caisses régionales ?

• Speaker #1

  Ça s'appelle l'influence. Je ne l'ai pas inventé, mais l'idée générale, effectivement, c'est qu'on a un groupe, et la date, je n'ai pas de moi, on appelle un congrès au Crédit Agricole. qui avait sorti, uni et décentralisé. Ce n'est pas mais, ça veut dire qu'il est viscéralement décentralisé, c'est son ADN de départ. Nos caisses régionales, ça part des sociétaires, qui sont aussi des clients, ensuite les caisses locales, les caisses régionales, et les caisses régionales, effectivement, sont également les actionnaires de Créer École et ça. Une fois qu'on a dit ça, ça veut dire qu'il ne faut pas lutter contre l'ADN fondamental de ce groupe. En revanche, ce qu'il faut, c'est... prendre en compte les spécificités de ce modèle. Et donc, on les prend en compte comment ? On les prend en compte justement par une animation qui est extrêmement forte et surtout à la pointe et à l'état de l'art, de façon à ce que même les leaders puissent y trouver leur compte et que ceux qui ne sont pas leaders pour des raisons de moyens, d'intérêts propres sur ces domaines assez pointus que sont la data et l'IA, s'imprègnent progressivement. Et tout ça, il faut le faire au travers d'animations. Et là, on en a mis beaucoup. Les premières choses qu'on a créées, en tout cas, moi, quand je suis arrivé sur ce périmètre-là, C'est ce qu'on a appelé le Club Data IA. En fait, c'est une large communauté, plus de 1600 utilisateurs. Des points de rencontre, alors aujourd'hui c'est mensuel, et puis une fois par an, présentiel, deux jours. A l'époque, on faisait quasiment tous les 3 ou 4 mois une journée sur site. On faisait venir des gens pour témoigner des projets, on faisait venir des grands témoins pour voir comment ça se passe la data dans d'autres industries. On partageait aussi des sujets qui sont plus à la pointe de la technologie. Et vraiment, il faut mettre beaucoup d'énergie pour faire cette animation-là. Et ce qui était très intéressant, c'est qu'on voyait bien comment les gens se parlaient, réussissaient assez à s'agréger autour de besoins communs. Et là où on est très fiers, c'est que ça a donné parfois des projets en commun. Et donc, il n'y a pas tellement d'autres solutions que de faire comme ça. Et donc, on a beaucoup investi. On l'a fait également avec une communauté des Chief Data Officers du groupe, là aussi. L'ensemble des entités, c'est-à-dire les caisses régionales, les directions de création de l'ESA, et puis les filiales, ce qu'on appelle les filiales métiers, donc les assurances, les crédits à la consommation, les paiements. Et donc c'est vraiment indispensable d'avoir cette animation et cette influence pour capitaliser sur les meilleures pratiques, les succès, aider aussi les entités qui en ont davantage besoin, parce que pour des raisons de moyens ou d'intérêts, elles n'ont pas forcément pu progresser à la même vitesse que les leaders du groupe.

• Speaker #0

  Alors, on parle de progression. Du coup, moi, ce qui m'intéresse, c'est de comprendre un peu quelles sont les grandes mutations qui ont marqué le crédit agricole dans le domaine de la data ces trois, cinq dernières années.

• Speaker #1

  Oui, alors, je reviens déjà à l'origine de mon arrivée sur le Data Lab Group en 2018. Comme je disais, à l'époque, la data, l'IA encore plus, c'était plutôt un domaine expérimental. On faisait quasiment que des POC, ça veut dire que c'était des conditions très simplifiées pour démontrer que la data ou l'intelligence artificielle pouvaient apporter une réponse à une problématique métier. Mais le constat assez implacable qu'on faisait, c'était que c'était très dur de passer même d'un POC qui avait très bien réussi à une solution mise en production dans le système d'information d'une banque. Banque, c'est un tiers de confiance, ça veut dire qu'il y a quand même... pas mal de couches de sécurité, de maîtrise des risques, etc. à passer. Et systématiquement, soit on se cassait les dents, c'est-à-dire que ça finissait par ne pas sortir parce qu'on n'arrivait pas à reconduire exactement ce qu'on avait observé en POC, soit c'était très très long, et qui dit très très long, forcément c'est relativement onéreux. Et donc, premier pivot, qu'est-ce qui nous manque finalement pour réussir à aller plus vite en production, plus vite ça veut aussi dire moins cher, et puis plus d'impact rapidement. Et donc là, il y a une espèce de chaîne de transformation qui s'est mise en place. Première explication que je résume souvent par, il y a une différence entre faire de la data science et développer une solution IAD industrielle, c'est qu'à l'époque, on considérait que le data scientist était la fonction clé. En réalité, elle est indispensable cette fonction-là, mais il ne faut pas que ça pour faire une solution industrielle. Et donc on a commencé à se doter de l'ensemble des capacités nécessaires pour... pour pouvoir mettre en production des solutions. Ça veut dire des data engineers, des machine learning engineers, des architectes. On a constitué finalement une équipe pluridisciplinaire en capacité de traiter de la réponse aux besoins avec un algorithme, juste à comment on s'intègre dans une application digitale en production, comment on la monitore ensuite pour s'assurer qu'on a bien toujours les performances attendues, qu'on n'a pas de dysfonctionnement, etc. Donc ça, c'est vraiment quelque chose de clé. On l'a intuité très tôt parce que ça, c'est le constat de 2018 et on a commencé à le mettre en place en 2019. Première mise en production, mars 2019. Et depuis, quand on regarde, tout le monde a plus ou moins fait ça. La petite spécificité, c'est que nous, on l'a fait en gardant l'ADN du départ. C'est-à-dire qu'on a un Data Lab Group qui sait à la fois faire de la veille de la R&D, c'est-à-dire même publier ses propres articles en adaptant des algorithmes pour qu'ils soient plus performants que les dates là, et qui en même temps sait le mettre en production dans un système d'information bancaire en partenariat avec des IT du groupe. Ça, on ne le trouve pas partout, parce qu'en général... Les labs, par exemple des banques, ont tendance à passer la main aux IT quand il faut ensuite aller industrialiser. Du coup, nous, on est sur une méthode nativement industrielle.

• Speaker #0

  Et comment est-ce que tu travailles avec l'écosystème tech aujourd'hui sur toutes ces innovations ?

