La formation à l’IA dans la finance à Singapour atteint 80 000 travailleurs, mais les compétences seules ne protégeront pas les emplois

La formation à l’IA dans la finance à Singapour concernera plus de 80 000 employés locaux d’ici 2028, dans le cadre d’un nouvel engagement pris par 23 grandes institutions financières. L’ampleur est frappante, mais l’épreuve la plus difficile commencera après que les travailleurs auront terminé leurs formations. Les banques, assureurs et gestionnaires d’actifs devront transformer cette formation en postes repensés, en parcours de carrière crédibles et en moyens plus sûrs d’utiliser l’IA.

L’Institute of Banking and Finance Singapore, connu sous le nom d’IBF, organise cette initiative via son nouveau AI Workforce Co-Lab. Les entreprises participantes se sont engagées à former l’ensemble de leurs effectifs à Singapour aux compétences critiques en IA, via des programmes reconnus par l’IBF. Ensemble, ces employés représentent environ 40 pour cent de la main-d’œuvre du secteur financier du pays.

Il ne s’agit pas simplement d’une nouvelle campagne de sensibilisation au numérique. Singapour tente de gérer un conflit direct entre une adoption plus rapide de l’IA et la sécurité de carrières qualifiées dans les emplois de bureau. L’initiative suppose que les travailleurs peuvent évoluer avec la technologie, mais la formation seule ne garantit pas que les employeurs préserveront les effectifs, repenseront correctement les emplois ou récompenseront les compétences nouvellement acquises.

La formation à l’IA dans la finance à Singapour passe des projets pilotes à un engagement sectoriel

Le nouvel engagement étend la préparation à l’IA d’équipes sélectionnées à l’ensemble des effectifs locaux de 23 institutions financières.

Le vice-Premier ministre Gan Kim Yong a annoncé l’initiative lors de l’IBF Distinction Evening, le 24 septembre 2026. Gan est également ministre du Commerce et de l’Industrie de Singapour et président de la Monetary Authority of Singapore, ou MAS.

Les organisations participantes comprennent des banques, des assureurs et des gestionnaires d’actifs. Elles se sont engagées à dispenser une formation critique à l’IA à plus de 80 000 employés à Singapour d’ici à la fin de 2028. Les programmes seront reconnus par l’IBF, qui élabore des normes professionnelles et des cadres de formation pour le secteur financier.

Le chiffre de 80 000 désigne les employés travaillant à Singapour dans les institutions participantes. Cela ne signifie pas que 80 000 nouveaux ingénieurs en IA sortiront du programme. La plupart des participants resteront dans des fonctions commerciales, opérationnelles, de conformité, de gestion des risques, de gestion de patrimoine, de service client et de direction.

Cette distinction est importante car les institutions financières ont besoin de plusieurs types de capacités en IA. Un ingénieur logiciel qui construit un modèle a besoin d’une expertise différente de celle d’un gestionnaire de relations examinant une note client générée par IA. Un employé des opérations supervisant des flux de travail automatisés fait face à des responsabilités différentes de celles d’un dirigeant approuvant un déploiement à l’échelle de l’entreprise.

Le AI Workforce Co-Lab est censé aider les institutions à cartographier ces différences. Il évaluera comment l’IA transforme les emplois, testera des approches de formation et développera des méthodes de refonte des emplois. Les conclusions pourront ensuite être partagées avec l’ensemble du secteur financier, y compris avec les institutions qui ne disposent pas des ressources nécessaires pour élaborer chaque cadre de manière indépendante.

Cela crée une couche commune sous les programmes internes de chaque entreprise. Au lieu de traiter la maîtrise de l’IA comme une qualité personnelle vague, l’initiative peut relier les compétences à des rôles, des tâches et des contrôles précis. Cela est particulièrement important dans la finance, où un résumé inexact peut affecter un client, une décision de crédit ou une déclaration réglementaire.

L’engagement va également au-delà des cours généraux. Les institutions participantes devraient développer des parcours de reconversion pour les rôles assistés par IA et renforcer le vivier de jeunes talents. Formation, redéploiement et préparation aux postes de début de carrière s’inscrivent donc dans une même stratégie de main-d’œuvre.

