L'intelligence artificielle entre progressivement dans le fonctionnement ordinaire des banques centrales. Ce qui relevait encore, il y a quelques années, de l'expérimentation statistique ou de projets informatiques spécialisés devient une composante de leurs dispositifs d'analyse, de surveillance et de gestion de l'information. Cette évolution promet des gains considérables dans des institutions dont l'efficacité repose sur la capacité à interpréter des volumes croissants de données économiques et financières.

Elle introduit également une contradiction nouvelle. Les banques centrales, dont l'indépendance institutionnelle constitue un pilier de la crédibilité monétaire, pourraient devenir davantage tributaires de fournisseurs technologiques privés pour accomplir certaines de leurs missions. Leurs décisions demeurent juridiquement autonomes, mais les systèmes qui contribuent à les préparer peuvent dépendre d'infrastructures, de logiciels et de modèles dont la conception échappe largement à leur contrôle.

L'enquête AI readiness in central banks, publiée le 28 octobre 2026 par le Comité Irving Fisher, associé à la Banque des règlements internationaux (BRI), offre une photographie particulièrement instructive de cette transition. Réalisée au début de l'année 2026 auprès de 65 juridictions et institutions, elle prolonge les travaux engagés en 2024 et introduit une distinction essentielle entre la préparation déclarée à l'intelligence artificielle et les capacités effectivement constituées pour l'utiliser.

Cette distinction permet de dépasser les déclarations d'intention. Une institution peut considérer l'IA comme stratégique sans disposer des données, des compétences, des infrastructures ou des mécanismes de gouvernance nécessaires à son déploiement maîtrisé. Inversement, elle peut multiplier les applications opérationnelles avant d'avoir entièrement stabilisé les règles qui doivent en encadrer l'utilisation.

C'est précisément dans cet écart entre ambition, adoption et maîtrise que se dessinent les nouveaux risques institutionnels.

I. Le passage de l'expérimentation à la production

Les chiffres de l'enquête témoignent d'une accélération remarquable. Près des deux tiers des répondants placent désormais l'intelligence artificielle parmi leurs priorités stratégiques, contre moins de la moitié lors de l'enquête de 2024. La proportion des institutions disposant d'une stratégie organisationnelle atteint 38 %, tandis que 31 % supplémentaires travaillent à son élaboration. Seules 8 % déclarent ne pas prévoir une telle stratégie.

Le changement apparaît également dans le degré de déploiement. Plus des deux tiers des projets d'IA déclarés sont désormais en production, y compris lorsqu'il s'agit d'applications limitées à une équipe ou à un périmètre fonctionnel restreint, contre environ la moitié en 2024.

Ces proportions ne signifient pas que deux tiers des banques centrales auraient automatisé leurs principales fonctions. Elles concernent les projets recensés, non la totalité des processus institutionnels. La distinction est fondamentale : une application documentaire utilisée quotidiennement peut être considérée comme opérationnelle sans intervenir dans les décisions de politique monétaire.

L'importance du résultat réside ailleurs. Les banques centrales commencent à intégrer l'IA dans leurs chaînes de travail plutôt qu'à l'évaluer exclusivement dans des environnements expérimentaux. Dès lors, les exigences changent. Il ne suffit plus qu'un modèle produise des résultats prometteurs lors d'un test. Il doit fonctionner dans la durée, respecter des règles de sécurité, conserver des traces vérifiables et résister aux défaillances techniques.

Le passage en production transforme ainsi une question d'innovation en question de gouvernance.

Il révèle également une asymétrie temporelle. Le développement technologique progresse au rythme des modèles, des infrastructures et des fournisseurs, tandis que l'adaptation des institutions publiques exige des procédures budgétaires, des recrutements spécialisés, des contrôles internes et parfois des révisions réglementaires. Les banques centrales doivent donc intégrer des systèmes dont l'évolution est souvent plus rapide que leurs propres cycles organisationnels.

II. Les stratégies d'adoption : plusieurs modèles institutionnels

Les banques centrales ne disposent ni des mêmes ressources ni des mêmes contraintes. Leur stratégie d'intelligence artificielle dépend notamment de la taille de leurs équipes, de la maturité de leurs systèmes d'information, de leurs missions de supervision, de leur accès aux infrastructures de calcul et de leur capacité à recruter des spécialistes.