• Speaker #1

  Alors, l'écosystème tech, on le travaille de plusieurs façons. Déjà, le segment sur lequel on travaille, là je prends ma casquette plutôt des acteurs DataIA au travers du Data Lab Group. C'est plutôt le développement interne. Pour autant, on n'a pas une stratégie au niveau du groupe. Donc là, je change de casquette, je suis plutôt au niveau du groupe. Il est uniquement de développer en interne. On le fait quand c'est intéressant ou indispensable pour nous de le faire. Et donc, il y a certaines fonctionnalités qu'on va aller acquérir. Et on va les acquérir soit au travers de leaders du marché qui ont des solutions et elles peuvent s'intégrer dans nos systèmes d'information. soit au travers d'un écosystème technologique qui est extrêmement riche en startups. On a nous-mêmes un startup studio qui s'appelle La Fabrique by CA et qui fait de très belles startups. Et donc l'idée c'est quoi ? C'est d'être vraiment ouvert à tout le champ des possibilités parce qu'en fait il y a une très grande variété de situations qu'on peut rencontrer dans un groupe comme le Créer École. Du modèle qu'on doit développer... Parce que c'est un environnement très régulé et on peut nous poser des questions très pointues sur comment c'est paramétré, pourquoi tel choix d'algorithme a une fonction sur étagère, je ne sais pas moi, pour faire de la conversion de la voix en texte. Il y a toute la variété et la palette des situations nécessitent en fait cette ouverture avec l'ensemble de l'écosystème technologique, à la fois des experts de très haut niveau pour développer nous-mêmes en interne, mais aussi coopérer avec d'autres entreprises qui vont nous apporter des briques indispensables au fonctionnement du vesselier.

• Speaker #0

  Aujourd'hui, quelle est l'ambition du groupe Crédit Agricole en matière de data et d'IA ?

• Speaker #1

  Plusieurs ambitions, mais ce qu'on a très tôt indiqué, c'est que la data comme l'IA, ça devait servir finalement à une ambition stratégique qui est plutôt un modèle relationnel. Il faut que ça serve à nos clients. Vous avez peut-être remarqué, mais au fronton de... Le bâtiment sur le site de Vergin est marqué Agir chaque jour dans l'intérêt des clients et de la société Ça, c'est important parce qu'en tant que tiers de confiance, on a bien entendu le devoir de protéger les données de nos clients. Mais il y a aussi un autre devoir qu'on voit un peu moins. C'est un devoir qui est plus de l'éthique. Il faut que ça s'inscrive dans cette devise-là. Et donc, ça serve les clients et que ça serve aussi la société. Déjà, une fois qu'on a dit ça, ça permet quand même d'ancrer. Je n'appellerais pas stratégie data, parce qu'on a des métiers tellement diversifiés que c'est très dur d'avoir une stratégie unifiée sur la data. Je dirais que c'est une doctrine des positions communes, et surtout une ambition et une direction vers laquelle tout le monde tend, qui sont données globalement par cette mission que j'ai rappelée. Après, si on regarde un peu plus précisément l'intelligence artificielle, parce que c'est le sujet du moment, on sait que tout le monde en parle, il y a énormément de buzz, on y reviendra. Très tôt, ce qu'on s'est dit, c'est que l'intelligence artificielle, couplée à la data, puisque forcément, pas d'IA sans data, ça doit nous servir à libérer du temps aux collaborateurs, tant qu'on veut réemployer, si ce n'est directement pour la relation client, au moins pour des choses qui seront plus contributives à la relation client. Pour celui qui est directement face au client, c'est prendre les 15 minutes qu'il faut pour expliquer à un client qui, par exemple, est dans un parcours d'acquisition immobilière, comment ça va se passer. pourquoi il faut prendre une bonne assurance emprunteur, pourquoi il faut bien protéger et assurer sa maison. Pour quelqu'un qui est, par exemple, dans ce qu'on appelle un back office, donc plutôt des fonctions dans les sièges, c'est comme ça que ça s'appelle, Contribuer à la relation client, c'est par exemple de gérer le dossier complexe que le conseiller a envoyé et qui nécessite plus de temps que le standard des autres dossiers. S'il libère du temps, il va plutôt le consacrer là-dessus. Donc forcément, in fine, ça va être contributif à une meilleure relation client. L'IA, c'est aussi signaler parfois des moments importants. Je prends un exemple, un client qui va avoir une fragilité financière. Alors s'il est déjà fragile... Et que vous le constatez, vous pouvez mettre en place des choses, mais vous pouvez faire beaucoup mieux. Si par exemple, 6 à 9 mois avant, il rentre dans cette situation-là, vous faites un point avec lui. Et justement, vous mettez en place des mesures qui permettront d'éviter que la situation se réalise. Pareil pour les entreprises. Une entreprise dont le chiffre d'affaires ou la trésorerie baisse, on peut avoir effectivement ces signaux faibles, les identifier et mettre en place des mesures d'accompagnement beaucoup plus puissantes que ce qu'on fait si l'événement est déjà constaté.

• Speaker #0

  Et dans quelle mesure l'IA générative, ça vient encore accélérer finalement cette transformation qui a été engagée par le groupe Crédit Agricole ?

• Speaker #1

  Alors c'est exactement cette notion-là, c'est-à-dire qu'on ne change pas la stratégie, si on peut appeler ça comme ça, ou en tout cas l'utilité qu'on voit pour l'IA. On résume souvent ça dans plus d'IA pour plus d'humains. Et donc ça veut bien dire, on considère que l'IA générative va encore accroître certaines capacités à réduire les tâches de nature. administrative, donc notre capacité à réemployer du temps contributif pour nos clients et elle va aussi, parce qu'elle a aussi cette faculté-là, nous permettre de davantage encore fluidifier les outils de la relation client, que ce soit des supports de communication qui seront de plus en plus personnalisés grâce à cette forme d'IA qui peut générer du contenu ou par exemple une expérience client beaucoup plus performante. parce qu'elle a une capacité à interagir en conversationnel avec les clients qu'on n'avait pas auparavant, avant novembre 2022, et qu'elle passe dans le domaine du grand public.

• Speaker #0

  Et alors, comment est-ce que tu structures le déploiement de cette stratégie qui n'est pas une stratégie, j'ai bien compris. Comment est-ce que tu structures tout ça pour le déployer à l'échelle du groupe ?