Selon la première annonce sur la main-d’œuvre, Gan a déclaré que l’objectif était de traduire l’IA en meilleures carrières et en une productivité accrue. Cette association fixe une exigence élevée. La productivité peut augmenter même lorsque les carrières deviennent moins sûres, de sorte que les deux résultats nécessitent des preuves distinctes.

Singapour a déjà mis en place une grande partie des mécanismes institutionnels nécessaires pour tenter cet effort. La MAS régule le secteur, tandis que l’IBF travaille avec les employeurs et les prestataires de formation sur le développement professionnel. Workforce Singapore et d’autres organismes publics peuvent soutenir les transitions de carrière lorsque l’évolution technologique modifie la demande.

L’engagement est donc plus vaste qu’un ensemble de leçons en ligne. Il s’agit d’une tentative organisée de relier le déploiement technologique, la planification des effectifs et la politique du marché du travail avant que l’automatisation ne se propage davantage dans les opérations financières.

Ce calendrier crée la tension centrale. Les institutions veulent que les employés utilisent l’IA dès maintenant, mais personne ne peut préciser entièrement ce que contiendront de nombreux emplois de la finance en 2028.

Pourquoi Singapour agit avant que les emplois de la finance ne soient entièrement repensés

Singapour forme les travailleurs tôt parce que les institutions financières modifient déjà les tâches plus rapidement que les descriptions de poste traditionnelles ne peuvent suivre.

L’IA générative peut rédiger des documents, résumer des recherches, retrouver des connaissances internes, préparer des notes de réunion et proposer des réponses à des questions courantes. L’IA agentique, c’est-à-dire des systèmes capables de planifier et d’exécuter plusieurs étapes connectées, étend cette portée à des flux de travail autrefois coordonnés manuellement.

Les services financiers offrent de nombreuses tâches adaptées, car le secteur produit de grands volumes de documents, de communications, de politiques et de données structurées. Pourtant, la finance impose également des limites strictes à l’automatisation imprudente. La confidentialité, l’exactitude des modèles, l’explicabilité, la cybersécurité et la responsabilité déterminent tous si un cas d’usage peut passer en production.

L’approche existante de Singapour répartit le développement de la main-d’œuvre en trois niveaux. Le premier renforce la culture générale de l’IA dans tout le secteur. Le deuxième offre une formation spécifique aux rôles aux employés dont le travail évolue. Le troisième constitue un vivier de talents plus approfondi pour les postes techniques et spécialisés.

Ce cadre existait avant le nouvel engagement concernant 80 000 travailleurs. La MAS et l’IBF avaient déjà travaillé avec 11 institutions sur une Generative AI Jobs Transformation Map. Le groupe participant comprenait DBS, OCBC, UOB, Citibank, HSBC, Standard Chartered, UBS, Franklin Templeton, Income Insurance, Manulife et Prudential.

Le cadre de transformation des emplois se concentre sur trois actions : uplift, upskill et upbuild. Uplift désigne les connaissances fondamentales pour l’ensemble de la main-d’œuvre. Upskill consiste à préparer les employés aux outils qui affectent leurs rôles. Upbuild consiste à développer de nouveaux talents pour un secteur assisté par l’IA.

Le Co-Lab élargit cette logique d’un groupe initial à un engagement institutionnel plus vaste. Il reconnaît aussi que les entreprises ne peuvent pas attendre que les contours des emplois se stabilisent. Au moment où un plan de formation conventionnel est approuvé, déployé et achevé, les outils concernés peuvent déjà avoir changé.

La pression est particulièrement visible dans les fonctions à forte intensité documentaire. Un gestionnaire de patrimoine peut recevoir un premier projet de note client généré par IA. Un analyste de conformité peut utiliser un système pour organiser les alertes. Une équipe des opérations peut superviser un processus automatisé qui exigeait auparavant plusieurs transferts manuels.

Ces exemples ne suppriment pas automatiquement le travailleur. Ils peuvent déplacer sa contribution de la production vers la vérification, la gestion des exceptions, le jugement et la communication. Toutefois, ce changement ne devient utile que lorsque les employeurs repensent autour de lui les charges de travail et les attentes en matière de performance.

