Bank of America forme 200 000 employés à l'IA : les leçons d'un déploiement à grande échelle

En 2023, Bank of America a pris une décision qui aurait paralysé la plupart des directions : former l'intégralité de ses 200 000 employés à l'intelligence artificielle. Pas juste les équipes tech. Pas uniquement les data scientists. Tout le monde, du conseiller bancaire au risk manager, en passant par les équipes de conformité.

On pourrait croire à une annonce RH de plus, destinée à rassurer les actionnaires sur la transformation digitale en cours. Sauf que Bank of America a réellement déployé ce programme d'AI training enterprise, avec des résultats mesurables et des enseignements qui dépassent largement le secteur bancaire. Ce qui rend ce cas d'AI upskilling enterprise scale particulièrement instructif, c'est la brutalité des contraintes : une organisation hautement régulée, des enjeux de sécurité critiques, des profils métiers extrêmement variés, et un besoin de maintenir l'opérationnel pendant la formation.

Voici ce qu'on peut apprendre de leur approche, les erreurs qu'ils ont corrigées en cours de route, et les principes qui peuvent s'appliquer à d'autres organisations confrontées au même défi.

Le problème de départ : quand l'adoption de l'IA bloque sur l'humain

Bank of America n'est pas partie d'une page blanche. L'organisation avait déjà investi massivement dans l'IA depuis plusieurs années, avec des cas d'usage concrets en production : Erica, leur assistant virtuel, compte plus de 1,5 milliard d'interactions client. Les modèles de détection de fraude tournent 24/7. Les systèmes de gestion du risque s'appuient sur du machine learning depuis longtemps.

Le constat était pourtant sans appel : l'adoption restait concentrée sur une poignée d'équipes techniques. Les métiers utilisaient ces outils, certes, mais sans vraiment comprendre leurs limites, leurs biais potentiels, ou les opportunités qu'ils ouvraient. Pire, un fossé se creusait entre ceux qui maîtrisaient ces technologies et ceux qui les subissaient.

La direction a identifié trois blocages majeurs. D'abord, une méconnaissance généralisée des fondamentaux de l'IA, qui générait de la méfiance ou, à l'inverse, des attentes irréalistes. Ensuite, l'absence de langage commun entre les équipes tech et métiers, qui ralentissait considérablement les projets. Enfin, un risque réel de voir l'organisation se fragmenter entre une élite technique et le reste de l'entreprise.

La décision de former tout le monde découle directement de ce diagnostic. Mais entre l'intention et l'exécution, il y avait un gouffre. Comment former 200 000 personnes sans paralyser l'activité ? Comment adapter le contenu à des profils qui vont du développeur au conseiller clientèle ? Comment mesurer l'impact réel, au-delà des certificats obtenus ?

Une stratégie de team upskilling en trois niveaux, pas un cours unique pour tous

La première leçon du déploiement Bank of America tient dans un principe simple : il n'existe pas de formation universelle à l'IA qui fonctionne pour tout le monde. Leur erreur initiale a été de concevoir un programme trop générique, que personne ne trouvait vraiment pertinent.

Ils ont finalement structuré l'approche en trois niveaux distincts, avec des objectifs et des contenus différenciés. Le niveau fondamental, destiné à l'ensemble de l'organisation, se concentre sur l'AI literacy : comprendre ce qu'est réellement un modèle de machine learning, identifier ses limites, reconnaître les situations où l'IA apporte de la valeur et celles où elle n'est pas adaptée. Ce niveau ne cherche pas à former des praticiens, mais à créer un socle de compréhension partagée.

Le niveau intermédiaire cible les métiers qui interagissent régulièrement avec des systèmes IA ou qui pilotent des projets incluant ces technologies. On y trouve les risk managers, les responsables produit, les équipes conformité. L'objectif est de les rendre autonomes dans l'expression de besoins, capables de challenger les propositions techniques, et conscients des implications éthiques et réglementaires. Ce niveau intègre des cas pratiques tirés de leurs propres contextes métiers.