• Speaker #1

  En fait, il s'est quand même passé quelque chose en novembre 2022. Deux choses pour moi. Première chose, ça a remis le feu des projecteurs sur un sujet dont on ne parlait plus trop, qui était l'intelligence artificielle. À tel point que maintenant, quand on dit intelligence artificielle, tout le monde pense en réalité à IA Generati ou ChatGPT. On verra par la suite. Nous, on a une approche qui est beaucoup plus nuancée que ça, sur le choix de la bonne technologie pour répondre aux besoins. Deuxième chose, c'est que ça fait entrer l'intelligence artificielle dans le domaine de ce qui est facilement accessible et manipulable pour le commun des mortels. Auparavant, quand on faisait manipuler des algorithmes d'IA, il fallait être un expert de la discipline, un développeur, un data scientist, etc. Là, en rendant avec la modalité de chat, cette IA finalement facile d'accès et puis tout le monde pouvait obtenir des premiers résultats. Et en fait, ça a vraiment touché l'ensemble. très large spectre de population, ce qui fait qu'on se retrouve finalement dans une situation où il faut changer un petit peu la façon d'appréhender le sujet de l'adoption de l'IA. On s'est donc quand même autorisé le mot stratégie dans ce contexte-là. Dans un premier temps, on a appelé ça stratégie d'adoption maîtrisée, donc adoption parce qu'on veut y aller et on considère qu'il y a du potentiel. et que c'est important de ne pas passer à côté de ce que ça permet réellement de faire et qu'on ne savait pas faire avant. Maîtriser, parce qu'on n'est pas prêt à le faire en renonçant à tout ce qu'on a construit, nos devoirs de tiers de confiance, la protection des données de nos clients. Pour cette stratégie d'adoption maîtrisée, simple, plusieurs piliers, beaucoup d'acculturation de pédagogie. En réalité, on gère des situations assez étonnantes. C'est-à-dire qu'on gère des situations, par exemple, de collaborateurs. qui considèrent que ça ne va pas assez vite et qui ne comprennent pas pourquoi. Donc à eux, il faut plutôt expliquer que ce n'est pas tout à fait la même chose entre usage personnel et usage professionnel. Et à contrario, on gère aussi des situations où les gens ont un peu peur parce qu'ils considèrent que ça va trop vite. Parce que quand on voit un peu dans l'univers médiatique, alors c'est un peu moins le cas maintenant, mais si on se transpose début 2023, il y avait quand même des annonces qui étaient assez fracassantes, c'est celui-là. Donc la pédagogie de la culturation, elle doit servir à ça pour tous, pour l'ensemble de nos collaborateurs, pour les dirigeants, pour les managers. Protection des données, évidemment. Ce n'est pas spécifique à l'IA, mais très clairement, le fait d'avoir des outils facilement accessibles sur Internet avec des liens non sécurisés, etc., ça pouvait accroître le risque qu'il y ait des fuites de données, les nôtres, celles de nos clients. Là, on ne pouvait pas se le permettre. Ce n'est pas une fin en soi de bloquer, d'essayer de contrecarrer ces fuites, parce que de toute façon, on n'empêche pas l'eau de couler. Donc, il faut donner des moyens d'expérimenter, de comprendre comment ça fonctionne, d'apprendre à quoi ça peut nous servir et se projeter dans nos métiers. Très rapidement, on a mis en place des environnements qui permettent de faire ça, et également des méthodes pour mesurer la pertinence des résultats obtenus. Et pertinence, ça veut dire, est-ce que le résultat est bien celui que j'attends précis, etc. Pas d'hallucination, voilà. Ça veut aussi dire, est-ce que finalement, le temps que je passe à utiliser cet outil-là, il est rentabilisé ? Est-ce que c'est réellement mieux de faire une tâche du quotidien avec de l'IA générative ? Ou est-ce que finalement, le gain est marginal ? Parce qu'entre le temps d'amélioration du résultat avec des promptes, etc., et puis le fait que j'ai fait mon compte rendu moi-même à la main, ça se trouve, il n'y a peut-être pas de différence au bout du bout. Donc ça, c'était important de le faire. Plus de 140 expérimentations dans le groupe. La réalité d'un groupe unier et décentralisé, c'est probablement 3 ou 4 fois plus. Mais... C'était assumé. C'est-à-dire que ce qu'on voulait, c'est que tout le monde touche du doigt tous les métiers, toutes les entités. Vous voyez, 154 000 collaborateurs, banque universelle, donc ça fait énormément de filiales, beaucoup de métiers. Forcément, il fallait faire ça.

• Speaker #0

  Et alors concrètement, aujourd'hui, quels sont les grands cas d'usage de l'IA générative qui sont explorés par le groupe ?

• Speaker #1

  Je vais plutôt raisonner en famille de cas d'usage parce qu'après, il y a des variations sur un même thème. Très rapidement, une fois qu'on a un peu modélisé, que ça ne changeait pas la donne et qu'on voulait... réduire les tâches administratives, augmenter la relation client, etc. Il y a six familles de cas d'usage. Première famille, ça va être tout ce qui va être justement l'usage, l'interaction, soit au travers des outils bureautiques, donc le fils, soit sous la forme d'un chat avec lequel j'interagis pour gérer mes tâches du quotidien. Il y a une deuxième famille qui est le support à la relation client. Là, ce qu'on peut dire, et c'est important... c'est qu'en l'état de la façon dont on sait gérer les risques spécifiques à l'IA générative, on n'expose pas ces systèmes à base d'IA générative directement au client final. Vous savez, parce qu'il y a des risques d'hallucination, donc les fameuses informations inventées par ailleurs dans une réponse qui peut être d'un certain aplomb. Les contenus inappropriés, les réglementations de données, les attaques cyber, parce qu'effectivement, on expose à ce qu'on appelle le prompt. on peut manipuler les réponses et faire en sorte de faire dérailler un petit peu le système. Nous, on est dans le registre de l'assistance, et donc ça veut dire que ce soit pour les emails, suggestions de réponses, que ce soit pour répondre à une question qui a été posée en face à face, donc on donne un chatbot conseillé. L'idée, c'est que cette IA, elle permet d'accéder à la réponse, elle permet aux collaborateurs de la vérifier, et ensuite de l'apporter vers le client. Vous voyez bien, après, il y a tout un tas de possibilités, parce que vous pouvez l'intégrer dans ce qu'on appelle les outils de la gestion relation client. Ça peut aider, par exemple, à synthétiser des comptes rendus d'entretien. Ça peut aider à repérer les prochaines thématiques à aborder l'entretien suivant. Il y a beaucoup de choses qu'on peut faire autour de ça. On appelle ça le conseiller augmenté, d'une manière générale. Après, il y a une troisième famille, je l'ai évoqué rapidement tout à l'heure. Ça permet de personnaliser la relation client, ce qu'on peut générer des contenus multimodaux, c'est-à-dire... texte, de l'image, même de la voix, et en intégrant une personnalisation qui est à plusieurs niveaux, bien sûr la charte de l'entreprise, la tonalité de voix, évidemment les connaissances internes, nos produits, etc., mais aussi les connaissances qu'on peut acquérir sur le client au travers de personas, en tout cas de l'information. Exemple, vous suggérez un email de réponse à un client, vous confirmez que vous prenez un rendez-vous avec lui, si on sait sur le client qu'il a un chéquier à récupérer à l'agence, c'est quand même dommage de ne pas le mettre dans la réponse à l'email, un petit encart disant pensez à récupérer votre chéquier à l'accueil C'est une famille évidemment qui est très importante en fonction de marketing et communication. Ça sert également dans tout ce qui est fonction de support et de contrôle. Là, sur Créer École et ça, vous êtes à l'endroit où on a ce qu'on appelle les directions régaliennes. Ça va être le contrôle des risques, la conformité, le juridique, etc. On est un monde qui est ultra régulé. Et donc, vous voyez que déjà, il y a deux natures de cas d'usage. Il y a quand vos experts, et là, je parle de tous les experts qui sont un peu partout en entité, ont des questions relatives au risque, à la conformité, ils veulent les poser. Sauf qu'il y a plus de 1800 procédures différentes. Et puis, il y en a notamment avec la réglementation européenne qui arrive tous les jours. Là, vous rendez ces informations-là plus accessibles. On développe par exemple des systèmes où vous posez la question, ça rédige une réponse, mais ça ne fait pas que la rédiger. ça donne les sources à l'intérieur desquelles la réponse est construite. Et donc vous pouvez aller, par exemple, si c'est dans deux notes de procédure différentes.

