Raiffeisenbank a déployé un assistant RAG en Kotlin sans Python ni compétences supplémentaires

L'équipe de Raiffeisenbank a construit un assistant RAG en Kotlin et Spring Boot — et n'a pas écrit une seule ligne de Python. Leur expérience montre que la stack JVM gère les tâches d'IA aussi bien que la stack Python, si l'équipe y travaille déjà et ne veut pas ajouter de nouvelles compétences.

D'Où Vient la Tâche

Les systèmes internes d'une grande banque sont des couches de documents, tableaux et accords éparpillés à plusieurs endroits. Les responsables de produit, les tech leads, les CTO, les responsables de niveau B-1, les employés de gestion des coûts — tous passent du temps non pas à travailler dans le système lui-même, mais à chercher les bonnes informations : fichiers Excel, e-mails, notes locales, appels aux collègues. Pour les employés expérimentés, c'est simplement une friction.

Pour les nouveaux, c'est un véritable obstacle. L'idée d'un assistant IA est simple : rassembler les réponses en un seul endroit et les livrer en langage naturel. Pas une interface pour l'interface, mais une véritable économie de minutes sur chaque demande de travail.

Et pour les nouveaux employés, la douleur est particulièrement aiguë — ils n'ont pas encore de canaux informels et n'ont pas quelqu'un à qui se tourner sans explications supplémentaires.

Pourquoi JVM, Pas Python

Python est le standard de facto pour le développement d'IA. LangChain, LlamaIndex, HuggingFace Transformers — tout l'écosystème d'IA mature a grandi sur Python et s'y sent mieux. C'eût été le choix logique pour un projet d'IA. Mais l'équipe produit de la banque vit sur JVM : Kotlin, Java, Spring Boot. Une transition vers Python signifierait apporter de nouveaux spécialistes, construire une nouvelle stack autour d'un produit, de nouveaux domaines de responsabilité et des risques de support supplémentaires. L'équipe a choisi différemment — rester dans un environnement familier. Délibérément, pas par inertie. Arguments clés en faveur de JVM :

• Le support et la scalabilité restent au sein de l'équipe existante
• Pas besoin d'embaucher des développeurs Python ou de recycler les actuels
• Spring Boot fournit une infrastructure prête à l'emploi — sécurité, logging, déploiement
• Le LLM se connecte via API — le modèle de langage ne nécessite pas Python sur le serveur
• L'écosystème JVM dispose de bibliothèques fonctionnelles pour les embeddings et les entrepôts vectoriels

Résultat : un pipeline RAG complet en Kotlin, sans besoin d'apporter de nouvelles compétences pour un outil interne.

La Documentation comme Problème Caché

L'une des principales leçons du projet : RAG fonctionne exactement aussi bien que les données source. Quand l'assistant a commencé à donner des réponses imprécises ou contradictoires, il s'est avéré que la raison n'était ni le modèle ni l'architecture du pipeline. La raison était dans les documents eux-mêmes.

Des tableaux Excel dispersés avec différentes versions des mêmes données, des instructions obsolètes que personne n'avait mises à jour pendant des années, des entrées en double provenant de sources différentes — tout cela est devenu visible immédiatement une fois que l'IA a commencé à s'y fier. Le projet a donné à l'équipe une raison d'organiser les connaissances qui s'accumulaient simplement sans structure et sans nettoyage périodique. Essentiellement, l'assistant IA est devenu un outil d'audit de documentation — bien que personne ne l'ait prévu initialement.

Une partie de l'effort est allée non au développement, mais à la mise en ordre des sources. C'est une composante non évidente, mais pratiquement inévitable de toute implémentation RAG.

Ce Que Cela Signifie

Les équipes JVM n'ont pas à passer à Python pour l'IA. Si l'expertise et l'infrastructure sont déjà construites — elles peuvent être utilisées directement. Un pipeline RAG en Kotlin et Spring Boot s'assemble sans pertes fondamentales de fonctionnalité, mais avec un contrôle total au sein de la stack familière. Pour les banques et les entreprises fintech où JVM est le standard de facto, l'expérience de Raiffeisenbank est un précédent important : les tâches d'IA sont résolubles sans changer d'outils.