Une équipe fintech a lancé un chatbot AI : concepts, pièges et leçons du déploiement de GenAI

Une équipe fintech a décrit ouvertement le parcours de mise en place d’un chatbot de AI générative — depuis les premières expérimentations sur les prompts jusqu’au lancement en production. Il est apparu que l’écart entre la façon dont GenAI fonctionne dans une démo et ce qu’il exige dans un vrai produit financier est colossal.

L’AI dans la finance est un cas à part

Les modèles génératifs gèrent bien les questions larges et ouvertes. Mais le domaine fintech impose des exigences fondamentalement différentes : précision des données, actualité de l’information et stricte prudence réglementaire.

Si un modèle de langage se trompe dans une recette, c’est désagréable. S’il se trompe dans la description d’un produit bancaire ou des conditions d’un crédit, cela devient un risque juridique et une perte de confiance du client.

Dès les premières étapes, l’équipe s’est heurtée à une question clé : comment éviter les « hallucinations » là où chaque mot engage une responsabilité financière ? La réponse s’est révélée non triviale et a nécessité plusieurs itérations d’architecture avant qu’un prototype opérationnel n’apparaisse.

Les concepts qui ont changé l’approche

Avant d’écrire la première ligne de code, l’équipe a dû clarifier plusieurs concepts fondamentaux, mal expliqués dans la plupart des tutoriels :

• RAG (Retrieval-Augmented Generation) — au lieu de répondre « de mémoire », le modèle va chercher les faits dans une base de connaissances externe. Sans RAG, un bot financier invente soit des données, soit répond « je ne sais pas » à la plupart des questions spécifiques.
• Prompt engineering — des instructions système qui définissent le ton, les contraintes et le format des réponses. En finance, ce n’est pas une option, mais une couche obligatoire de contrôle du comportement du système.
• Guardrails — des mécanismes de protection : interdiction des conseils d’investissement précis, obligation de citer les sources et refus de donner des chiffres exacts sans vérification.
• Évaluation de la qualité — comment mesurer si le bot répond correctement ? Les métriques automatiques sont souvent trompeuses, tandis que la vérification manuelle de chaque réponse ne passe pas à l’échelle.
• Latency vs. quality — un modèle plus intelligent répond plus lentement. Dans une application mobile, 7–8 secondes d’attente représentent déjà un vrai problème de UX et de conversion.

Où des difficultés inattendues sont apparues

Les difficultés les plus douloureuses n’ont pas été techniques, mais organisationnelles et conceptuelles.

Limites de responsabilité. Dès le départ, le service juridique a adopté une position claire : le bot doit informer, pas conseiller. Cela a fortement réduit l’éventail des réponses admissibles et a obligé l’équipe à repenser les principaux scénarios utilisateurs. Une partie des fonctions envisagées a dû être supprimée.

Base de connaissances. À première vue, une entreprise fintech dispose de nombreux documents structurés — tarification, conditions, FAQ. Mais lors de la construction du système RAG, il est apparu que les formats étaient incompatibles, qu’une partie des informations était obsolète et que les données étaient dispersées dans plusieurs systèmes sans registre unique. La construction d’une base de connaissances de qualité a pris nettement plus de temps que le développement du bot lui-même.

Confiance des utilisateurs. Les gens posent volontiers au bot des questions neutres, mais deviennent prudents dès qu’il s’agit de finances. L’adoption du produit a avancé plus lentement que l’équipe ne l’attendait, et un travail supplémentaire sur l’UX et les formulations a été nécessaire.

«

Cet article a été écrit pour expliquer les concepts et les difficultés auxquels mon équipe et moi avons été confrontés », écrivent les auteurs, en évitant volontairement les détails techniques.

Ce que cela signifie

L’histoire de cette équipe est un reflet fidèle de ce à quoi la plupart des entreprises se heurtent lors de leur première intégration sérieuse de GenAI dans un produit. Le domaine financier multiplie tous les risques : juridiques, techniques et liés aux utilisateurs. D’où la valeur encore plus grande d’un retour d’expérience honnête de praticiens qui consignent non seulement les succès, mais aussi les surprises — celles qu’ils n’avaient pas anticipées.