Un travailleur qui doit réaliser l’ancien processus tout en vérifiant une sortie supplémentaire de l’IA n’a pas nécessairement gagné en productivité. L’organisation a peut-être ajouté une couche supplémentaire de travail. Former les employés à donner des instructions à un outil ne résout pas ce problème.

Singapour a également une raison nationale d’intervenir tôt. La finance est une source majeure d’emplois à forte valeur ajoutée, et le pays est en concurrence en tant que centre financier international. Si les institutions ne peuvent pas déployer efficacement l’IA, elles risquent de perdre en efficacité et en investissements. Si elles la déploient sans plan crédible pour la main-d’œuvre, elles risquent d’affaiblir la confiance des professionnels locaux.

Le gouvernement cherche donc à protéger deux actifs à la fois. Il veut que les institutions financières restent compétitives tout en maintenant la pertinence des travailleurs singapouriens dans le modèle opérationnel qui en résulte. Ces objectifs se soutiennent mutuellement en principe, mais ils peuvent diverger lors de réductions de coûts ou de restructurations.

Un partenariat plus large annoncé en juin 2026 montre l’ampleur de l’ambition. L’IBF et le mouvement syndical de Singapour se sont fixé l’objectif d’équiper jusqu’à 100 000 professionnels de la finance de capacités en IA sur trois ans. Le partenariat sectoriel de formation appelle à des programmes pratiques liés à des cas d’usage financiers, à des rôles professionnels et aux orientations de la MAS.

Le nouvel engagement concernant 80 000 travailleurs est plus précis. Il concerne l’ensemble des effectifs locaux de 23 institutions participantes et fixe une échéance à fin 2028. Ensemble, les programmes indiquent que Singapour traite les capacités en IA comme une infrastructure commune de main-d’œuvre, et non comme un avantage réservé aux équipes techniques.

Le véritable enjeu oppose la formation à la refonte des emplois

Le principal enjeu oppose une promesse de formation mesurable à la réalité plus difficile de repenser le travail sans vider les carrières de leur substance.

Les objectifs de formation sont faciles à compter. Les institutions peuvent enregistrer les inscriptions, les achèvements, les résultats d’évaluation et les certificats. Ces chiffres révèlent une activité, mais ils ne montrent pas si les employés ont acquis une autorité utile, ont accédé à de meilleurs rôles ou ont évité un déplacement.

La refonte des emplois exige des décisions plus difficiles à standardiser. Les employeurs doivent déterminer quelles tâches l’IA doit traiter, lesquelles nécessitent une approbation humaine et lesquelles doivent rester entièrement humaines. Ils doivent également décider qui devient responsable lorsqu’une recommandation automatisée est incomplète ou erronée.

La différence apparaît clairement dans la gestion de patrimoine. Un système d’IA peut rassembler des informations de marché et produire un projet pour un gestionnaire de relations. Le gestionnaire doit encore vérifier l’adéquation, comprendre le client, remettre en question un raisonnement faible et assumer la responsabilité de la communication finale.

Cette organisation peut améliorer le service lorsque l’employé reçoit des données fiables, un temps de vérification suffisant et l’autorité de rejeter le résultat. Elle devient dangereuse lorsque les objectifs de productivité poussent l’employé à approuver davantage de contenu avec moins de contrôle.

Les fonctions opérationnelles font face à un compromis similaire. L’automatisation peut accomplir les étapes routinières, tandis que les employés gèrent les exceptions et les cas complexes. Cependant, le travail lié aux exceptions exige souvent des connaissances plus étendues et un meilleur jugement que le travail routinier qu’il remplace.

Les employeurs ne peuvent pas supposer que chaque travailleur effectuera cette transition après une courte formation. Ils doivent fournir de la pratique, de l’accompagnement, l’accès à des outils sûrs et une voie claire vers le poste repensé. Certains employés auront également besoin d’une reconversion plus approfondie plutôt que d’une culture générale de l’IA.

Le cadre de Singapour reconnaît cette distinction. Le Co-Lab commencera par des parcours destinés aux dirigeants, aux gestionnaires de patrimoine et au personnel des opérations, selon les premiers rapports. Ces groupes se situent à différents points de la chaîne décisionnelle, de sorte qu’une formation identique aurait une valeur limitée.

