À partir de là, nous avons cartographié les parcours sur lesquels l’IA pouvait réellement faire gagner du temps aux entrepreneurs et dirigeants, sans réduire leur niveau de contrôle. Notre logique a été la suivante : partir d’une intention exprimée par l’utilisateur — via un prompt, une question en langage naturel ou un document uploadé — puis permettre à l’agent de préparer une action ou une analyse, avant validation humaine dès qu’il y a un impact financier, réglementaire ou sensible.

Notre objectif est de passer d’un modèle self-service — où l’utilisateur navigue, cherche, clique — à un modèle de délégation assistée : l’agent comprend l’intention, réduit la friction opérationnelle et prépare l’exécution, sans jamais décider à la place de l’utilisateur. Le déploiement à l’échelle repose sur un principe non négociable : l’humain reste responsable. Les agents peuvent préparer des actions, structurer une analyse ou accélérer un workflow, mais l’utilisateur reste systématiquement le point de décision dès qu’il s’agit d’engager de l’argent ou d’effectuer une action sensible.

Côté succès, nous suivons des indicateurs très concrets : le gain de temps, l’adoption, la qualité perçue, ainsi que la capacité à réduire les erreurs et la charge mentale — sans actions inattendues ou perte de contrôle.

Comment travaillez-vous les sujets IA en termes de technologies, de buy vs build, mais aussi de protection de données et de conformité ?
Notre approche, c’est de construire et de nouer des partenariats. Nous nous appuyons sur des partenaires technologiques pour certaines briques, et nous construisons en interne ce qui fait la spécificité de Qonto : l’intégration dans le produit, l’orchestration, la manière dont l’IA s’insère dans des processus financiers, et surtout la mise en place des garde-fous indispensables dans un environnement où la confiance et le contrôle sont centraux.

En parallèle, nous avons déjà déployé l’IA très concrètement en interne : pour assister le support client et automatiser certaines demandes simples via The Operator, accélérer la localisation de contenus avec notre agent Tolki, ou aider les équipes conformité et risque à analyser et pré-qualifier certains cas avec notre agent Germi. Notre approche AI-native, c’est d’en faire une compétence intégrée aux équipes — pas une initiative isolée — et aujourd’hui 86% des Qontoers utilisent l’IA au quotidien.

Sur la conformité et la protection des données, notre ligne est constante : nous n’introduisons pas d’IA qui déplace la responsabilité. Nous privilégions une IA qui assiste, prépare et clarifie, avec contrôle humain et des exigences de sécurité compatibles avec un environnement régulé, dans lequel nous évoluons.

Plus largement, quelle place l’IA peut encore prendre chez Qonto ? Quels autres projets agentiques sont à l’étude ou peuvent voir le jour ? Allez-vous aller jusqu’à une app complètement « prompt-based » ?
Nous voyons l’IA comme une couche d’intelligence supplémentaire au sein de la plateforme Qonto : moins de navigation, plus de compréhension. L’ambition est de passer des tableaux de bord aux décisions : au lieu de chercher une information ou une fonctionnalité, l’utilisateur peut exprimer une intention en langage naturel, obtenir une analyse, puis préparer une action.

Mais notre cap n’est pas une application tout-prompt. Ce que nous construisons, ce sont des parcours financiers pilotables simplement, où l’IA peut préparer, expliquer, signaler ou accélérer certaines opérations — et où l’humain valide dès qu’une conséquence financière est en jeu.

Pour la suite, nous avons vocation à développer d’autres agents afin de réduire d’autres moments chronophages liés au pilotage financier, toujours avec la même logique : délégation sur l’exécution, responsabilité et contrôle au bon endroit.

Comment adresser la question de la verticalité des métiers et la variabilité des processus lorsqu’on cherche à automatiser des processus liés au pilotage financier ?
La diversité des métiers est précisément une raison majeure pour laquelle nous croyons à l’IA agentique : un menuisier n’a pas les mêmes besoins qu’une agence de publicité, et une interface figée ne peut pas convenir à tous.

L’un des apports majeurs de l’IA est justement sa capacité à mieux comprendre le contexte et l’intention de l’utilisateur à partir d’une requête en langage naturel. Cela permet d’adapter plus finement l’expérience et les workflows, sans imposer un modèle unique à tous les métiers. L’enjeu, ensuite, est de partir des données financières réelles — transactions, factures, paiements — pour réduire la complexité opérationnelle sans supprimer la capacité de contrôle.

Dans les opérations financières, le point décisif reste la confiance : transparence sur ce que l’agent prépare ou recommande, possibilité de vérifier, et validation humaine dès qu’il y a un impact financier.

Le déploiement de l’agentique risque t-il d’être ralenti par la réglementation ?
Nous pensons que l’IA agentique va se développer rapidement dans les opérations financières au cours des prochaines années, mais avec un rythme différent de celui observé dans des usages grand public. Dans la finance, les enjeux de conformité, de traçabilité et de responsabilité imposent un niveau d’exigence beaucoup plus élevé. Les acteurs capables de combiner automatisation, contrôle humain et confiance auront un avantage décisif. C’est particulièrement vrai en Europe et en France, où les attentes autour de la protection des données et de la fiabilité des opérations financières sont structurellement fortes.

Enfin, notre priorité est que l’IA fluidifie la gestion financière : moins de manipulations, moins de frictions, plus de clarté — tout en restant compatible avec les exigences de conformité et de contrôle propres aux services financiers.

Sophie Cornay interviendra sur le sujet « Les développements de l’IA agentique pour les services financiers » lors de la conférence IN BANQUE 2026 le 23 juin à Paris.