• Speaker #0

  l'expert sait qu'il a une réponse, mais il sait aller cliquer à l'endroit qu'il faut pour vérifier dans la note de procédure la qualité de la réponse. Ça peut être à l'inverse, des experts qui sont par exemple sur les directions centrales, la régalienne, une nouvelle réglementation arrive, vous savez qu'il y a les 1800 procédures, le régulateur ne s'est pas calé sur notre façon d'organiser les choses, donc une même réglementation peut très bien impacter 10, 15, 20 procédures. Plus généralement, ça a des impacts sur de nombreuses activités. Et donc ça, cette IA-là, elle peut aider effectivement à faire ce travail de cartographie d'impact et puis après de reformulation pour intégrer les nouvelles réglementations. Évidemment, on utilise aussi ces IA sur des choses qui sont plutôt des processus opérationnels. Il y en a un qui est très important dans la banque, ça s'appelle, je ne sais pas le nom, mais le KYC pour connaissance client. Et en fait, il a deux facettes ce processus-là. Il a une facette qui est réglementaire, puisqu'on demande cette connaissance-là à son client, ce qui nécessite d'aller chercher des informations, de compléter les dossiers de nos clients, de leur demander également. Donc le processus est vraiment traversant, c'est-à-dire qu'il peut partir du client jusqu'à des fonctions de back-office. Et là aussi, on peut outiller, non pas uniquement dans une vision j'augmente le collaborateur mais j'augmente le processus c'est-à-dire toutes les étapes qui peuvent bénéficier d'apports de IA. Par exemple, si le client me remet un justificatif, et que dans ce justificatif, de manière un peu déstructurée, il y a des informations qui sont utiles pour alimenter la connaissance client, l'IA peut aller les chercher, me les soumettre. Et moi, collaborateur, si je les vérifie et que c'est valide, j'appuie sur le bouton, je mets à jour le système d'information. Et ça, ça me fait probablement gagner dix fois le temps que j'aurais passé si j'avais voulu le faire directement avec le rapport annuel d'une entreprise. Au passage, d'ailleurs, un autre processus dont on ne parle pas encore, mais qui concerne toutes les entreprises, c'est ce qu'on appelle l'ESG. Et celui-là, quelque part pour nous, c'est un peu le KYC de demain, dans le sens où, d'un point de vue réglementaire, il va falloir répondre à un certain degré de connaissance des clients, et surtout connaître nos clients de ce point de vue-là, et notamment ce qu'ils font en termes de stratégie pour gérer leur impact environnemental. C'est important pour leur donner du conseil, et puis aussi les aider à financer quand il y a des investissements à faire pour faire cette transformation. Et puis, dernier point, et après je conclurai parce que c'était un peu long, mais le code informatique, c'est un langage. Et donc, nos développeurs, alors juste pour avoir un peu une échelle de grandeur, les développeurs internes au Créal-école, c'est 12 000 personnes. C'est la ligne métier, la système d'information. Il n'y a pas que de développeurs, mais enfin, ça fait 12 000. Et donc, évidemment que ces IA génératives, ce qu'on appelle les copilotes de développement, c'est très utile pour générer du code. pour le documenter, pour générer des tests unitaires, etc.

• Speaker #1

  Plusieurs questions pour toi. Première question, quel est un peu l'état d'avancement sur ces six familles de cas d'usage ? Parce qu'en fait, c'est des programmes qui sont aussi très transformants. Donc, est-ce qu'il y a des niveaux de maturité un peu différents sur chacune de ces familles ? Première question. Et deuxième question, c'est comment est-ce que tu accompagnes le développement des usages ? Parce qu'il y a certes le fait de lancer ces programmes. Et après, il y a comment est-ce que ces programmes vont toucher finalement le terrain au plus près. Donc les conseillers qui vont pouvoir aussi se saisir de toutes ces innovations qui sont poussées par le groupe pour alléger et faire en sorte que ce soit des conseillers, si je prends l'exemple des conseillers, des conseillers augmentés de manière très concrète.

• Speaker #0

  Alors effectivement, les six familles ne sont pas toutes au même stade de maturité parce qu'il y a des devaites de complexité plus ou moins élevées dans l'utilisation de l'IA génératif sur ces familles. Si je prends la première... Quelque part, c'est celle qu'on a démarrée en premier, parce qu'avoir des IA génératives dans les outils du quotidien, les outils bureautiques, c'est quelque chose qui est arrivé très vite sur le marché en réalité. Et donc là, on est en phase de déploiement. La caractéristique principale, c'est qu'on prend, un, le temps d'expérimenter et de vérifier ce qu'on fait. Deux, on déploie également progressivement, parce qu'on considère qu'il faut vraiment cranter ce déploiement de façon à vérifier l'utilité, de vérifier que ça... Effectivement. ça ne dépasse pas ce que les collaborateurs peuvent absorber comme changement. Il y a des dispositifs qui sont dédiés pour ce type de sujet. Il faut avoir en tête aussi qu'il y a un plan de formation plus global. Je parlais du fameux pilier pédagogie et acculturation. Il y a un plan de formation grand public pour tous les collaborateurs du CréaÉcole qui va inclure que ces clés à générative C'est que c'est que l'IA, la complémentarité entre les deux, les enjeux, pourquoi il faut l'adopter, les risques aussi que ça peut poser. C'est bien que tout le monde comprenne justement pour gérer ces deux populations un peu écartelées, ceux qui ont peur et puis ceux qui considèrent que ça ne va pas assez vite, il faut répondre aussi à ces... à ces demandes-là. Les notions d'éthique aussi. Comment, moi, en tant que professionnel qui agit pour un client, j'intègre un résultat qui vient de l'IA ? Professionnellement, pourquoi est-ce qu'il faut que je vérifie toujours le résultat ? Etc. Il y a également des sujets qui sont plus d'ordre de manipulation de l'IA générative au travers de promptes. Alors, tout le monde, dans son quotidien... notamment ceux qui font Céoclion n'auront pas forcément à faire des promptes. En revanche, c'est bien que tout le monde connaisse le concept, tout le monde ait fait un premier niveau pour savoir quelles sont les bonnes pratiques pour obtenir un bon résultat d'une IA générative, et que tout le monde finalement sache aussi, quand un résultat est produit par ces IA génératives, qu'est-ce qu'il faut vérifier en premier, comment on améliore par exemple un résultat en intégrant un document avec de la connaissance interne. Et là, ça fait le lien avec le fameux outil sécurisé d'assistant du quotidien. Et donc voilà, on a vraiment ce plan-là qui est très transverse, qui s'adresse à tous les collaborateurs. Sur la deuxième famille, support à la relation client, là aussi, il y a déjà des cas d'usage en production. En fait, on a une ambition qui est d'aller toujours dans une intégration plus importante de l'IA et de l'IA générative dans les outils de la relation client. Mais comme ces outils sont très divers et variés, il n'y a pas que l'IA en tant que telle qu'il faut traiter, il y a aussi comment l'intégrer de manière efficace aux outils. Et l'intégrer de manière efficace, ça veut dire qu'il faut que ce soit extrêmement naturel en termes d'utilisation pour les collaborateurs. S'ils doivent sortir à côté sur un autre outil, si le résultat est caché derrière un bouton obscur, etc., ça ne sera pas utilisé.