Les dirigeants doivent comprendre les choix d’investissement, la gouvernance, les effets sur les effectifs et la responsabilité. Les gestionnaires de patrimoine ont besoin de méthodes sûres pour utiliser l’IA avec les informations clients et les recommandations. Les employés des opérations doivent superviser les flux de travail, examiner les exceptions et reconnaître les situations où l’automatisation a échoué.

Une stratégie de mobilité interne fondée sur les compétences peut relier ces capacités à de nouveaux postes. OCBC, par exemple, a indiqué que presque tous ses employés à Singapour ont suivi des programmes liés à l’IA, aux technologies numériques ou aux données. La banque cartographie également les parcours professionnels connexes afin que les employés puissent acquérir les compétences nécessaires à la mobilité interne.

DBS a doté environ 14 800 employés basés à Singapour de compétences fondamentales en IA, selon une couverture sectorielle. UOB a mis l’accent sur le jugement, l’esprit critique, la communication et le leadership, parallèlement à la familiarité technique.

Ces exemples montrent que les plus grandes banques locales ne partent pas de zéro. Le Co-Lab peut consolider les enseignements tirés de programmes déjà déployés à grande échelle. Il peut également révéler les écarts entre l’achèvement des formations et la mobilité professionnelle réelle.

Le résultat le plus utile serait un ensemble de parcours que les employeurs peuvent appliquer avant de retirer des tâches de certains postes. Chaque parcours devrait préciser le poste visé, les compétences requises, l’expérience supervisée, la méthode d’évaluation et les postes disponibles.

Sans ce lien, les employés supportent l’essentiel du risque. Ils peuvent suivre une formation pendant que l’entreprise automatise leurs tâches actuelles, réduit les voies de promotion ou recrute des spécialistes externes pour les nouveaux postes.

C’est pourquoi l’écart entre la promesse et la réalité importe davantage que le chiffre mis en avant. Singapour peut proposer des formations à plus de 80 000 personnes et malgré tout ne pas atteindre son objectif si les postes redéfinis ne voient pas le jour. Le pays peut aussi renforcer réellement la résilience de sa main-d’œuvre avec moins de certificats, à condition que les employés acquièrent une véritable mobilité et de vraies responsabilités.

Les travailleurs du savoir peuvent se préparer à cette transition en conservant les éléments probants qui étayent leurs décisions. Une base de connaissances IA consultable peut aider les employés à comparer les documents sources, les brouillons générés et les jugements finaux. Elle ne peut pas remplacer les contrôles institutionnels, mais elle peut favoriser des habitudes de travail traçables à mesure que les rôles évoluent.

Le succès du Co-Lab devrait donc être évalué à l’aune de ce que les travailleurs peuvent faire après la formation. L’achèvement est le point de départ, pas le résultat.

Ce que le chiffre de 80 000 ne nous dit pas

L’annonce fixe un objectif ambitieux de participation, mais elle ne précise pas encore la profondeur des formations, les résultats en matière de redéploiement ou la protection de l’emploi.

L’expression « compétences critiques en IA » peut couvrir un large éventail d’apprentissages. À une extrémité, elle peut désigner une sensibilisation de base aux usages acceptables, à la confidentialité et aux risques courants. À l’autre, elle peut inclure la refonte des flux de travail, le test des modèles, la gestion des données et la supervision de décisions automatisées.

Ces deux niveaux ont leur utilité, mais ils ne sont pas interchangeables. Un court module sur l’usage responsable peut réduire les comportements imprudents. Il ne prépare pas un spécialiste des opérations à superviser un flux de travail agentique, ni un chargé de clientèle à remettre en question une recommandation générée.

Les informations publiques n’ont pas encore présenté un programme complet pour chaque poste participant. Elles n’ont pas non plus établi un nombre minimal commun d’heures de formation, une norme d’évaluation universelle ou un résultat d’emploi obligatoire.

Cela ne rend pas l’engagement vide de sens. Cela signifie que les lecteurs doivent distinguer la promesse vérifiable des résultats qui nécessiteront du temps pour être mesurés.

Une deuxième incertitude concerne l’accès aux outils. Les employés ne peuvent pas développer des compétences appliquées par la seule instruction. Ils ont besoin de systèmes gouvernés, de tâches représentatives, de retours d’expérience et de l’autorisation d’expérimenter sans exposer d’informations confidentielles.