Le niveau avancé s'adresse aux équipes techniques et aux data scientists. Il ne s'agit plus de sensibilisation, mais de montée en compétences sur des techniques spécifiques : MLOps, modèles de langage, architecture de systèmes IA en production, gestion des biais. Ce niveau évolue constamment pour intégrer les dernières avancées.

Cette segmentation n'a rien d'original en soi. Ce qui fait la différence, c'est la porosité entre les niveaux. Bank of America a conçu des passerelles pour que quelqu'un formé au niveau fondamental puisse facilement basculer vers le niveau intermédiaire s'il le souhaite. Ils ont également évité l'écueil classique du parcours linéaire obligatoire : on peut commencer par le niveau qui correspond à son besoin immédiat, puis revenir sur les fondamentaux si nécessaire.

Les choix d'infrastructure et de budget qui changent tout

Former 200 000 personnes à l'IA, c'est un projet qui se chiffre en dizaines de millions de dollars. Bank of America a fait des choix budgétaires contre-intuitifs qui méritent qu'on s'y attarde.

Premier choix : ils n'ont pas externalisé la conception des contenus. Ils ont constitué une équipe interne d'une trentaine de personnes, mix de pédagogues, de data scientists seniors et d'experts métiers, chargée de créer l'ensemble des modules. Ce choix augmente considérablement l'investissement initial, mais garantit que les cas d'usage et les exemples sont directement tirés des problématiques réelles de l'organisation. Les retours terrain montrent que cette pertinence contextuelle fait toute la différence dans l'engagement des participants.

Deuxième choix : ils ont investi massivement dans une plateforme d'apprentissage interne, plutôt que d'acheter des formations en ligne existantes. Cette plateforme intègre des environnements bac à sable où les employés peuvent manipuler des modèles sur des données anonymisées réelles de la banque. L'apprentissage ne se limite pas à regarder des vidéos, il passe par l'expérimentation concrète.

Le budget alloué au temps de formation est tout aussi révélateur. Bank of America a explicitement budgété le temps passé en formation comme du temps de travail productif, avec des objectifs clairs donnés aux managers : chaque employé doit consacrer au minimum 20 heures par an à sa montée en compétences IA, sur son temps de travail. Cette décision envoie un signal fort sur la priorité stratégique du sujet.

Ils ont également prévu une enveloppe dédiée aux expérimentations post-formation. Les équipes qui ont suivi le niveau intermédiaire ou avancé peuvent solliciter du temps et des ressources pour tester des idées d'application de l'IA à leurs problématiques métiers. Ce mécanisme transforme la formation en catalyseur d'innovation, plutôt qu'en simple case à cocher.

Ce qui a failli faire dérailler le projet

Raconter uniquement les succès serait malhonnête. Bank of America a rencontré des obstacles majeurs, dont certains ont failli compromettre l'ensemble du programme.

Le premier échec a été la sous-estimation de la résistance culturelle. Dans une banque où la gestion du risque est omniprésente, introduire l'IA a généré des réactions de défense fortes. Certains métiers voyaient cette formation comme une menace déguisée, le prélude à une automatisation qui supprimerait leurs postes. D'autres considéraient que leur expertise métier était suffisante et que l'IA n'avait rien à leur apporter. La direction a dû ajuster le discours en milieu de parcours, en insistant sur l'IA comme outil d'augmentation plutôt que de remplacement, et en montrant des exemples concrets d'employés dont le travail avait gagné en valeur grâce à ces technologies.

Le deuxième problème est venu des managers intermédiaires. Beaucoup n'avaient pas eux-mêmes suivi la formation et se sentaient dépassés par les questions de leurs équipes. Certains freinaient activement la participation, considérant que c'était du temps perdu. Bank of America a dû inverser l'ordre de déploiement : former d'abord l'ensemble des managers, avant de cascader vers les équipes. Cette correction a ralenti le calendrier de six mois, mais s'est révélée indispensable. Cette approche rappelle d'ailleurs les erreurs classiques de leadership technique où le management doit incarner le changement avant de pouvoir le piloter.

