L’IA générative d’Itaú se déploie dans toute la banque, avec la gouvernance comme véritable épreuve

Itaú a fait évoluer sa stratégie d’IA générative, passant de projets pilotes ciblés à 300 000 clients, avec l’objectif d’atteindre l’ensemble de sa clientèle au cours de 2026. Le programme d’IA générative d’Itaú combine désormais ia.i, une interface bancaire conversationnelle, et IARA, une plateforme interne de gouvernance des modèles, des données, des coûts et des risques.

Cette association compte davantage que le chatbot seul. Itaú souhaite que les clients utilisent le langage courant au lieu de parcourir des menus distincts pour les comptes, le crédit, les cartes, l’assurance et les investissements. Or, chaque échange plus vaste accroît le risque de réponse inexacte, de recommandation inappropriée, de défaillance de confidentialité ou d’action non autorisée.

La banque teste donc deux promesses simultanément. La promesse visible est que les opérations bancaires peuvent devenir plus simples et plus personnelles. La promesse moins visible est qu’Itaú peut maintenir les modèles génératifs sous contrôle au sein d’une institution fortement réglementée. Erica de Bank of America et LLM Suite interne de JPMorganChase constituent des points de comparaison utiles, mais Itaú cherche à relier les conversations clients, les outils employés et l’accès gouverné aux modèles au moyen d’une architecture unique.

L’IA générative d’Itaú passe des projets pilotes à une interface à l’échelle de la banque

Le changement ne consiste pas simplement à ajouter un assistant à l’application d’Itaú. Il transforme la conversation en couche d’accès à la banque.

Itaú a présenté ia.i publiquement en juillet 2026, après avoir développé des fonctionnalités d’intelligence artificielle plus restreintes depuis 2024. L’interface accepte les demandes par texte ou par voix via l’application Itaú. Elle est conçue pour identifier l’intention d’un client et relier cette demande à la capacité bancaire pertinente.

Le lancement initial a concerné environ 300 000 clients. Itaú a indiqué prévoir d’étendre l’accès à environ 3 millions de personnes d’ici septembre, puis à l’ensemble de sa clientèle avant la fin de l’année. La banque n’a pas communiqué publiquement de chiffres définitifs d’adoption ou d’utilisation active pour ces étapes ultérieures.

Le déploiement auprès des clients couvre davantage que les questions et la découverte de comptes. Itaú affirme qu’ia.i peut fournir des informations, interpréter des commandes, orienter les décisions et lancer des transactions prises en charge. Il peut également transférer un client vers une assistance humaine spécialisée lorsque la conversation l’exige.

Cela crée une expérience différente de celle d’un chatbot fixe. Un assistant scénarisé associe généralement une question à une réponse préparée ou à un flux de travail limité. Une interface générative peut interpréter des formulations variées, combiner du contexte et générer une réponse adaptée à la situation du moment.

Itaú indique qu’ia.i prend en compte le contexte financier, l’historique de la relation, les objectifs et l’étape de vie lors de ses réponses. Ces éléments peuvent aider les clients à éviter de chercher dans des menus sans rapport les uns avec les autres. Ils rendent également l’exactitude, les limites d’utilisation des données et la transparence plus importantes.

Un client qui pose une question sur un paiement par carte présente un problème d’information limité. Une personne qui demande si elle peut se permettre un achat pose un problème de jugement plus large. Le système doit déterminer quelles données sont pertinentes, ce qu’il est autorisé à utiliser et à quel moment une assistance humaine devient nécessaire.

Le déploiement fait suite à plusieurs initiatives plus modestes. Elles comprenaient un assistant d’investissement, des paiements Pix via WhatsApp, des outils pour les petites entreprises et du matériel de paiement à commande vocale. Chaque projet a testé une tâche plus circonscrite avant qu’Itaú ne tente de créer une couche conversationnelle commune.

Une fonctionnalité d’investissement antérieure a débuté auprès de 10 000 clients en 2025. Cette approche par étapes a permis à Itaú de tester les réponses, les comportements des clients et les voies d’escalade avant de s’adresser à une population bien plus large.

Cette progression explique également pourquoi l’annonce de 2026 est importante. Itaú ne présente plus l’IA générative comme une expérimentation isolée. La banque fait de cette technologie une partie intégrante de la manière dont les clients découvrent et utilisent des services financiers établis.