Quatre grandes architectures stratégiques peuvent être distinguées. Il s'agit de modèles d'analyse, et non d'une classification statistique des 65 répondants.

La première repose sur l'acquisition de solutions commerciales. L'institution utilise des applications existantes, éventuellement adaptées à ses besoins, afin de réduire les délais de déploiement. Cette approche permet d'obtenir rapidement des gains de productivité, notamment dans la recherche documentaire, la rédaction assistée, le traitement de données ou l'analyse de textes. Elle expose cependant l'organisation à la politique tarifaire, aux modifications techniques et aux conditions contractuelles du fournisseur.

La deuxième stratégie privilégie le développement interne. La banque centrale construit ou adapte ses propres modèles, conserve ses infrastructures critiques et maîtrise directement les règles de traitement. Cette approche renforce les possibilités d'audit et de personnalisation, mais nécessite des compétences rares, des investissements récurrents et une capacité de maintenance à long terme. Elle ne supprime pas nécessairement les dépendances aux composants logiciels, aux processeurs ou aux outils externes.

La troisième architecture combine ressources internes et services extérieurs. Les données sensibles et certaines applications restent dans un environnement contrôlé, tandis que des capacités commerciales sont mobilisées pour les tâches moins critiques. Cette stratégie hybride cherche à équilibrer efficacité, sécurité et autonomie. Sa réussite dépend toutefois de la qualité des interfaces, de la séparation des environnements et de la possibilité de substituer un fournisseur à un autre.

Enfin, la mutualisation entre institutions constitue une quatrième voie. Des banques centrales peuvent partager des standards, des outils, des bibliothèques logicielles, des méthodes d'évaluation et certaines capacités de recherche. Cette coopération permet de réduire les coûts fixes et de limiter la fragmentation des efforts. Elle peut aussi créer de nouvelles interdépendances si les infrastructures communes deviennent des points uniques de défaillance.

Aucune de ces stratégies ne garantit, à elle seule, une autonomie complète. Le choix pertinent dépend de la criticité de l'application et du niveau de contrôle exigé. Une solution commerciale peut convenir à une tâche administrative sans être adaptée, dans les mêmes conditions, à une infrastructure essentielle de surveillance financière.

La question stratégique n'est donc pas de savoir si une banque centrale doit utiliser des technologies externes, mais quelles fonctions elle peut raisonnablement externaliser sans compromettre sa capacité de contrôle.

III. Le paradoxe des données : produire avant d'être pleinement prêt

L'un des résultats les plus significatifs de l'enquête concerne la préparation des données. Alors que les projets d'intelligence artificielle se multiplient, 52 % des institutions interrogées se déclarent encore au stade initial de cette préparation. Environ 27 % indiquent que les travaux progressent et seulement 17 % approchent de leur achèvement.

Ces chiffres suggèrent que l'adoption opérationnelle de l'IA avance plus rapidement que la consolidation de certaines infrastructures informationnelles. Ils ne démontrent pas que les applications déjà déployées fonctionnent sur des données inadéquates, mais révèlent une tension entre la vitesse d'expérimentation et la transformation des systèmes de gestion de l'information.

Pour une banque centrale, la qualité des données n'est pas une question technique secondaire. Les statistiques monétaires, les informations prudentielles, les données de paiement, les séries macroéconomiques et les indicateurs de marché reposent sur des définitions, des fréquences et des méthodes de collecte différentes.

L'intelligence artificielle peut faciliter leur rapprochement, détecter certaines incohérences ou accélérer leur exploitation. Elle peut aussi amplifier les erreurs lorsque les sources sont incomplètes, les métadonnées insuffisantes ou les transformations statistiques mal documentées.

Un modèle performant appliqué à une base mal structurée ne produit pas nécessairement une meilleure connaissance. Il peut produire plus rapidement une représentation trompeuse de la réalité.

Cette difficulté est particulièrement importante pour les données révisables. Les estimations de croissance, d'emploi ou d'inflation évoluent au fil des publications. Un système qui mélange les données disponibles à différentes dates peut introduire des informations qui n'étaient pas connues au moment où une prévision historique aurait été formulée. Ce phénomène, connu sous le nom de fuite d'information temporelle, peut donner une impression artificielle de performance.

La préparation des données exige donc davantage que leur centralisation. Elle suppose des règles de provenance, de versionnement, de classification, de qualité et de conservation. Les modèles doivent pouvoir être évalués sur les informations réellement disponibles au moment pertinent, et non sur des séries reconstruites après coup.

