PSB dévoile comment il déploie l'IA dans la banque : chatbots, RAG et services pour les entreprises

PSB a dévoilé non pas un simple ensemble d'expériences d'IA, mais un schéma assez rigoureux et pragmatique pour intégrer l'IA dans le périmètre bancaire. La banque souligne qu'elle n'a pas cherché à tester tous les outils LLM parmi les premiers. Elle a plutôt bâti méthodiquement des solutions là où l'effet métier se voit vite : service aux petites et moyennes entreprises (PME), automatisation des consultations et allègement de la charge des employés. Résultat : PSB exploite déjà un ensemble composé de bots à scénarios, d'un assistant génératif, d'une recherche RAG dans la base de connaissances et de pilotes pour les équipes internes.

Dans les services externes, l'accent porte surtout sur les entrepreneurs. PSB utilise des modèles de recommandation dans son CRM pour analyser les transactions et proposer des tarifs, des produits et des motifs de contact mieux adaptés au client. La logique est simple : l'IA ne doit pas divertir, mais faire économiser de l'argent et du temps.

Par exemple, le système peut repérer qu'un client paie régulièrement trop cher des opérations au-delà d'un plafond et qu'il aurait intérêt à changer de tarif. Ou suggérer de faire passer un partenaire commercial chez PSB si cela réduit le coût des paiements pour les deux parties. Selon la banque, environ 98 % des services pour les entrepreneurs sont déjà accessibles à distance, et 74 % bénéficient d'une automatisation de bout en bout, sans intervention humaine aux étapes intermédiaires.

Le produit clé est l'assistant d'IA Katyusha, disponible dans la banque en ligne, l'application mobile, sur le site et dans VK. Il sert non seulement de chatbot de réponse, mais aussi d'outil pratique pour les tâches courantes des entreprises : rédaction de textes de vente, de descriptions de fiches sur les places de marché, de réponses aux avis, de publications pour les réseaux sociaux, voire de questions pour les entretiens avec des candidats. La banque évoque environ quatre mille requêtes par trimestre et souligne que le service reste gratuit pour les clients du segment PME.

Il repose sur un LLM russe que PSB a commencé à tester lors d'un pilote précoce. L'idée est de rassembler les scénarios les plus fréquents dans une seule fenêtre plutôt que d'envoyer le client vers différents services externes.

L'étape suivante consiste à intégrer le RAG dans la couche de consultation de Katyusha. D'après PSB, c'est cette couche qui a apporté le bond qualitatif le plus net : dans le pilote, l'automatisation des demandes a progressé de 7 %, le temps moyen de résolution a été divisé par huit et la satisfaction des clients avec le chatbot a augmenté de 21 %. Dans le même temps, la part des réponses erronées a été ramenée de 3 % à 1 %. Pour la banque, c'est un résultat important, car à un niveau d'automatisation élevé, chaque point supplémentaire est bien plus difficile à gagner qu'au départ.

Le filtre éthique du LLM s'est révélé un problème à part : lors des tests, il bloquait près de 30 % des requêtes à cause de la formulation de la base de connaissances. Après réécriture des textes, remplacement des mots sensibles et ajout d'un post-traitement, la banque a ramené la part de ces blocages à 1 %, ce qui a rendu le pilote viable.

Un autre volet concerne la banque dans les messageries et l'IA interne pour les employés. Depuis 2023, Katyusha fonctionne dans VK non seulement comme conseillère, mais aussi comme interface pour les opérations de base du RKO (services de caisse et de règlement) : émission de factures, paiements, consultation des relevés et du solde. En 2025, le nombre d'utilisateurs actifs de ce canal a progressé de 35 % et plus de 60 mille paiements y ont transité. PSB a ensuite lancé aussi des services de paiement dans MAX.

En interne, le pilote pour les employés a démarré en octobre 2025, d'abord avec 25 personnes chargées de répondre rapidement aux demandes des agences commerciales et des chargés d'affaires itinérants. L'objectif est de libérer environ 10 % du temps de travail, mais le pilote a montré que l'IA apporte le plus de valeur non pas sur les questions types, mais dans des scénarios plus étroits, sans données personnelles, où comptent les consultations précises et les conseils sur les produits.

Une stratégie assez claire s'en dégage. PSB ne cherche pas à construire une banque d'IA universelle en une seule étape, mais répartit les tâches selon le niveau de risque et d'utilité : modèles cloud pour les scénarios de contenu et non personnalisés, bots à scénarios pour les réponses rapides et simples, RAG pour des consultations à grande échelle, et LLM interne au périmètre pour les données sensibles et les services internes. En 2026, la banque compte déployer un LLM dans son propre périmètre et faire passer la part des réponses RAG dans le flux global de consultations de 4 % à 16 %.

Pour le marché, c'est un exemple parlant de grande banque qui déploie l'IA générative non pas pour la vitrine, mais comme un outil de travail doté de métriques claires.