Cette transition crée la tension centrale de l’article. Une couche conversationnelle doit sembler suffisamment ouverte pour être utile, tout en restant assez contrainte pour fonctionner de manière sûre. L’interface peut masquer la complexité de la banque, mais elle ne peut supprimer les obligations associées à chaque réponse ou transaction.

Pourquoi ia.i est plus qu’un déploiement de chatbot

Itaú parie que les clients commenceront par une intention, plutôt que par un menu de produits, et laisseront la banque déterminer le bon parcours.

Les applications bancaires conventionnelles organisent les services selon la structure de l’institution. Les clients choisissent des comptes, des cartes, des paiements, des prêts, des assurances ou des investissements. Ils doivent savoir quelle catégorie contient la tâche qu’ils souhaitent accomplir.

Une interface conversationnelle inverse cette séquence. Un client peut d’abord exprimer un objectif, un problème ou une question. Le système identifie ensuite le produit, la source d’information ou le flux de travail pertinent.

Cette distinction paraît modeste jusqu’à ce que la demande traverse les frontières entre produits. Une question sur l’épargne en vue d’un achat peut concerner les flux de trésorerie, le solde d’un compte, les obligations liées aux cartes et une position d’investissement. Une réponse utile exige davantage que la génération de langage.

Itaú appelle la couche contextuelle derrière cette expérience Customer DNA. Selon le déploiement de l’IA de la banque, le système fournit un contexte financier pour environ 70 millions de clients. Les modèles OpenAI figurent parmi les modèles utilisés dans l’environnement gouverné d’Itaú.

Cette échelle ne signifie pas que chaque client reçoit les conseils d’un conseiller financier sans contrainte. Elle signifie qu’Itaú a construit un système de contexte destiné à soutenir différentes expériences pour une vaste population de clients. Les données disponibles et les actions autorisées dépendent toujours du cas d’usage spécifique.

Itaú indique que les clients peuvent passer d’une commodité de base à des conseils plus spécialisés au sein de la même interface. Un utilisateur peut demander des informations sur son compte, exécuter une commande prise en charge ou chercher de l’aide pour comprendre une décision d’investissement.

La banque affirme également qu’ia.i s’adapte à la langue du client et peut communiquer par voix ou par texte. Cette flexibilité peut réduire la nécessité d’apprendre les noms exacts des menus. Elle pourrait aussi rendre les services bancaires numériques plus accessibles aux personnes qui peinent à naviguer dans des applications complexes.

Cependant, le langage naturel introduit une ambiguïté que les boutons évitent. « Payez ma facture » peut désigner plusieurs obligations. « Puis-je dépenser cela ? » peut signifier une vérification de solde, une question de budget ou une demande de conseil financier personnalisé.

Le système doit résoudre cette ambiguïté sans créer de fausse confiance. Il doit confirmer les actions sensibles, distinguer l’information du conseil et éviter d’impliquer une certitude lorsque les données du client sont incomplètes.

Les propres recherches d’Itaú avec Grupo Consumoteca ont montré que 80 % des Brésiliens interrogés souhaitaient mieux organiser leur vie financière. Elles ont également révélé que 65 % souhaitaient une technologie capable de fournir un accompagnement financier continu. Il s’agit de résultats financés par l’entreprise, et non de mesures indépendantes de l’adoption d’ia.i.

L’enquête identifie néanmoins la demande à laquelle Itaú espère répondre. De nombreux clients n’ont pas besoin d’une nouvelle liste de produits. Ils ont besoin d’aide pour relier leurs informations financières à la décision qu’ils cherchent à prendre.

C’est pourquoi l’assistant revêt une importance stratégique. La banque qui contrôle le point de départ conversationnel peut influencer la manière dont les clients trouvent des services, comprennent les options et font remonter les problèmes. Elle peut aussi recueillir des signaux précieux sur les besoins non satisfaits.

Ces avantages s’accompagnent de devoirs correspondants. Les clients doivent comprendre quand ils interagissent avec l’IA, comment les recommandations sont produites et à quel moment un humain peut examiner un résultat. Une interface pratique ne doit pas brouiller les responsabilités liées aux décisions importantes.

Pour les travailleurs du savoir, le même principe s’applique au-delà de la banque. Une base de connaissances IA utile requiert un contexte tenant compte des autorisations, une récupération fiable et des limites claires entre les sources. Une production fluide ne suffit pas à établir la confiance.