À mesure que l'IA devient opérationnelle, la gouvernance des données se rapproche ainsi du cœur de la gouvernance monétaire.

IV. Les applications : de l'assistance documentaire à la surveillance systémique

Les usages de l'intelligence artificielle dans les banques centrales recouvrent des niveaux de risque très différents.

Les applications documentaires constituent un premier ensemble. Elles permettent de rechercher des informations dans de vastes corpus, de comparer des textes réglementaires, de résumer des publications, de traduire des documents ou d'assister la programmation informatique. Leur intérêt repose sur des gains de temps et sur l'amélioration de l'accès aux connaissances institutionnelles.

Un deuxième ensemble concerne la production statistique. Les techniques d'apprentissage automatique peuvent contribuer à la détection d'anomalies, à la classification d'informations, à la préparation de séries et à l'exploitation de données non structurées. Elles peuvent également enrichir les outils de prévision à court terme lorsque les indicateurs traditionnels arrivent avec retard.

Un troisième domaine touche à la surveillance prudentielle et financière. L'IA peut aider à analyser des rapports bancaires, identifier des concentrations de risques, rapprocher des informations hétérogènes ou signaler des évolutions nécessitant une investigation humaine. Son utilisation peut améliorer la couverture analytique des autorités sans signifier que les décisions de supervision sont déléguées à des algorithmes.

Enfin, certaines applications pourraient contribuer plus directement à la recherche macroéconomique et à l'évaluation des politiques. Elles peuvent explorer des relations non linéaires, comparer des scénarios et traiter des ensembles de données plus vastes que ceux utilisés dans les modèles conventionnels.

Mais l'extension des capacités prédictives ne doit pas être confondue avec une amélioration automatique de la compréhension causale. Un modèle capable de prévoir un indicateur avec précision n'explique pas nécessairement pourquoi celui-ci évolue. Or la politique monétaire ne consiste pas seulement à anticiper les événements. Elle suppose d'évaluer les mécanismes économiques, les effets des interventions et les conséquences possibles de décisions prises dans un environnement incertain.

L'IA peut enrichir l'information disponible sans remplacer les exigences de raisonnement économique.

Cette distinction devient essentielle lorsque les systèmes commencent à influencer les analyses présentées aux comités de politique monétaire. Même en l'absence de décision automatisée, les modèles peuvent orienter l'attention des équipes, sélectionner les signaux jugés importants et modifier les scénarios considérés comme plausibles.

L'influence algorithmique peut donc apparaître bien avant toute délégation formelle du pouvoir de décision.

V. La concentration technologique : une dépendance à plusieurs étages

La question de la souveraineté technologique ne se réduit pas à la nationalité d'un fournisseur. Elle dépend de la structure des marchés, de la localisation des infrastructures, des droits contractuels, de l'accès aux composants critiques et de la capacité d'une institution à poursuivre ses activités en cas de rupture de service.

La chaîne de valeur de l'intelligence artificielle comprend plusieurs niveaux : les semi-conducteurs, les centres de données, les services cloud, les modèles fondamentaux, les plateformes de développement et les applications spécialisées.

Une banque centrale peut diversifier ses applications tout en conservant une dépendance commune à un même fournisseur d'infrastructure. Elle peut également utiliser plusieurs fournisseurs de modèles dont les services reposent sur une plateforme cloud identique. La diversification apparente ne garantit donc pas l'indépendance effective.

Cette concentration crée d'abord un risque opérationnel. Une interruption prolongée d'un service externe peut rendre indisponibles plusieurs applications simultanément. L'impact dépend de la criticité des fonctions concernées, de la durée de l'interruption et de l'existence de procédures alternatives.

Elle crée ensuite un risque économique. Les coûts de calcul, de stockage, de transfert de données et d'utilisation des modèles peuvent évoluer rapidement. Une solution initialement attractive peut devenir plus coûteuse à mesure que les volumes augmentent et que les processus institutionnels s'y adaptent.

Un troisième risque concerne le verrouillage technologique. Lorsque les applications sont construites autour d'interfaces propriétaires, de formats spécifiques ou de services difficiles à reproduire, changer de fournisseur peut nécessiter une réécriture importante des systèmes. Le coût de sortie devient alors un facteur de dépendance aussi déterminant que le prix d'entrée.