• Speaker #1

  Il y a les mêmes outils aujourd'hui dans toutes les caisses ?

• Speaker #0

  Dans toutes les caisses, oui. C'est-à-dire qu'ils ont un système d'information qui est commun. Ça ne veut pas dire fusionné, c'est-à-dire qu'il est commun, mais chaque caisse régionale a sa propre base client. Par contre, en termes d'outils, si je prends par exemple l'outil qui leur sert à gérer la relation client, elles ont toutes le même. Après, elles ne l'utilisent peut-être pas de la même façon, parce que chaque professionnel peut avoir des usages et des pratiques différentes. On essaie justement quand même d'harmoniser tout ça. Et quand on vient, par exemple, poser une fonctionnalité à base d'IA, je prends un exemple, c'est-à-dire j'ai donné le fait de dire j'enregistre des comptes rendus d'entretien et puis l'IA peut me faire des synthèses, etc. Ça, c'est une IA qui n'était pas générative, qu'on a déjà mis en production avec les caisses régionales et puis leur IT qui s'appelle CA Technologies & Services. Et ça permet, quelque chose qui est assez bien sur le principe, c'est que ça permet au conseiller d'être acteur de sa future activité. Pourquoi ? Parce que la qualité... compte en entretenu d'entretien qu'il fait, il la retrouve en activité d'accompagnement des clients futurs. Par exemple un client lui dit au détour d'un entretien, je suis en train de réfléchir peut-être que dans 18 mois je voudrais faire un investissement locatif de l'immobilier et bien là l'IA peut repérer ça et dire dans 18 mois par rapport à maintenant peut-être que dans un an 15 mois J'envoie une petite alerte au conseiller pour lui dire que ce client-là nous avait dit qu'il voulait faire un investissement locatif pour 200 000 euros. Et puis peut-être même qu'il a dit à peu près l'emplacement où il voulait ça. Et là, on peut lui donner un conseil et lui rappeler qu'on avait évoqué ça lors du précédent entretien. Et là, c'est quand même intéressant parce que ça veut dire qu'on est vraiment dans l'IA qui accompagne, qui guide le conseiller. Et le conseiller qui voit le résultat en termes de bénéfices pour son activité future et d'accompagnement du client.

• Speaker #1

  Et comment est-ce que c'est perçu par les clients, justement ? Et quel est le niveau de transparence aussi qui est donné ?

• Speaker #0

  Il n'y a pas de différence fondamentale entre la façon dont c'est perçu par les clients et la façon dont nos propres collaborateurs le perçoivent. Il y a toujours ces populations un peu écartelées. Il y a des clients, et je pense que vous pouvez en trouver assez facilement dans votre entourage, qui disent mais ça ne va pas assez vite, c'est archaïque, ce n'est pas assez digitalisé, il n'y a pas assez d'IA, etc. Au contraire, il y a des clients qui disent mais tout ça, ça va trop vite, je suis complètement perdu. Est-ce que c'est toujours mon conseiller qui me répond ? Est-ce que ce n'est pas une IA qui va le faire ? Est-ce qu'ils ne vont pas tout fermer et automatiser ? Et donc, il n'y a pas de raison de ne pas avoir les mêmes éléments de réassurance. Très clairement, notre projet, plus d'IA pour plus d'humains. Je pense que c'est assez parlant pour que derrière, on développe et on l'explique. Et donc, ce qu'il faut expliquer, c'est que oui, on va en faire de l'IA. On ne dira jamais qu'on ne fait pas d'IA. En revanche, on le fait dans cette doctrine. plus d'IA, plus humain, et on le fait aussi en question de sécurité et d'impact. Ça veut dire qu'on va le faire à la façon du créé-école, en protégeant les données, en protégeant la qualité du service rendu à nos clients, en ayant conscience aussi de l'impact que ça peut avoir, par exemple, on en parle souvent, mais l'impact environnemental. Donc on ne va pas se pressiviter, par exemple, sur n'importe quelle IA générative, au prétexte que c'est à la mode, on regarde d'abord ce qu'il faut faire. et quel est le besoin sur différents types de critères. Et après, on va choisir une technologie qui permet, quelque part, d'avoir le meilleur compromis entre on répond aux besoins, mais en même temps, on ne prend pas de risques, et on va avoir un impact maîtrisé, parce qu'on a pris des engagements sur le numérique responsable, et il y aura des questions qu'on ne les tienne pas, du fait de l'émergence de l'IA générative.

• Speaker #1

  Et alors justement, sur ce point en particulier, comment réussir à construire des IA qui ont une empreinte carbone qui est limitée ? Sachant qu'on l'a bien vu dans tout ce que tu as présenté, il y a une ambition qui est assez forte autour de ces sujets, un investissement aussi assez massif. Comment est-ce qu'on arrive finalement à mener ces projets tout en mesurant et en limitant l'impact sur l'environnement ?