Le troisième défi a été la mesure d'impact. Les métriques initiales se concentraient sur le nombre de certificats obtenus et les scores aux quiz. Ces indicateurs ne captaient rien de l'effet réel sur l'organisation. Ils ont dû construire un système de mesure plus sophistiqué : nombre de projets IA lancés par des équipes métiers, temps de cycle des projets incluant de l'IA, qualité des expressions de besoin dans les tickets adressés aux équipes data. Ces métriques prennent du temps à se stabiliser, mais elles racontent une histoire bien plus intéressante.

Enfin, un problème inattendu : l'obsolescence des contenus. Dans un domaine qui évolue aussi vite que l'IA, les modules créés en début de programme étaient déjà datés 18 mois plus tard. Maintenir les contenus à jour s'est révélé être un chantier permanent, nécessitant une équipe dédiée et des cycles de révision courts. C'est un coût récurrent qu'ils n'avaient pas suffisamment anticipé.

Une LLM adoption strategy transposable à d'autres organisations

Bank of America opère à une échelle que peu d'organisations atteignent. Pourtant, plusieurs principes de leur LLM adoption strategy se transposent, quelle que soit la taille de l'entreprise.

Le premier est la nécessité d'un sponsoring au plus haut niveau, qui ne se limite pas à une approbation budgétaire. Le CEO Brian Moynihan a régulièrement communiqué sur l'importance stratégique de cette montée en compétences, et plusieurs membres du comité exécutif ont publiquement partagé leur propre parcours de formation. Ce signal a débloqué des résistances que n'importe quel budget n'aurait pas levées.

Le deuxième principe est l'ancrage dans les problématiques métiers réelles. Trop de formations IA restent abstraites, avec des exemples génériques qui ne parlent à personne. Bank of America a systématiquement traduit les concepts en cas d'usage tirés de l'activité quotidienne de chaque métier. Cette contextualisation demande un effort considérable, mais c'est elle qui fait la différence entre une formation subie et une formation recherchée.

Le troisième élément est la création d'une communauté de pratique. Au-delà des formations formelles, Bank of America a structuré des espaces d'échange où les employés partagent leurs expérimentations, leurs échecs, leurs découvertes. Ces communautés, organisées par métier ou par thématique technique, génèrent un effet d'entraînement qui prolonge l'impact de la formation initiale.

Enfin, l'acceptation que c'est un chantier permanent, pas un projet avec une date de fin. L'IA évolue trop vite pour qu'une formation ponctuelle suffise. Bank of America a construit une organisation apprenante, où la mise à jour des compétences IA est intégrée au fonctionnement normal de l'entreprise, pas traitée comme une initiative exceptionnelle.

Au-delà du cas Bank of America

Ce qui rend cette expérience particulièrement intéressante, c'est qu'elle s'attaque à un problème que beaucoup d'organisations vont devoir résoudre dans les années qui viennent. L'IA n'est plus un sujet de niche réservé aux équipes techniques. Elle devient une compétence transverse, au même titre que la maîtrise des outils bureautiques dans les années 90.

Bank of America a démontré qu'il est possible de former massivement une organisation à l'IA, mais que cela nécessite des choix clairs : segmenter les publics, investir dans des contenus pertinents, donner du temps, mesurer l'impact réel, et accepter que ce soit un chantier permanent. Ils ont également montré que les obstacles principaux ne sont pas techniques, mais culturels et organisationnels. Des initiatives comme l'expérimentation de Malte avec ChatGPT Plus explorent d'autres approches de démocratisation de l'IA, mais à l'échelle d'une nation plutôt que d'une entreprise.

Pour les organisations qui se lancent dans une démarche similaire, un conseil : ne cherchez pas à répliquer leur modèle tel quel. Prenez les principes, adaptez-les à votre contexte, et commencez par un périmètre maîtrisable avant de scaler. L'erreur serait de vouloir former tout le monde en même temps sans avoir d'abord testé et ajusté l'approche sur un groupe pilote. Bank of America elle-même a procédé par vagues, en intégrant les retours de chaque cohorte avant de passer à la suivante.

La question n'est plus de savoir si votre organisation doit monter en compétences sur l'IA, mais comment elle va le faire. Et sur ce comment, l'expérience de Bank of America offre un terrain d'apprentissage précieux, avec ses réussites comme avec ses ratés assumés.