La dimension juridique ajoute une autre difficulté. La localisation physique des données, le droit applicable au prestataire, les obligations de divulgation, les conditions d'accès aux journaux techniques et les possibilités d'audit ne coïncident pas toujours. Une infrastructure hébergée sur le territoire national n'est pas nécessairement soustraite à toutes les obligations juridiques étrangères.

Il serait néanmoins excessif d'assimiler toute dépendance technologique à une perte de souveraineté. Les banques centrales utilisent depuis longtemps des logiciels, des équipements et des réseaux fournis par des entreprises privées. La nouveauté réside dans le degré potentiel d'intégration de l'IA aux processus analytiques, ainsi que dans la concentration de certaines capacités technologiques.

La souveraineté doit donc être appréciée à partir de critères opérationnels : capacité d'audit, maîtrise des données, réversibilité contractuelle, continuité des services et conservation de compétences internes suffisantes pour contester ou remplacer les résultats produits.

VI. L'indépendance monétaire face à l'intermédiation algorithmique

L'indépendance d'une banque centrale est généralement analysée à travers son mandat légal, les modalités de nomination de ses dirigeants, ses ressources financières et sa protection contre les interventions politiques.

L'intelligence artificielle introduit une dimension supplémentaire : l'autonomie des infrastructures de connaissance.

Une institution peut disposer d'une pleine indépendance juridique tout en utilisant des systèmes dont les performances, les règles de fonctionnement ou les conditions d'accès dépendent de décisions prises par des entreprises extérieures.

Cette situation ne signifie pas que les fournisseurs technologiques déterminent la politique monétaire. Elle souligne plutôt qu'ils peuvent exercer une influence indirecte sur les instruments mobilisés pour préparer les décisions.

Un changement de modèle, une modification de ses paramètres, une évolution des règles de filtrage ou une dégradation de ses performances peuvent affecter les résultats d'une application. Si les équipes ne disposent pas de procédures de validation et de comparaison, ces transformations risquent d'être interprétées comme des changements dans les données économiques plutôt que comme des modifications de l'outil analytique.

L'enjeu est particulièrement sensible lorsque les résultats alimentent des tableaux de bord, des notes de conjoncture ou des dispositifs de surveillance.

Une banque centrale doit donc préserver sa capacité à reconstituer les analyses, à identifier les versions des modèles utilisés et à comparer leurs conclusions avec des méthodes indépendantes.

Cette exigence conduit à distinguer trois formes d'autonomie. L'autonomie juridique protège le pouvoir de décision. L'autonomie opérationnelle garantit la continuité des missions. L'autonomie analytique permet à l'institution de comprendre, de vérifier et de contester les instruments qui contribuent à former son jugement.

La troisième ne remplace pas les deux premières, mais elle pourrait en devenir une condition pratique de plus en plus importante.

VII. Les risques systémiques d'une intelligence artificielle partagée

L'adoption de l'IA par les banques centrales s'inscrit dans une transformation plus large du système financier. Banques commerciales, assureurs, gestionnaires d'actifs, infrastructures de marché et autorités de supervision développent eux aussi des outils algorithmiques.

Cette diffusion crée des interdépendances nouvelles.

Lorsque plusieurs institutions utilisent des modèles proches, entraînés sur des informations similaires ou fournis par les mêmes plateformes, leurs analyses peuvent devenir plus homogènes. Une telle convergence n'est pas nécessairement problématique en situation normale. Elle peut même faciliter la détection collective de certains risques.

En période de crise, elle pourrait toutefois amplifier des réactions simultanées si les systèmes conduisent différents acteurs à privilégier les mêmes signaux ou les mêmes réponses.

Le risque est particulièrement important dans les activités où les décisions algorithmiques peuvent provoquer des ajustements rapides de liquidité, de portefeuille ou de couverture. Des comportements corrélés pourraient alors renforcer des mouvements de marché.

Pour les banques centrales, le problème est double. Elles doivent surveiller les risques liés à l'utilisation de l'IA par les établissements financiers, tout en évaluant leurs propres dépendances à ces technologies.

Une défaillance affectant un fournisseur commun pourrait ainsi toucher simultanément des institutions supervisées et certains outils utilisés par leurs superviseurs.