Les institutions financières restreignent souvent les services d’IA destinés au grand public, car le personnel peut y saisir des données sensibles ou s’appuyer sur des résultats non validés. Les systèmes d’entreprise peuvent réduire certains risques grâce aux contrôles d’accès, aux connexions de données approuvées, à la journalisation et à la surveillance. Ces garde-fous exigent toutefois des investissements et une mise en œuvre rigoureuse.

Un travailleur formé sur des exemples génériques peut encore rencontrer des difficultés dans les systèmes propres à une banque. Le Co-Lab devra faire le lien entre une formation sectorielle commune et les outils ainsi que les politiques propres à chaque institution.

Une troisième incertitude concerne la mesure de la productivité. Les entreprises estiment fréquemment le temps gagné grâce à l’automatisation, mais ces gains de temps ne se traduisent pas automatiquement par de meilleures carrières. La direction peut réinvestir cette capacité dans le service et l’analyse, ou l’utiliser pour réduire les besoins en personnel.

La présentation publique de l’initiative privilégie l’augmentation, ce qui signifie que l’IA assiste les personnes plutôt que de les remplacer. Toutefois, aucun programme de formation ne peut éliminer la pression commerciale visant à réduire les coûts. Les institutions peuvent poursuivre à la fois l’augmentation et la réduction des effectifs dans différentes fonctions.

Des recherches mondiales indépendantes invitent à la prudence. Une étude de 2026 sur l’IA dans les services financiers a révélé que seulement 10 % des organisations interrogées décrivaient leur main-d’œuvre comme très bien préparée. Les institutions faisant état d’une rentabilité positive liée à l’IA étaient également plus susceptibles de signaler une forte préparation de leur personnel, selon l’étude mondiale sur la finance.

Cette relation ne prouve pas que la formation a entraîné une rentabilité plus élevée. Les institutions mieux gérées peuvent obtenir de bons résultats sur ces deux mesures. Elle suggère néanmoins que l’achat de technologies sans préparation des employés laisse une partie de la valeur inexploitable.

La même recherche a révélé un déficit d’expertise particulièrement sérieux parmi les régulateurs. Cela importe, car les autorités de contrôle doivent comprendre les systèmes utilisés par les institutions qu’elles supervisent. Un secteur peut former rapidement ses employés tout en dépassant encore la capacité des organismes publics chargés d’examiner les nouveaux risques.

La finance ajoute une autre complication : de nombreuses défaillances ne deviennent visibles qu’après le déploiement. Un modèle peut bien fonctionner lors des tests, mais éprouver des difficultés face à des clients inhabituels, des marchés changeants, des dossiers incomplets ou des comportements adverses. Les employés doivent disposer de suffisamment de connaissances pour identifier ces défaillances avant qu’elles ne se propagent.

La question sceptique la plus importante n’est donc pas de savoir si les travailleurs peuvent terminer une formation. Elle est de savoir si les institutions donneront aux travailleurs formés suffisamment de temps, d’autorité et d’opportunités de carrière pour exercer leur jugement.

Le marché du travail singapourien au sens large renforce cette urgence. Une analyse du Fonds monétaire international a montré que les professionnels hautement qualifiés à Singapour pourraient tirer des gains substantiels de l’IA s’ils bénéficient d’une formation appropriée. La même analyse du marché du travail souligne également à quel point l’exposition est concentrée parmi les professions à forte intensité de connaissances.

Cette combinaison explique pourquoi la politique ne peut pas se concentrer uniquement sur les travailleurs déplacés après les licenciements. Une intervention précoce peut aider, mais sa conception doit refléter l’inégalité d’exposition. Les employés dont les tâches évoluent le plus ont besoin d’un soutien plus approfondi que les collègues recevant une introduction générale.

Le Co-Lab devrait éviter de présenter chaque achèvement de formation comme équivalent. Des rapports transparents pourraient distinguer la culture fondamentale de l’IA, le perfectionnement spécifique au poste, la reconversion avancée et le redéploiement réussi. Cela donnerait aux travailleurs et aux décideurs publics une vision plus claire des progrès.