• Speaker #0

  Alors déjà, ça part de l'ambition initiale, c'est-à-dire qu'il faut l'affirmer. Ensuite, il faut le traduire en termes de stratégie, mais aussi de normes. Donc nous, on a des outils de gouvernance, en jargon, ça s'appelle des design authorities, qui administrent différentes composantes technologiques. Il se trouve qu'il y en a une sur la data IA et qu'elles sont effectivement dans ma direction. Ceci étant dit, ça veut dire qu'on édicte une stratégie, les éléments, je les ai donnés rapidement, on édicte ce qu'on appelle un cadre normatif IA. qui répond à la réglementation. La réglementation sur l'IA vient juste de sortir, ça s'appelle l'IACT. Mais on va au-delà de la réglementation, c'est-à-dire qu'on intègre dedans des engagements volontaires qui sont la traduction de nos engagements en faveur du numérique responsable. Et donc ça veut dire que dans les normes qu'on indique, il y a des normes qui relèvent de la méthodologie. Par exemple, le fait de dire, quand on exprime un besoin... On va demander au métier ce qu'il veut faire et avec quelle performance, par exemple, de précision il veut le faire. Mais on ne va pas s'arrêter là. C'est-à-dire qu'on va lui dire à quel coût il veut le faire, coût de fabrication, coût d'usage, puisque derrière ces IA, souvent, elles ont des coûts d'usage, notamment les grands modèles qu'on peut trouver chez les éditeurs américains, notamment. On va regarder aussi les notions autour de l'impact environnemental. C'est-à-dire, pour répondre à ce besoin-là, Là, tu me demandes par exemple une précision de 95%. Peut-être qu'il faut un modèle très puissant, mais peut-être que j'arrive à faire 93% avec un modèle 100 fois moins puissant, 100 fois moins consommateur d'énergie. Est-ce que tu acceptes cet arbitrage qui consiste à prendre une approche plus simple, plus frugale, en données ou en algorithme IA, et par contre de dire à 93% c'est bon, je mets en prod. Et donc il faut faire ce challenge-là permanent avec... tous les critères qu'on a. Méthodologiquement, on le fait, c'est dans le cadrage. Ensuite, il faut le piloter. Et puis, il faut donner les bons outils aussi à nos développeurs. Typiquement, le piloter, c'est quoi ? C'est quand vous faites une nouvelle solution à base d'IA. C'est-à-dire que vous allez la fabriquer vous. Effectivement, vous allez choisir l'algorithme. Il va se poser la question de où est-ce que vous avez déployé cette solution. Piloter, en fait, l'impact, c'est essayer coûte que coûte de le faire dans les infrastructures existantes. Des fois où ce n'est pas possible. Mais si vous pilotez bien et que vous optimisez l'utilisation de vos instructions structures, peut-être que vous n'aurez rien à rajouter. C'est forcément moins impactant sur l'environnement, puisqu'une bonne partie de l'impact environnemental, en réalité, déjà dans la machine que vous devez installer ou déployer, elle arrive, avant même que vous l'utilisiez, à déjà une empreinte carbone. Donc ça, c'est un exemple. Vous allez l'utiliser également en mesurant, par exemple, ce que vous faites en développement et en appliquant des pratiques d'éco-conception. Il se trouve que nous, par exemple, avec le Data App Group, on peut... contribue à une communauté open source, il développe un petit module qui s'appelle EcoCode, qui permet aux développeurs de signaler à l'intérieur de son code les endroits où ils pourraient optimiser de façon à minimiser l'impact environnemental. Nous, on l'anime sur la partie DataIA, puisqu'en fait, il y a un développement très large, il y a beaucoup de techniques, et là-dessus, sur la partie... spécifique à la data et l'IA, on a décidé de faire ce travail pour le compte de la communauté. Il y a plein d'autres mesures. Typiquement, on utilise beaucoup de données. Sauf qu'il y a deux choses. Parfois, on augmente de manière exagérée le volume de données pour un résultat qui est assez marginal. C'est l'exemple que j'ai eu tout à l'heure, mais avec les algorithmes. Des fois, vous allez multiplier par 10 la quantité de données pour gagner deux points. Est-ce qu'il est justifié de multiplier par 10 une quantité de stockage et le traitement qui va avec pour gagner deux points de performance ou de précision sur un algorithme ?

• Speaker #1

  Qui fait les arbitrages, du coup ?

• Speaker #0

  C'est les métiers, c'est dans la méthode. C'est-à-dire que, typiquement, on ne peut pas, nous, en tant que réponse aux besoins du métier, dire on va le faire tout seul et voilà. Simplement, la balance des intérêts, finalement, on la présente au métier et on lui dit voilà. Là, vous avez une solution. Ce qui nous aide aussi, il faut être clair, c'est que souvent, quand on minimise l'impact, c'est moins cher. Si vous ne commandez pas une infrastructure, si l'algorithme utilise moins de ressources machines, c'est moins cher. Et on lui présente. On dit, voilà, il y a cinq critères d'évaluation, dont la performance attendue, la performance technique, le coût de construction, le coût de l'usage, l'empreinte environnementale. Et en fonction de ça, on te met devant tes responsabilités. Et on te demande, en fait, comment tu souhaites arbitrer.

• Speaker #1

  Alors, j'ai deux questions pour toi. Comment est-ce que tu pilotes ça à ton niveau, de manière, on va dire, plus consolidée ? Première question. Et deuxième question, comment est-ce que c'est perçu par les équipes opérationnelles, que ce soit les équipes IT ou les équipes métiers ? Est-ce que c'est perçu comme une contrainte, le fait d'intégrer ces nouveaux critères qu'ils n'avaient pas il y a 5-6 ans ?

• Speaker #0

  Globalement, la partie numérique responsable, elle fait partie, elle fait l'objet... de ce que j'appelle une design authority, il y en a une qui est dédiée au numérique responsable. Alors celle-là, elle est un peu particulière parce qu'elle est transverse à toutes les autres. C'est-à-dire, des design authority, il y en a sur la data, sur l'IA, sur la cyber, sur le cloud. La design authority numérique responsable est transverse à tout ça. Ça veut dire qu'on applique finalement une politique globale qui est déclinée sur le numérique responsable. Et il y a une consolidation de niveau groupe qui est faite aussi autour de ces engagements-là par cette design authority. Ça, c'est le premier point. Deuxième point, ce n'est pas parce qu'on a ça qu'effectivement ça va changer les pratiques des gens. En revanche, ce qu'on constate, c'est qu'il y a une vraie sensibilisation, puisque ces engagements numériques responsables ne datent pas d'hier, on les a pris depuis quelques années. Il y a un vrai engouement de la part des développeurs pour faire mieux. Des développeurs et globalement de l'écosystème. Même les métiers sont très sensibilisés à ça. En fait, ça je dirais que c'est le résultat d'un travail d'acculturation, comme souvent, en profondeur. où on a affirmé que ces engagements étaient importants, ces engagements sociétaux. Alors il y en a d'autres, mais celui-là est important parce qu'on sait que le numérique a une empreinte importante déjà, et en plus tendanciellement en augmentation. Il y a la générative, il y a pour quelque chose. Et donc on n'a pas trop de difficultés finalement à ancrer ces nouvelles pratiques, et elles ne sont pas forcément perçues comme des contraintes opérationnelles si fortes que ça, elles sont perçues. plutôt perçues comme une pratique nécessaire pour aller finalement vers un respect global des engagements qui ont été pris par le groupe.

• Speaker #1

  Alors à titre plus personnel, Aldric, ça fait six ans maintenant que tu as rejoint Crédit Agricole SA. Quelles sont les réalisations dont tu es le plus fier ?