IARA place la gouvernance entre les modèles et l’argent

IARA est le mécanisme central de la stratégie d’Itaú, car il dissocie l’accès aux modèles de leur utilisation non contrôlée.

IARA est la plateforme de gouvernance et d’orchestration d’Itaú pour l’intelligence artificielle. L’orchestration signifie que la plateforme peut orienter une tâche entre des modèles et des systèmes de soutien, plutôt que de lier chaque application à un seul fournisseur.

La plateforme donne aux équipes internes un accès contrôlé à plusieurs modèles. OpenAI est l’un des fournisseurs disponibles dans cet environnement, plutôt que l’unique fournisseur de modèles intégré à chaque flux de travail.

Cette approche indépendante des modèles offre plusieurs options à Itaú. Un modèle moins coûteux peut traiter une tâche de routine où la rapidité compte. Un modèle de raisonnement plus performant peut traiter une demande difficile lorsque le coût et la latence plus élevés sont justifiés.

IARA permet également à la banque d’appliquer des politiques communes à ces choix. Itaú indique que la plateforme surveille l’utilisation des modèles, l’exactitude des réponses, la consommation de tokens et les exigences d’IA responsable. Les tokens sont les unités utilisées pour traiter du texte au moyen de modèles de langage.

La centralisation ne rend pas automatiquement un système d’IA sûr. Elle peut toutefois créer un point unique pour les contrôles d’accès, la journalisation, l’évaluation des modèles, les limites de coûts et l’application des politiques. Sans cette couche, chaque équipe produit pourrait mettre en place des protections et des pratiques de données différentes.

Le service juridique d’Itaú fournit le plus grand exemple divulgué. Selon la banque, sa solution d’IA juridique travaille sur plus de 90 millions de documents et réalise plus de 2 millions de tâches chaque mois. L’entreprise fait état de gains d’efficacité allant de 20 % à 80 % selon les étapes du processus.

Ces pourcentages couvrent une large plage et proviennent d’Itaú, et non d’un audit indépendant. Ils ne doivent pas être considérés comme un résultat de productivité universel. La lecture de documents juridiques diffère également des conseils financiers destinés aux clients.

L’exemple démontre néanmoins pourquoi l’orchestration importe. Le traitement d’une archive juridique nécessite des autorisations documentaires, de la récupération, une sélection de modèles, de la traçabilité et une surveillance des résultats. Le modèle ne génère qu’une partie du résultat.

Itaú indique qu’IARA conserve les informations sensibles dans le contexte de la banque tout en contrôlant la manière dont les applications accèdent aux modèles externes. Cette frontière est essentielle lorsque les prompts peuvent inclure des informations sur les clients, les employés, les transactions ou les affaires juridiques.

La plateforme prend également en charge l’observabilité, ce qui signifie que les équipes peuvent examiner le comportement des systèmes après leur déploiement. Dans le secteur bancaire, la surveillance ne peut pas s’arrêter lorsqu’un modèle réussit une évaluation de lancement. Le langage des clients, les schémas de fraude, le comportement des modèles et les produits sous-jacents évoluent tous.

Une mise à jour de modèle peut améliorer le raisonnement tout en modifiant le comportement de refus. Une politique produit révisée peut rendre une réponse plus ancienne incorrecte. Une nouvelle méthode d’attaque peut révéler des faiblesses absentes pendant le développement.

IARA doit donc gouverner l’ensemble du cycle de vie du système. Cela comprend l’accès aux données avant une demande, le routage pendant le traitement et l’examen après la réponse. Cela inclut aussi l’enquête sur les incidents lorsqu’une réponse cause un préjudice ou de la confusion.

L’architecture ressemble à la direction prise par d’autres grandes banques. JPMorganChase a lancé LLM Suite comme environnement contrôlé d’IA générative pour les employés. L’entreprise a indiqué que la plateforme avait atteint plus de 200 000 utilisateurs intégrés en huit mois.

La stratégie d’Itaú étend l’idée de plateforme partagée aux conversations avec les clients. Il s’agit d’un test plus exposé, car un client peut agir immédiatement à partir d’une réponse. Les employés disposent souvent d’une formation, d’une documentation interne et de processus de contrôle dont les consommateurs ne bénéficient pas.