L’approche de Singapour se distingue par sa coordination sectorielle

Singapour transforme la préparation de la main-d’œuvre en un projet sectoriel coordonné, tandis que de nombreuses institutions ailleurs gèrent encore la formation à l’IA entreprise par entreprise.

De grandes banques internationales ont lancé de vastes programmes internes. Lloyds Banking Group, par exemple, a annoncé une académie de l’IA destinée à former ses effectifs dans différents rôles d’utilisateurs, de dirigeants, de développeurs et de soutien. D’autres banques développent des assistants d’entreprise, des centres spécialisés et des programmes de gouvernance.

L’approche de Singapour diffère parce qu’un organisme sectoriel lié au régulateur aide les institutions à comparer les évolutions des emplois et à partager les pratiques de formation. Cette structure peut réduire les doublons et donner aux plus petites entreprises accès aux connaissances développées par les grands employeurs.

Le modèle rapproche également la politique de l’emploi de la gouvernance technologique. MAS fixe déjà des attentes en matière de gestion des risques et d’utilisation responsable des technologies. IBF peut traduire les pratiques émergentes en cadres de compétences et en parcours de formation.

Ce lien est utile, car l’adoption de l’IA dans la finance n’est pas uniquement une décision logicielle. Elle affecte les contrôles opérationnels, l’accès aux données, les communications avec les clients, la validation des modèles, la conformité et la responsabilité. Les employés doivent comprendre la place de leur rôle dans ce système.

Le Co-Lab peut aussi aider Singapour à résoudre un problème de coordination. Une institution peut hésiter à investir massivement dans la reconversion si les employés formés peuvent partir chez des concurrents. Des normes partagées réduisent cette inquiétude en créant un vivier plus large de travailleurs dotés de capacités reconnues.

Les travailleurs bénéficient de compétences qui restent transférables d’un employeur à l’autre. Une formation interne conçue de manière trop étroite peut avoir une valeur limitée en dehors d’une entreprise. Les programmes reconnus par IBF peuvent fournir un signal commun, même si leur valeur sur le marché dépendra de la qualité des évaluations et de l’acceptation par les employeurs.

La coordination sectorielle n’élimine pas la concurrence. Les banques continueront de rivaliser pour attirer les spécialistes techniques, développer les relations clients et obtenir des avantages opérationnels. Elles peuvent partager des approches fondamentales tout en protégeant leurs modèles, données et flux de travail propriétaires.

Cette structure peut également favoriser un vocabulaire plus cohérent. Des termes tels que culture de l’IA, perfectionnement et reconversion se confondent souvent. Un cadre commun peut distinguer la sensibilisation de la maîtrise appliquée, et la maîtrise de la préparation à un emploi différent.

Singapour a poursuivi des stratégies similaires pour sa main-d’œuvre lors de précédentes vagues de changement technologique. Les institutions financières ont déjà utilisé des programmes de conversion professionnelle pour reconvertir des employés et les faire évoluer vers des rôles élargis. L’effort actuel applique cette mécanique du marché du travail à une technologie plus rapide et moins prévisible.

L’IA rend le défi plus difficile parce qu’elle touche aux tâches cognitives dans tous les départements. Les automatisations précédentes visaient souvent des processus clairement définis. Les systèmes génératifs peuvent intervenir simultanément dans la rédaction, la recherche, l’analyse, la communication et l’aide à la décision.

Cette ampleur explique l’engagement envers l’ensemble de la main-d’œuvre. Limiter la formation aux équipes technologiques laisserait les utilisateurs métier mal préparés à superviser les outils qui entrent dans leur travail. Cela concentrerait aussi les connaissances chez les développeurs tout en les séparant des employés responsables des clients et des décisions.

Cependant, des normes de formation partagées ne devraient pas produire une pensée standardisée. Les institutions financières ont besoin d’employés capables de questionner les résultats, de reconnaître le contexte et de faire remonter les cas inhabituels. Ces capacités dépendent autant de la connaissance du domaine que de la familiarité technique.

L’objectif devrait être un scepticisme éclairé, et non une adoption inconditionnelle. Les travailleurs doivent savoir ce qu’un système d’IA peut accélérer, d’où proviennent ses éléments probants et à quel moment son résultat doit être rejeté.