Il s'agit d'un scénario de risque, non d'une conséquence déjà démontrée par l'enquête de 2026. Sa portée dépendra de l'architecture réelle des systèmes, de la diversité des modèles et des mécanismes de continuité disponibles.

Cette possibilité justifie néanmoins une évolution des exercices de résistance. Les tests traditionnels de cybersécurité et de reprise d'activité pourraient être complétés par des scénarios portant sur l'indisponibilité d'un fournisseur d'IA, la corruption de résultats analytiques, l'altération des données d'entrée ou l'impossibilité de reconstituer une décision assistée par un modèle.

L'objectif n'est pas d'éliminer tout risque technologique, mais d'éviter qu'une même défaillance se propage à travers plusieurs fonctions essentielles.

VIII. Budgets, compétences et arbitrages économiques

L'intelligence artificielle modifie également la structure des dépenses des banques centrales.

Les coûts visibles comprennent les licences, les services de calcul, les infrastructures de stockage, les contrats de maintenance et les équipes de développement. Mais le coût complet d'un dispositif d'IA comprend aussi la préparation des données, les audits, les contrôles de sécurité, les tests, la documentation, la formation et les mécanismes de continuité.

Une application peu coûteuse à expérimenter peut devenir onéreuse lorsqu'elle doit respecter les exigences d'une institution monétaire.

Les arbitrages budgétaires doivent donc dépasser la comparaison immédiate entre développement interne et abonnement commercial. Ils doivent intégrer les dépenses sur plusieurs années, les coûts de changement de fournisseur, les investissements nécessaires à la réversibilité et les conséquences d'une interruption de service.

La question des compétences est tout aussi déterminante. Les banques centrales ont besoin de spécialistes capables de développer des modèles, mais également d'économistes, de statisticiens, de juristes, de responsables de cybersécurité et d'auditeurs suffisamment formés pour en évaluer les usages.

Le recrutement de quelques ingénieurs ne suffit pas à créer une capacité institutionnelle de maîtrise de l'IA.

La dépendance peut en effet devenir cognitive autant que technique. Lorsqu'une organisation perd progressivement la capacité de reproduire les analyses produites par ses prestataires, elle devient moins apte à contester leurs résultats ou à changer de méthode.

La préservation des compétences internes doit donc être considérée comme un investissement stratégique. Elle permet de conserver une mémoire technique, de comparer les solutions disponibles et de négocier avec les fournisseurs à partir d'une connaissance réelle de leurs contraintes.

Dans cette perspective, les budgets consacrés à l'IA ne devraient pas être évalués uniquement en fonction des gains de productivité. Ils devraient également mesurer la capacité de l'institution à préserver ses fonctions essentielles sans dépendre exclusivement d'un acteur extérieur.

IX. Des asymétries entre banques centrales

La transition vers l'intelligence artificielle risque d'accentuer certaines différences entre institutions.

Les grandes banques centrales disposent généralement de ressources financières, de capacités de recherche et de réseaux de recrutement plus importants. Elles peuvent expérimenter plusieurs technologies, maintenir des équipes spécialisées et développer des infrastructures adaptées à leurs besoins.

Les institutions de taille plus modeste font face à des contraintes différentes. Les investissements fixes peuvent représenter une part plus élevée de leurs budgets, tandis que la concurrence pour les talents spécialisés réduit leur capacité à constituer des équipes permanentes.

Ces asymétries ne déterminent pas mécaniquement la qualité des stratégies. Une petite institution peut obtenir d'excellents résultats en concentrant ses ressources sur des applications ciblées, alors qu'une organisation plus importante peut multiplier des projets mal coordonnés.

Elles influencent néanmoins les choix disponibles.

Pour les banques centrales des économies émergentes, l'accès à des solutions commerciales peut accélérer la modernisation statistique et renforcer certaines capacités de surveillance. Mais cette stratégie peut aussi accroître l'exposition aux fournisseurs étrangers, aux fluctuations des coûts de calcul et aux contraintes liées au transfert de données.

Les enjeux linguistiques constituent une autre dimension. Les modèles développés principalement à partir de corpus internationaux peuvent présenter des performances inégales selon les langues, les terminologies réglementaires et les particularités institutionnelles.

Une stratégie adaptée aux économies émergentes devrait donc privilégier la qualité des données nationales, la maîtrise des applications critiques, le développement de compétences locales et la coopération entre institutions.