Le choix de plusieurs modèles constitue une autre protection pratique, mais il génère un travail de gestion. Itaú doit comparer en continu la qualité, le coût, la latence, les conditions de confidentialité et le comportement des modèles. Un changement de fournisseur ne doit pas affaiblir un processus réglementé sans être détecté.

Aucune plateforme de gouvernance ne peut éliminer toutes les défaillances. Sa valeur réside dans l’harmonisation des contrôles, la visibilité des preuves et la possibilité d’intervenir. C’est un fondement plus crédible que de s’en remettre à l’aisance linguistique ou à la réputation d’une marque de modèle.

La pression concurrentielle porte sur une interface bancaire plus simple

Les rivaux d’Itaú ne se livrent pas concurrence uniquement sur la qualité des modèles. Ils cherchent à devenir le premier endroit où les clients expriment leurs intentions financières.

Les banques utilisent depuis des années le machine learning pour la détection de fraude, l’analyse de crédit, la personnalisation et l’orientation des demandes de service. L’IA conversationnelle modifie la couche de présentation, et non l’existence de l’automatisation.

Bank of America offre le précédent le plus clair à grande échelle. Son assistant virtuel Erica a été lancé en 2018, avant le cycle actuel de l’IA générative. En août 2025, la banque indiquait avoir enregistré plus de 3 milliards d’interactions avec ses clients et près de 50 millions d’utilisateurs.

Les données d’utilisation d’Erica de la banque montrent également la discipline qui sous-tend un assistant mature. Bank of America a déclaré qu’Erica utilisait une bibliothèque contrôlée de plus de 700 réponses et avait reçu plus de 75 000 mises à jour.

Cette conception privilégie des résultats prévisibles plutôt qu’une génération ouverte. Itaú poursuit une interface générative plus large, mais l’exemple d’Erica montre pourquoi une maintenance continue est essentielle. Un assistant financier devient un service opérationnel, et non une fonctionnalité logicielle achevée.

Nubank a également commencé à tester un assistant de crédit génératif auprès d’un groupe restreint de clients en 2023. Son périmètre initial couvrait les questions sur les limites de crédit, le crédit garanti, NuPay et les prêts personnels. Ce lancement limité reflétait les risques d’une entrée immédiate dans des discussions de crédit personnalisées.

Ces approches exercent une pression sur chaque banque de détail dotée d’une application complexe. Dès lors que les clients peuvent exprimer directement une intention, les expériences centrées sur des menus commencent à paraître inefficaces. La comparaison passe du nombre de fonctionnalités à la rapidité avec laquelle la banque comprend et exécute une demande.

Itaú dispose d’un avantage dans l’étendue des services qu’elle peut connecter. Les comptes, cartes, assurances, crédits, paiements et investissements peuvent tous apporter du contexte. Cette amplitude peut produire des conseils plus utiles qu’un assistant à usage unique.

Elle peut aussi créer des conflits. Une banque peut tirer profit de l’adoption d’un produit supplémentaire par un client. Celui-ci doit avoir l’assurance que les conseils générés reflètent ses intérêts, son éligibilité et son profil de risque, plutôt qu’un objectif commercial non signalé.

L’interface doit donc préserver les distinctions entre information, assistance, recommandation et promotion. Ces catégories impliquent des attentes différentes. Les réunir dans une conversation conviviale pourrait rendre leurs limites difficiles à discerner.

L’IA générative donne également aux fournisseurs de technologies davantage d’influence sur les interfaces bancaires. Les fournisseurs de modèles apportent des capacités linguistiques et de raisonnement, tandis que les banques fournissent les données, les processus, les règles de conformité et les relations clients.

L’architecture multi-modèles d’Itaú réduit sa dépendance à l’égard d’un fournisseur unique. Elle n’élimine pas la dépendance externe, car les modèles de pointe, les systèmes cloud et les infrastructures spécialisées continuent d’évoluer hors de la banque.

La compétition stratégique n’oppose donc pas Itaú à OpenAI, ni une banque à un fournisseur de modèles. Elle oppose un contexte institutionnel maîtrisé à une intelligence générique de modèle. La banque doit démontrer que ses données et sa gouvernance produisent une expérience plus sûre et plus utile.

Si ia.i réussit, les concurrents seront poussés à unifier leurs propres assistants entre leurs produits. Un chatbot fragmenté pour les questions d’assistance paraîtra moins capable face à une interface pouvant interpréter des objectifs et effectuer des transactions.

