IA générative à grande échelle : la méthode Itaú décryptée
Itaú Unibanco, première banque privée du Brésil, a construit une plateforme interne baptisée ia.i pour diffuser l'IA générative à travers son organisation. Le cas est documenté dans une étude publiée par OpenAI le 4 août 2026, ce qui mérite d'être dit d'emblée : la source est une partie prenante commerciale, pas un audit indépendant. Les chiffres cités dans cet article proviennent de cette communication et doivent être lus comme tels.
Ce qu'Itaú a réellement livré
Les chiffres du déploiement : ia.i, 300 000 employés, 70 millions de profils
Selon OpenAI (4 août 2026), la plateforme ia.i est accessible à plus de 300 000 employés d'Itaú et s'appuie sur des profils couvrant environ 70 millions de clients pour personnaliser les interactions. Ce n'est pas un chatbot ajouté à une application existante : c'est une infrastructure transverse qui alimente plusieurs produits internes, du service juridique au support client.
Le principe directeur : faire disparaître la technologie
La communication d'Itaú insiste sur un point de méthode qui mérite d'être retenu indépendamment du vendeur : l'objectif affiché n'est pas de mettre l'IA en avant, mais de la rendre invisible dans les flux de travail existants. Un conseiller bancaire ou un juriste interne n'ouvre pas un outil d'IA séparé, il travaille dans son logiciel habituel qui s'appuie en coulisse sur des modèles de langage. C'est un choix d'adoption, pas un choix technique : il réduit la friction d'usage, au prix d'une dépendance plus profonde à l'infrastructure sous-jacente.
IARA : la couche de gouvernance construite avant le passage à l'échelle
Orchestration multi-modèles et accès contrôlé
Le cœur du dispositif s'appelle IARA, une couche d'orchestration qui centralise l'accès aux modèles pour l'ensemble des équipes. Plutôt que de laisser chaque département choisir et intégrer son propre modèle, IARA joue le rôle de guichet unique : elle route les requêtes vers le modèle adapté, applique des règles d'accès et trace l'usage. C'est l'inverse d'un déploiement par prolifération d'outils, où chaque service installe sa propre solution sans coordination.
Les trois problèmes traités d'un coup : coût par token, précision, responsible AI
Selon OpenAI, IARA a été conçue pour répondre simultanément à trois contraintes : maîtriser le coût par token consommé à l'échelle de l'organisation, garantir un niveau de précision suffisant pour des usages sensibles (juridique, conformité), et appliquer des garde-fous de responsible AI (filtrage, traçabilité, limites d'usage) avant que les volumes n'explosent. L'ordre compte : la gouvernance a précédé la montée en charge, pas l'inverse. C'est le patron architectural à retenir, bien plus que le nom de la plateforme.
Pourquoi un éventail de modèles plutôt qu'un seul
Latence et coût vs raisonnement et grounding
Itaú n'utilise pas un modèle unique pour tous les cas d'usage. La publication d'OpenAI évoque le recours à différents modèles de la famille GPT sans préciser systématiquement les versions exactes déployées sur chaque cas d'usage — un flou qu'il faut signaler plutôt que combler par supposition. Le principe reste clair : les tâches à faible latence et fort volume (réponse client immédiate) utilisent des modèles plus légers et moins coûteux par token, tandis que les tâches qui demandent du raisonnement ou un ancrage factuel poussé (grounding, c'est-à-dire la capacité du modèle à s'appuyer sur des documents vérifiés plutôt qu'à halluciner) mobilisent des modèles plus coûteux mais plus fiables. C'est un arbitrage économique autant que technique.
Le cas du service juridique : 90 millions de documents, 2 millions de tâches par mois
L'exemple le plus concret cité par OpenAI (4 août 2026) concerne le service juridique interne d'Itaú : environ 90 millions de documents indexés et 2 millions de tâches traitées chaque mois grâce aux outils d'IA générative. À ce volume, le choix du modèle par type de tâche n'est plus un détail d'ingénieur, c'est une ligne budgétaire. Une mauvaise allocation modèle/tâche à cette échelle peut multiplier la facture par un facteur significatif, sans gain de qualité perceptible pour l'utilisateur final.
L'IA First côté interne : du temps rendu aux équipes
Préparation de réunions, synthèses, plans d'action
En interne, Itaú présente des usages assez banals mais à fort effet cumulé : préparation automatique de réunions, synthèse de documents longs, génération de plans d'action à partir de comptes rendus. Rien d'exotique — ce sont les tâches de friction administrative qui occupent une part significative du temps des cadres intermédiaires dans toute organisation de taille comparable.
Les gains annoncés et ce qu'il faut en penser
OpenAI rapporte, au nom d'Itaú, des gains de temps allant de 20% à 80% selon les tâches, et jusqu'à 3 fois plus de temps disponible pour certaines équipes (publication du 4 août 2026). Ces chiffres n'ont pas de méthodologie publique détaillée — pas de protocole de mesure, pas de comparaison avant/après auditée par un tiers. Ils proviennent d'une communication conjointe entre le client et son fournisseur de modèles. Cela ne les rend pas faux, mais cela les rend non vérifiables en l'état. Un dirigeant qui lit ce type de chiffre doit le traiter comme un ordre de grandeur indicatif, pas comme une donnée actionnable pour son propre budget.
Ce que ça ne fait pas : les limites et les zones grises
Trois réserves s'imposent avant de transposer quoi que ce soit de ce cas.
La source est une étude de cas publiée par OpenAI, fournisseur des modèles utilisés par Itaú : aucun audit indépendant des gains de productivité annoncés n'est cité dans la publication du 4 août 2026.
Les versions exactes des modèles déployés par cas d'usage ne sont pas systématiquement précisées dans la source ; parler d'une version figée serait inventer un détail absent du document original.
L'architecture IARA suppose des prérequis qu'une PME n'a généralement pas : des équipes internes dédiées à l'orchestration de modèles, un volume de documents et de requêtes suffisant pour justifier un éventail de modèles, et un cadre de conformité bancaire qui impose déjà une discipline de gouvernance avant même l'arrivée de l'IA générative.
Pour une organisation de taille moyenne, répliquer IARA telle quelle n'a pas de sens économique : le coût de construction d'une couche d'orchestration multi-modèles dépasse largement les gains attendus en dessous d'un certain volume de requêtes. Le principe transposable n'est pas l'outil, c'est l'ordre des étapes : gouvernance d'abord, échelle ensuite.
Par où commencer
Cartographier les cas d'usage par exigence réelle : distinguer ce qui tolère un modèle rapide et bon marché de ce qui exige du raisonnement vérifié, avant de choisir un seul fournisseur par défaut.
Poser des règles d'accès et de traçabilité avant le déploiement, même à petite échelle : qui peut interroger quel modèle, avec quelles données, et comment l'usage est journalisé.
Mesurer le coût par token dès le premier mois de production, sur un cas d'usage limité, pour disposer d'une base de comparaison avant d'étendre l'usage à d'autres équipes.
Pour approfondir la question des coûts à l'usage, voir l'analyse du cas Asana sur la réduction du coût d'un agent IA. Sur le volet garde-fous, la lettre des grands laboratoires sur la gouvernance de l'IA en entreprise donne un cadre complémentaire à celui d'IARA.
Sources
Itaú: Scaling generative AI across 70 million customer profiles — OpenAI, OpenAI, 04/08/2026
Cet article a été rédigé et illustré par un système d'intelligence artificielle à partir des sources citées ci-dessus, puis publié automatiquement, sans relecture humaine préalable. Si vous relevez une erreur factuelle, merci de nous la signaler.
Commentaires