La souveraineté technologique ne suppose pas nécessairement de reproduire toute la chaîne industrielle mondiale de l'intelligence artificielle. Elle peut reposer sur une capacité sélective à contrôler les usages essentiels, à préserver les données sensibles et à maintenir des alternatives crédibles.

X. Vers une gouvernance fondée sur la criticité

La multiplication des projets rend indispensable une hiérarchisation des risques.

Une application qui résume des publications publiques ne présente pas les mêmes enjeux qu'un système analysant des informations prudentielles confidentielles. De même, un outil de programmation interne ne doit pas être soumis aux mêmes contrôles qu'un dispositif dont les résultats contribuent à la surveillance d'une infrastructure de paiement.

Une gouvernance efficace devrait donc classer les usages selon leur criticité, leur degré d'automatisation, la sensibilité des données traitées et leurs conséquences potentielles.

Les applications à faible risque peuvent bénéficier de procédures d'expérimentation relativement souples, sous réserve de règles élémentaires de sécurité et de confidentialité. Les applications intervenant dans des processus sensibles exigent en revanche des validations renforcées, une documentation complète et une supervision humaine clairement définie.

Pour les usages les plus critiques, plusieurs garanties deviennent nécessaires : possibilité de reconstituer les résultats, comparaison avec des méthodes de référence, surveillance des performances dans le temps, contrôle des changements de version et capacité de désactivation sans interruption majeure de la mission concernée.

La responsabilité institutionnelle doit rester identifiable. Lorsqu'un système produit une recommandation erronée, l'organisation doit pouvoir déterminer si l'erreur provient des données, du modèle, de son intégration ou de l'interprétation humaine.

Une gouvernance exclusivement centrée sur la conformité formelle serait insuffisante. Les risques évoluent avec les modèles et les conditions d'utilisation. Les dispositifs de contrôle doivent donc être continus et proportionnés à l'importance des fonctions concernées.

L'indépendance technologique se construit moins par une déclaration de principe que par l'existence de capacités vérifiables de contrôle, d'audit et de substitution.

XI. Trois trajectoires possibles

L'évolution observée entre 2024 et 2026 ouvre plusieurs trajectoires institutionnelles.

Dans un premier scénario, les banques centrales parviennent à intégrer progressivement l'IA dans des environnements maîtrisés. Elles renforcent leurs capacités de données, diversifient leurs fournisseurs, développent des compétences internes et adaptent leurs mécanismes de gouvernance. Les gains de productivité s'accompagnent alors d'une amélioration de la résilience opérationnelle.

Dans un deuxième scénario, l'adoption continue de progresser plus rapidement que les capacités de contrôle. Les applications se multiplient, les infrastructures restent fragmentées et les dépendances contractuelles s'accumulent. Les institutions bénéficient de gains immédiats, mais rencontrent des difficultés croissantes pour auditer leurs systèmes, maîtriser les coûts et organiser leur remplacement.

Un troisième scénario verrait se renforcer la coopération institutionnelle. Des banques centrales pourraient mutualiser certains outils, développer des standards communs et partager des méthodes d'évaluation. Cette approche permettrait de réduire les asymétries de ressources et d'améliorer les capacités collectives de négociation face aux fournisseurs.

Ces scénarios ne sont ni exclusifs ni prédictifs. Des combinaisons différentes peuvent apparaître selon les institutions et les fonctions concernées.

La trajectoire dépendra notamment de la capacité à transformer les expérimentations actuelles en infrastructures durables, sans laisser les impératifs de déploiement prendre systématiquement le pas sur ceux de gouvernance.

XII. Les indicateurs qui permettront de mesurer la véritable maturité

Les prochaines enquêtes gagneraient à dépasser le nombre de stratégies adoptées et la proportion de projets en production.

La maturité pourrait être appréciée à travers plusieurs dimensions complémentaires : la part des applications critiques ayant fait l'objet d'un audit indépendant, la capacité à changer de fournisseur, le pourcentage des données sensibles traitées dans des environnements contrôlés, la couverture des tests de continuité et l'existence de procédures de validation humaine.

Les budgets devraient également être examinés selon leur composition. Une augmentation des dépenses consacrées aux services externes n'a pas la même signification qu'un investissement dans les compétences internes, la qualité des données ou la résilience des infrastructures.

La concentration des fournisseurs mérite une attention particulière. Il serait utile de distinguer la diversité apparente des applications de la diversité réelle des infrastructures sous-jacentes.