• Speaker #0

  Il y en a plusieurs, mais j'en ai évoqué certaines. Il y en a une qui est, je reviens donc au début de cet entretien, effectivement le fait d'avoir pu... posé sur un Data Lab Group il y a 6 ans, il fallait qu'on fasse pour le transformer sans renier son ADN d'origine et donc quelque part essayer de concilier le meilleur de tous les mondes possible. On ne le retrouve pas partout et je trouve que c'est une vraie fierté parce qu'à l'époque, en 2018, quand on a dit ça, on était très seul. Ça veut dire qu'il y avait une intuition, une vision. On a lutté pendant 2-3 ans en étant un peu seul, et puis finalement, que ce soit sur le marché, avec les grands cabinets, ou dans les grandes entreprises, on voit que ce qu'on a très tôt intuité et qu'on a mis en place, quasiment tout le monde y est allé. Le petit supplément d'âme, c'est qu'on a quand même gardé cette proximité avec la veille et la R&D. Elle nous est utile pour d'autres choses, notamment sur des aspects de recrutement, mais on pourra y revenir. C'est vraiment assez rare d'avoir une structure comme ça. Et à la fois, à la pointe, sur l'ARD, l'état de l'art, la capacité à produire ses propres algorithmes et à les publier avec des articles scientifiques. Et puis en même temps, de travailler avec des très grandes IT du groupe pour co-développer des solutions et les mettre en production sans retoucher une ligne de code, par exemple, à la partie algorithmique. Donc ça, premier point. C'est très opérationnel, mais c'est une vraie fierté parce qu'il y a eu une vision, on a creusé le sillon, on a... Oui, on a été un peu têtu sur ce sujet-là et ça paie. On l'a même fait valider d'ailleurs, parce que des fois, on peut toujours se tromper. Ce n'est pas parce qu'on a une vision que c'est forcément juste. On l'a validé en cours de route par une certification IA de confiance et une labellisation RSE qu'on a obtenue. Alors, sans aide extérieure, c'est-à-dire que c'est les équipes qui l'ont mené avec leur connaissance de leur méthode et puis de ce qu'il fallait améliorer dans leur méthode. Et ça, c'est super important, parce qu'on a eu ce recul sur nous-mêmes, aller chercher une vision externe pour nous dire ce qui était bien et qu'il fallait garder, et potentiellement ce qui l'était peut-être un peu moins et qu'il fallait compléter. Ensuite, le deuxième sujet est plus proche de nous. Je l'ai dit, le CréaÉcole, c'est un groupe uni et décentralisé. J'ai dit aussi, il n'y a pas vraiment de stratégie data unifiée. En revanche, on a repositionné aujourd'hui une gouvernance data de niveau groupe sur un échelon stratégique. On a créé notamment un comité d'orientation stratégique data qui statue sur des doctrines communes, qui est un véritable lieu d'échange stratégique entre des directeurs généraux issus du monde de CréaEcole-Essa ou des caisses régionales. Et ça, c'est super parce qu'en fait, ça règle un certain nombre de sujets, notamment au niveau du... partage des données, où il y avait encore quelques appréhensions au sein de notre groupe. Et ça nous permet de nous projeter vers un défi qui est peut-être encore plus grand, mais pour lequel il fallait qu'on passe par cette refonte finalement de la gouvernance data. Le défi demain, c'est la modernisation en fait de nos capacités technologiques sur la data, parce qu'on voit bien qu'elles sont socles. On ne fera pas une bonne IA intégrée à nos parcours clients et au service de nos collaborateurs. Si on n'a pas une donnée de qualité accessible, y compris en temps réel, qui peut être consommée pour des usages très simples, comme je ne sais pas moi, de la business intelligence, ou par des modèles d'IA qui vont délivrer en temps réel des services à valeur ajoutée aux clients.

• Speaker #1

  Et quel a été ton plus gros échec ou ta plus grande frustration ?

• Speaker #0

  La frustration, je pense que je ne serais pas le seul dans un groupe comme le nôtre, c'est que c'est un groupe où ça fonctionne sur l'influence. On l'a abordé au début. On aurait peut-être pu aller plus vite. Je ne sais pas. Ce qui est sûr, c'est qu'on y est arrivé. Donc la frustration, c'est toujours celle de se dire qu'on aurait pu, on aurait dû aller plus vite. Ce qui est sûr, c'est qu'avec cette nouvelle gouvernance, une page s'est tournée. Là, dans les prochains mois et l'année prochaine, en grande partie, on écrira ce qu'il y a sur la page suivante. C'est aussi un moment un peu stimulant, on imagine bien. Le vœu, moi, que je formule, c'est qu'on ait une meilleure capacité tout en gardant notre culture, qui est celle d'un groupe décentralisé. à se fédérer, à s'agréger autour de grandes thématiques indispensables et communes pour que le groupe avance et qu'on essaie de le faire en mettant tout ce qu'on a de meilleur au sein du groupe pour y arriver. Ça veut dire que s'il y a une compétence métier particulière qui est dans une filiale, il faut qu'on ait la capacité à mobiliser celle-là indépendamment des échelons structurels. S'il y a dans mes équipes du Data App Group... celui qui est hyper pointu pour tel type d'algorithme, il faut aussi qu'on ait la capacité à le chercher, à le mettre dans l'équipe pour qu'il travaille. Il faut le travailler avec ceux qui devront intégrer dans le système d'information. Ça, on l'a fait déjà plusieurs fois. En revanche, je pense qu'il faudrait un peu le ritualiser, que chaque année, on ait quelques gros ballons comme ça qu'il faut qu'on joue collectivement, pour arriver à la fois à être plus impactants, plus puissants, tout en gardant aussi la capacité à faire du spécifique.

• Speaker #1

  Alors à présent, Aldric, je te propose de passer à la boîte à questions.

• Speaker #0

  Oula ! J'ai peur.

• Speaker #1

  Allez, le temps de la boîte à questions est venu. Aldric, je te laisse piocher deux cartes dans chaque paquet et me les remettre. Il y en a deux ? Il y en a deux, c'est tout bon. Allez, le compte est bon. Alors Aldric, le principe de la boîte à questions, je vais te poser deux questions plutôt sur le registre professionnel et deux questions sur le registre un peu plus personnel. On va commencer par les questions dans le registre professionnel. Tu es prêt ?

• Speaker #0

  Allez.

• Speaker #1

  Allez, c'est parti. Première question, Aldric, pour toi, quels sont les facteurs clés de succès d'une transformation ? Et du coup, si on adapte la question à notre contexte, quels sont les facteurs clés de succès d'une transformation data et IA ?