C’est également là que les pratiques personnelles de gestion des connaissances importent. Les employés qui organisent les documents sources, les comptes rendus de réunion et les décisions peuvent évaluer plus efficacement le travail généré. Un flux de travail de gestion des connaissances structuré offre une analogie utile, même si les institutions financières doivent utiliser des systèmes et des contrôles approuvés.

Le modèle coordonné de Singapour influencera d’autres marchés s’il produit une mobilité mesurable et une adoption plus sûre. S’il ne communique que des totaux de participation, les autres marchés tireront beaucoup moins d’enseignements de l’expérience.

Trois signaux montreront si l’engagement protège les carrières

La prochaine phase devra être évaluée à l’aune de la profondeur des formations, des mobilités professionnelles vérifiées et de preuves que l’adoption de l’IA améliore le travail sans affaiblir la responsabilité.

Le premier signal sera la publication de parcours spécifiques à chaque fonction. Au cours des prochains mois, l’IBF et les institutions participantes devront définir ce que les dirigeants, les gestionnaires de patrimoine et les employés des opérations doivent apprendre. Les parcours les plus solides comprendront des évaluations pratiques, une utilisation supervisée et des liens clairs avec des fonctions repensées.

Des parcours détaillés renforceraient l’idée que la formation à l’IA dans la finance à Singapour va au-delà d’une simple sensibilisation. Des catalogues de cours vagues l’affaibliraient, surtout si les institutions comptabilisent de courts modules d’introduction comme une préparation complète de la main-d’œuvre.

Le deuxième signal sera constitué des données de redéploiement. Les institutions devraient indiquer combien d’employés ont accédé, après leur formation, à des postes repensés, connexes ou nouvellement créés. La rétention, les promotions, la progression salariale et le temps passé dans le nouveau poste en diraient davantage que les seuls totaux d’inscriptions.

Des preuves de mobilité interne durable étayeraient l’affirmation du gouvernement selon laquelle l’IA peut créer de meilleures carrières. Des taux d’achèvement élevés accompagnés de licenciements ou d’un recul des possibilités d’évolution montreraient que la promesse et la réalité de l’emploi divergent.

Le troisième signal portera sur la manière dont les institutions mesurent l’usage en production. Des rapports utiles relieraient les employés formés à des outils encadrés, à des flux de travail réels et à une supervision humaine documentée. Ils devraient également indiquer si la gestion des erreurs, les résultats pour les clients et la charge de travail des employés se sont améliorés.

Les seuls chiffres de productivité ne permettront pas de trancher la question. Un processus plus rapide peut encore générer des charges de révision cachées ou transférer le risque vers les employés de première ligne. Les meilleures preuves associeront efficacité, exactitude, responsabilité et résultats pour la main-d’œuvre.

Ces signaux devraient devenir visibles bien avant l’échéance de 2028. Attendre la dernière année laisserait trop peu de temps pour corriger des programmes insuffisants ou aider les employés dont les fonctions évoluent plus vite que prévu.

Pour les professionnels de la finance, la réponse pratique ne consiste pas à poursuivre chaque nouveau produit d’IA. Les travailleurs devraient identifier les tâches de leur fonction qui sont automatisées, les décisions qui exigent toujours un jugement humain et les éléments pris en compte par les employeurs lorsqu’ils pourvoient des postes repensés.

Les managers devraient rendre le même exercice explicite. Ils peuvent cartographier les tâches avant d’acheter des outils, définir les responsabilités avant le déploiement et proposer des parcours de transition avant de retirer du travail aux fonctions existantes. Cette séquence donne une finalité à la formation.

Singapour s’est fixé un objectif de participation ambitieux et crédible, soutenu par de grandes institutions. Le pays fait désormais face à la partie la plus difficile : prouver que 80 000 employés formés deviennent des acteurs plus compétents des services financiers, et non de simples témoins mieux informés de l’automatisation.

D’ici 2028, les achèvements de cours ne répondront qu’à une seule question. La question décisive sera de savoir si les professionnels de la finance de Singapour ont acquis des fonctions durables, un jugement plus solide et une véritable influence sur les systèmes d’IA qui transforment leur travail.