Si ia.i rencontre des difficultés, le secteur pourrait privilégier des assistants plus étroits, aux actions soigneusement limitées. Les banques pourraient continuer à utiliser l’IA générative en interne tout en conservant des outils destinés aux consommateurs plus déterministes.

Cela ne signifierait pas que la technologie a échoué. Cela montrerait que les conversations clients à fort enjeu nécessitent un équilibre différent de celui des résumés de documents, des outils de rédaction ou de la recherche pour les employés.

La promesse d’échelle d’Itaú face à la réalité réglementée

La question non résolue est de savoir si Itaú peut préserver l’exactitude, le consentement et la responsabilité humaine à mesure que ia.i dépasse les cohortes contrôlées.

Le système financier brésilien impose des exigences en matière de sécurité, de protection des consommateurs, de traitement des données, de conservation des dossiers et de résilience opérationnelle. L’IA générative ajoute des résultats incertains à ce cadre existant.

Le Banco Central do Brasil a identifié l’intelligence artificielle comme un domaine nécessitant l’étude des risques et des effets au sein des institutions financières. Les règles actualisées de cybersécurité mettent également l’accent sur les contrôles d’accès, la traçabilité, l’intégration sécurisée, les tests et la protection des infrastructures.

Ces exigences correspondent à l’objectif déclaré d’IARA. Toutefois, Itaú n’a pas publié publiquement de taux d’erreur détaillés, de taux d’escalade, de résultats de satisfaction client ou de répartition des incidents impliquant ia.i. Les études de cas disponibles se concentrent principalement sur l’architecture et les avantages attendus.

Cette lacune en matière de preuves est importante, car la taille du déploiement ne suffit pas à établir la qualité. Un système peut atteindre des millions de comptes tout en étant peu utilisé activement. Il peut également bien traiter les demandes simples tout en ayant des difficultés avec des questions inhabituelles ou importantes.

Trois risques méritent une attention particulière.

Premièrement, les réponses générées peuvent sembler plus certaines que ne le justifient les éléments sur lesquels elles reposent. Dans un contexte bancaire, une explication erronée peut influencer les dépenses, l’emprunt, l’assurance ou les décisions d’investissement.

La récupération d’informations approuvées peut réduire ce risque, mais ne peut pas éliminer l’ambiguïté. Les conditions des produits changent, les situations des clients diffèrent et le modèle peut combiner des faits exacts pour aboutir à une conclusion inadaptée.

Deuxièmement, la personnalisation dépend des données personnelles. L’autorité brésilienne de protection des données a mis en évidence des risques liés aux prompts, aux sorties des modèles, au partage des données, à leur conservation, à la transparence et à la réutilisation d’informations personnelles.

Le radar de l’IA générative de l’autorité souligne que l’innovation doit rester compatible avec la loi générale brésilienne sur la protection des données. Il note également que les utilisateurs peuvent introduire dans les prompts leurs propres données, ou celles d’une autre personne, sans en reconnaître les conséquences.

Pour Itaú, la gouvernance doit couvrir davantage que les données d’entraînement. Elle doit traiter les informations réunies pour chaque interaction, les données envoyées à chaque modèle, la réponse qui en résulte et tout enregistrement conservé par la suite.

Troisièmement, une assistance automatisée peut devenir en pratique une décision automatisée, même lorsque le système ne fournit techniquement que des conseils. Les clients peuvent suivre une réponse assurée sans demander de contrôle humain.

L’agenda brésilien de protection des données comprend des travaux sur l’article 20 de la LGPD, qui porte sur l’examen des décisions fondées uniquement sur un traitement automatisé de données personnelles. Itaú doit maintenir des frontières claires entre l’assistance conversationnelle, les recommandations et les décisions qui affectent les intérêts des clients.

L’escalade vers un humain constitue une protection importante, mais sa conception déterminera sa valeur. Un transfert qui perd le contexte de la conversation crée de la frustration. Une escalade qui n’intervient qu’après une erreur peut arriver trop tard.

La banque doit également se prémunir contre l’injection de prompts, la fraude, la prise de contrôle de comptes et l’ingénierie sociale. Un attaquant pourrait tenter de manipuler l’assistant, d’extraire des informations ou de déclencher un processus sensible à l’aide d’un langage trompeur.

Des étapes de confirmation restent nécessaires pour les transactions. La couche conversationnelle ne doit pas affaiblir l’authentification simplement parce que la demande paraît naturelle. La commodité doit s’arrêter là où l’autorité reste incertaine.