• Speaker #0

  Il y en a un premier qui est, je l'ai beaucoup répété pendant l'entretien, autour de la pédagogie de la culturation. Sur des sujets comme la data IA, mais plus généralement tous les sujets tech, on voit que le degré d'appréhension et de connaissance est quand même... très fluctuant. Et tant qu'on n'arrive pas à se mettre d'accord sur une base et un langage commun pour pouvoir avancer ensemble, ça reste toujours compliqué. Donc ça, premier levier. Deuxième levier, je l'ai abordé aussi, finalement, c'est la capacité à faire abstraction de la dimension très structurelle que peuvent avoir nos grands groupes pour plutôt privilégier le sujet qu'on doit traiter et l'interaction à forte valeur ajoutée qu'on va avoir entre toutes les parties prenantes. chacun apportant là où il est le meilleur pour résoudre le problème, et puis les autres s'imprégnant aussi de ses connaissances et de ses compétences. À chaque fois qu'on a réussi à faire ça et qu'on est sortis livrant le produit, parfois avec un cheminement plus ou moins complexe et chaotique, tout le monde a gagné au final. Ceux qui sont venus délivrer de la compétence se sont aussi imprégnés de la façon de voir les choses et faire des autres. Ceux qui n'avaient pas la compétence ont monté en compétence. pouvoir plus tard refaire eux-mêmes, à minima, gérer la solution qui a été développée.

• Speaker #1

  Deuxième question, comment vois-tu ton industrie dans 10 ans ?

• Speaker #0

  C'est super compliqué comme question. Moi, tendanciellement, si on parle de l'industrie bancaire, on parle bien de ça, pas de l'industrie data qui serait un sujet très transverse. Très clairement, le projet, dans 10 ans, c'est quand même d'aller, et on a vu qu'on commence à mettre en place des étapes pour ça, vers ce qu'on appelle la banque conversationnelle. C'est cette idée, finalement, qu'on aurait limité très grandement les frictions. Ça ne veut pas dire limiter l'interruption humaine, au contraire, ça veut dire que... Quand l'interaction humaine sera nécessaire, elle aura une très très grande valeur ajoutée. Et donc pour faire ça, il faut qu'on mette au rendez-vous plusieurs choses, et c'est une très grande exigence. Une donnée évidemment accessible, de qualité, fluide. Du digital, parce que les clients, on voit bien aujourd'hui, la première interaction à 80 ou 85% c'est sur le digital. De l'IA. Parce qu'il y a vraiment des frictions où l'IA sera hyper importante pour améliorer le parcours client, pour faire la bonne recommandation, pour afficher le bon contenu par rapport au moment dans lequel le client se situe. Avec toutes les modalités possibles, donc là, c'est là où l'IA générative va apporter beaucoup. Les modalités possibles, ça veut dire la voix, ça veut dire le texte, ça veut dire la photo, parce que des fois, il y a des choses où il faut identifier le client, etc. Et donc ça, c'est des blocs dont on va avoir besoin et qu'on va construire dans la durée pour faire cette banque conversationnelle. Et si on a cette banque conversationnelle, quelque part, l'humain, là où il devient super important, c'est que dans l'équation, quand on en a besoin, on a vraiment besoin pour ce qu'il peut apporter. Ça veut dire l'empathie, la compréhension d'une situation avec discernement, et ça veut dire la responsabilité en proximité. Souvent, je donne l'exemple... Tout se passe bien sur un processus digital, sauf qu'à un moment donné, il y a une petite anicroche, la data, l'IA dérape, quelque chose n'est pas prévu. S'il y a une interaction humaine, il faut que l'humain soit au rendez-vous et remettre ça sur les bons rails. C'est super exigeant parce que ça veut dire qu'il faut qu'on forme nos collaborateurs à intervenir dans ce contexte-là, à faire preuve de discernement, d'empathie, et avoir la capacité à apporter plus que de la connaissance, de la compétence.

• Speaker #1

  On va passer aux questions plus personnelles. Aldric, quel conseil te donnerais-tu si tu avais 20 ans aujourd'hui ?

• Speaker #0

  Quel conseil est-ce que je me donnerais si j'avais 20 ans aujourd'hui ? Déjà, j'aimerais bien être dans cette situation-là, mais ce n'est pas le cas. Alors, il faut que je fasse un petit effort de projection. Moi, je me donnerais le conseil de me faire confiance. Finalement, ce n'est pas mal aussi de respecter un peu ses intuitions et parfois même presque des impulsions. En tout cas, je n'ai jamais eu à le regretter. Je pense que des fois, on a toujours cette petite appréhension à franchir le pas, à changer de job, à changer de fonction, à voir les choses autrement aussi, ou à aller à la rencontre de quelqu'un qui est un peu différent et qui ne pense pas pareil. Et donc, moi, je donnerais ce conseil-là. Fais-toi confiance.

• Speaker #1

  Un très beau conseil. Allez, dernière question. Aldric, as-tu des rituels pour rester en forme et tenir à ce niveau de responsabilité dans la durée ?

• Speaker #0

  Alors déjà, je ne sacrifie jamais le café. On a démarré par ça. Je n'ai jamais sacrifié le café du matin. En même temps, j'essaie de freiner un peu le café de l'après-midi parce que ceux-là peuvent être un peu dérangeants. Pour moi, le rituel pour rester en forme, c'est l'équilibre entre privé et perso. Quand même, ce que j'essaie de faire, c'est de rentrer toujours le soir à l'heure. pour dîner avec ma famille et les enfants, même si parfois, au niveau de responsabilité, on doit rajouter 30 minutes, 40 minutes pour gérer quelques mêlures, etc. En fait, je pense que c'est quand même important d'avoir cette régularité-là. Ça ne veut pas dire qu'on n'est pas des moines, ça ne veut pas dire que c'est implacable, c'est toujours la même heure, mais il faut quand même, en majeur, essayer de respecter ça.

• Speaker #1

  Merci beaucoup, Aldric. Si on souhaite suivre ton actualité, où est-ce qu'on te retrouve ?

• Speaker #0

  Sur LinkedIn. Très bien. Je publie deux à trois fois par semaine. Je fais pas mal d'événements. Et donc, mon actualité est beaucoup sur LinkedIn. Et puis, bientôt dans le podcast Disruptive Inside.

• Speaker #1

  Merci beaucoup. Et puis, à très bientôt.

• Speaker #0

  Merci.

• Speaker #1

  C'est la fin de cet épisode. J'espère qu'il vous a plu. Pour m'aider à faire connaître le podcast, c'est très simple. Parlez-en autour de vous. Mettez une note 5 étoiles accompagnée d'un gentil commentaire. Et abonnez-vous à mon compte pour être notifié des prochains épisodes. Si vous souhaitez en savoir plus sur le podcast, je vous donne rendez-vous sur mon site aurelie-gallet.com ou sur mon LinkedIn. Un grand merci à tous et rendez-vous la semaine prochaine pour un prochain épisode.