Enfin, les performances des modèles devraient être évaluées en conditions opérationnelles, notamment lors de changements de régime économique, de révisions statistiques ou de perturbations de marché.

Une banque centrale véritablement préparée à l'IA n'est pas nécessairement celle qui utilise le plus grand nombre d'applications. C'est celle qui sait dans quelles conditions ses systèmes fonctionnent, quelles limites ils présentent et comment poursuivre ses missions lorsqu'ils deviennent indisponibles ou peu fiables.

Conclusion — L'autonomie au-delà des statuts

L'enquête du Comité Irving Fisher marque une étape importante dans la compréhension de la transformation technologique des banques centrales. L'intelligence artificielle n'est plus une perspective lointaine. Elle entre dans les opérations courantes, mobilise des stratégies institutionnelles et impose de nouveaux arbitrages en matière de ressources, de données et de gouvernance.

Les chiffres révèlent toutefois une transition inachevée. La progression des projets opérationnels coexiste avec une préparation des données encore largement insuffisante ou incomplète. Les ambitions stratégiques avancent plus rapidement que certaines capacités organisationnelles.

Cette situation ne condamne pas l'adoption de l'intelligence artificielle. Elle rappelle que les gains de productivité ne peuvent constituer l'unique critère de réussite d'une transformation aussi profonde.

Pour les banques centrales, l'enjeu dépasse l'efficacité administrative. Il concerne la qualité des connaissances mobilisées pour conduire la politique monétaire, la résilience des dispositifs de surveillance et la capacité des institutions publiques à conserver la maîtrise de leurs fonctions essentielles.

La dépendance technologique n'est pas nouvelle dans l'histoire des banques centrales. Mais l'intelligence artificielle lui donne une portée particulière en intervenant non seulement dans l'exécution des tâches, mais également dans la production et l'organisation de l'information qui prépare les décisions.

Les banques centrales ont été construites pour préserver la crédibilité de la monnaie et protéger les économies contre certaines formes d'instabilité. Elles doivent désormais apprendre à maîtriser une infrastructure technologique dont les fournisseurs, les coûts et les conditions d'accès peuvent évoluer indépendamment de leurs mandats.

L'indépendance monétaire restera définie par le droit et les institutions. Sa préservation pratique dépendra aussi, de plus en plus, de la capacité à comprendre et à contrôler les machines qui participent à l'élaboration du jugement économique.

La question n'est donc plus seulement de savoir jusqu'où les banques centrales adopteront l'intelligence artificielle, mais jusqu'où elles pourront le faire sans transférer, avec leurs outils, une partie de leur autonomie opérationnelle.

Sources principales

  • Schmidt, Rafael ; Sirello, Olivier ; Tissot, Bruno ; Cova, Juan Pablo (2026). AI readiness in central banks. Irving Fisher Committee, IFC Report No 19, Banque des règlements internationaux, 28 octobre 2026.
  • Godoy de Araujo, Douglas Kiarelly et al. (2025). Governance and implementation of artificial intelligence in central banks. IFC Report No 18, BRI, 28 avril 2025.
  • Banque des règlements internationaux (2025). Governance of AI adoption in central banks. Rapport du Consultative Group on Risk Management, 29 janvier 2025.
  • Banque des règlements internationaux (2025). The use of artificial intelligence for policy purposes. Rapport préparé pour le G20.
  • Financial Stability Institute (2026). In data we trust? Emerging policy and supervisory approaches to AI data use in financial services. FSI Insights No 73, 26 mars 2026.
  • Financial Stability Institute (2026). When machines attack: frontier AI cyber threats and policy responses in the financial sector. FSI Paper No 28.
  • Banque des règlements internationaux (2026). AI and the global economy: implications for central banks. BIS Bulletin No 130, 28 juillet 2026.

Note méthodologique : les statistiques de l'enquête 2026 sont reprises des éléments communiqués pour ce dossier. Les développements sur la souveraineté, les modèles stratégiques, les scénarios et les indicateurs de maturité constituent une analyse éditoriale et ne doivent pas être interprétés comme des conclusions statistiques directement établies par l'enquête. Les résultats déclaratifs ne permettent pas, à eux seuls, de mesurer l'efficacité réelle des applications ni le niveau effectif de dépendance de chaque institution.