Les biais constituent un autre défi. Un modèle peut produire des tons, des hypothèses ou des conseils différents pour des clients formulant de manière différente des besoins similaires. Itaú affirme que ses politiques d’IA responsable traitent les biais, mais n’a pas publié de résultats détaillés d’évaluation externe pour ia.i.

La viabilité économique constitue un autre élément non démontré du plan. L’utilisation des modèles génère des coûts variables, en particulier lorsque les conversations exigent un contexte long ou un raisonnement plus approfondi. L’orientation des tâches entre plusieurs modèles peut maîtriser les dépenses, mais une adoption plus large peut tout de même accroître la consommation totale.

Les attentes annoncées par Itaú concernant ses employés doivent également être validées. La banque prévoit que les outils d’IA pourront permettre aux chargés de clientèle de consacrer trois fois plus de temps aux interactions avec les clients. Elle s’attend à ce que le service devienne deux fois plus rapide et que les conversations soient jusqu’à trois fois plus efficaces.

Il s’agit d’attentes prospectives de l’entreprise. Les notions de « temps disponible » et d’« efficacité » peuvent dépendre de choix de mesure internes. Les communications publiques devraient à terme distinguer les bénéfices projetés des résultats observés.

Une évaluation responsable comporte donc deux volets. Itaú a présenté une architecture de gouvernance crédible et plusieurs déploiements significatifs. Elle n’a pas encore fourni suffisamment d’éléments indépendants ou longitudinaux pour confirmer que cette architecture fonctionne pour l’ensemble de sa clientèle.

Trois signaux détermineront si le pari d’Itaú fonctionne

La prochaine phase doit être évaluée sur des comportements vérifiés, et non sur le nombre de clients qui reçoivent une icône dans l’application bancaire.

Le premier signal est l’utilisation durable par les clients après une disponibilité généralisée. Itaú devrait communiquer le nombre d’utilisateurs actifs, les usages répétés, les tâches achevées, les abandons, les transferts vers un humain et la satisfaction client. Le passage de 300 000 clients éligibles à un accès universel n’a d’importance que si les utilisateurs font confiance à l’interface pour de véritables besoins financiers.

Le deuxième signal est la présence de preuves relatives à l’exactitude et aux protections. Des rapports utiles incluraient les catégories d’erreurs, les confirmations réussies de transactions, le volume de réclamations, les corrections de réponses et les incidents graves. Ils devraient également expliquer comment IARA évalue les différents modèles avant et après leur déploiement.

Toute publication du Banco Central ou de l’autorité brésilienne de protection des données apportera un repère externe. La banque centrale étudie déjà les risques de l’IA dans les institutions financières, tandis que l’autorité de protection des données élabore des orientations sur les décisions automatisées et le traitement responsable des données.

Le troisième signal est de savoir si les concurrents élargissent leurs propres assistants. Bank of America a démontré qu’un assistant financier contraint peut prendre en charge un volume énorme d’interactions. JPMorganChase a montré qu’une plateforme interne gouvernée peut atteindre des centaines de milliers d’employés.

Itaú tente de combiner ces voies. Elle veut réunir, dans un cadre maîtrisé, des conversations à l’échelle de sa clientèle, la productivité des employés, des données financières contextuelles et plusieurs fournisseurs de modèles.

Un déploiement réussi renforcerait l’idée que l’IA générative peut devenir une interface principale pour des services réglementés. Un repli vers des questions limitées étayerait la conclusion inverse. Il suggérerait que les processus déterministes restent plus sûrs pour les actions clientes importantes.

Les développeurs et les acheteurs d’entreprise devraient observer la manière dont Itaú répartit les responsabilités entre le modèle, la couche d’orchestration, les systèmes bancaires et le personnel humain. Cette répartition sera importante dans la santé, l’assurance, les services juridiques et d’autres secteurs réglementés.

Les clients devraient se poser une question plus simple chaque fois que ia.i leur propose des conseils : la réponse peut-elle montrer son fondement, ses limites et une voie fiable vers un contrôle humain ?

La stratégie d’IA générative d’Itaú ne se jouera pas sur la capacité d’ia.i à tenir une conversation fluide. Elle dépendra de la capacité de la banque à rendre cette conversation précise, traçable, économique et utile à grande échelle.