Au cours des prochaines années, les banques, les Sparkassen (caisses d'épargne allemandes) et les compagnies d'assurance verront partir à la retraite un nombre sans précédent de personnes expérimentées. Avec elles disparaissent aussi des connaissances qui ne sont consignées nulle part. L'intelligence artificielle (IA) promet justement de préserver ces connaissances. Une partie de cela est déjà une réalité, l'autre partie reste pour l'instant une simple promesse.
Une étude menée par Robert Half et Protiviti auprès de 245 responsables de banques et d'assurances allemandes montre à quel point la situation est déjà jugée grave. 54,3 % des personnes interrogées considèrent l'évolution démographique comme le facteur d'influence le plus important sur leur stratégie RH d'ici 2030. 42,1 % s'attendent à ce que, d'ici là, de 10 à 20 % de leurs postes restent durablement vacants.
Un exemple tiré du secteur des Sparkassen illustre concrètement ce phénomène. En janvier 2026, le président des Sparkassen, Ulrich Reuter, a déclaré à l'agence de presse Bloomberg que sur les quelque 195 000 personnes employées par les Sparkassen, environ 120 000 devraient prendre leur retraite au cours des dix prochaines années. Pour l'instant, cela peut encore être compensé par de nouvelles embauches. La situation se complique toutefois pour les tâches spécialisées : « Plus la tâche est spécialisée, plus il est difficile de trouver des candidats adaptés », explique M. Reuter.
Cette tendance s'observe également à l'échelle internationale. Dans de nombreux établissements financiers, les applications centrales continuent de fonctionner sur des systèmes basés sur le langage COBOL, vieux de plusieurs décennies. Selon des recherches menées par Reuters, ce langage de programmation, vieux de plus de 60 ans, traite toujours une grande partie des opérations bancaires aux États-Unis, et le nombre de personnes capables d'assurer la maintenance de ces systèmes y diminue aussi de façon continue.
Pourquoi la documentation et le mentorat ne suffisent pas pour le transfert de connaissances
Les connaissances peuvent grossièrement être divisées en deux catégories. Les connaissances explicites se formulent et se documentent facilement : faits, règles, descriptions de processus, chiffres. Elles figurent dans des manuels, des wikis ou des bases de données et peuvent être transmises indépendamment de la personne qui les détenait à l'origine.
Cependant, une grande partie de ce que savent réellement les personnes expérimentées relève d'une deuxième catégorie : le savoir implicite ou tacite. Cela inclut les schémas d'expérience, les règles empiriques et le sens des cas exceptionnels, qui se développent au fil des années et figurent rarement dans les manuels. Ceux qui possèdent ce savoir ne le considèrent souvent pas comme quelque chose de particulier. En effet, il leur semble relever du bon sens, alors qu'il est en réalité le fruit d'années de pratique. C'est précisément ce savoir qui détermine fréquemment la manière dont un cas particulier complexe est traité ou dont une exception est correctement classée dans le système.
Les outils classiques de gestion des connaissances ne répondent que partiellement à ce problème. Les bases de données de connaissances et la documentation permettent de bien conserver les connaissances explicites, mais ne permettent guère de saisir les connaissances implicites. Les programmes de mentorat et les stages d'observation transmettent les connaissances implicites en personne, mais sont coûteux et dépendent fortement de certaines personnes. C'est pourquoi une troisième option retient de plus en plus l'attention des spécialistes : les systèmes basés sur l'IA.
Ce que la gestion des connaissances assistée par l'IA apporte réellement
Un article rédigé par deux responsables d'Accenture dans la California Management Review de l'université de Californie à Berkeley décrit les éléments clés permettant aux entreprises de rendre les connaissances implicites exploitables par les systèmes d'IA. Dans un premier temps, on identifie où se trouvent réellement les connaissances critiques, par exemple en analysant à qui les collègues demandent le plus souvent conseil de manière informelle. Ensuite, ces connaissances sont représentées dans ce que l'on appelle des « graphes de connaissances », des structures qui ne se contentent pas de stocker des documents, mais qui enregistrent également les liens, les exceptions et le contexte. Le dernier élément est déterminant : si le système rencontre un cas qu'il ne peut pas classer avec certitude, celui-ci est transmis à une personne experte. La décision de cette dernière est réintégrée dans le système et permet de le maintenir à jour.
Ce principe est déjà observable dans le secteur financier. Morgan Stanley a mis en place, en collaboration avec OpenAI, un système interne appelé « AI @ Morgan Stanley Assistant ». Il utilise GPT-4 pour rendre consultables environ 100 000 documents de recherche internes et les connaissances des analystes, un savoir accumulé au sein de l'entreprise depuis des décennies. Selon l'étude de cas conjointe d'OpenAI et de Morgan Stanley, plus de 98 % des équipes de conseil utilisent désormais ce système quotidiennement. L'accès aux documents pertinents est passé de 20 à 80 %.
Jeff McMillan, responsable de l'IA à l'échelle de l'entreprise chez Morgan Stanley, décrit ainsi l'effet produit : « Cette technologie vous rend aussi compétent que la personne la plus compétente de l'entreprise. » Auparavant, le système répondait à environ 7 000 questions prédéfinies ; aujourd'hui, il répond pratiquement à toutes les questions issues de l'ensemble du corpus documentaire, comme le rapporte David Wu, responsable de la stratégie produit et de l'architecture IA à l'échelle de l'entreprise chez Morgan Stanley.
COBOL et systèmes hérités : les systèmes existants peuvent eux aussi bénéficier de l'IA
Un deuxième domaine d'application concerne l'aspect technique : les systèmes hérités tels que les applications bancaires centrales basées sur COBOL. Selon les observateurs du secteur, l'IA générative est capable de lire et de documenter du code source historique, puis de le traduire dans un langage moderne et compréhensible.
Cela rend accessible une partie des connaissances que seuls quelques spécialistes possédaient jusqu'à présent, ceux-là mêmes qui comprennent précisément pourquoi une application fonctionne ainsi et non autrement à certains endroits. Pour les établissements qui passeront encore des années à faire fonctionner en parallèle les anciens et les nouveaux systèmes, il s'agit là d'un point de départ pratique.
Les limites de l'IA dans la gestion des connaissances
Tous les chiffres issus de ce secteur ne résistent pas à un examen minutieux. De nombreux fournisseurs de logiciels de gestion des connaissances vantent des réussites impressionnantes qui, bien souvent, ne peuvent pas être vérifiées de manière indépendante. Des cas tels que celui de Morgan Stanley, où des dirigeants nommément cités d'un grand établissement financier réglementé rendent publiquement compte des résultats, ou des recherches indépendantes comme l'article de la California Management Review, sont plus fiables.
Il est également important de noter que la gestion des connaissances assistée par l'IA ne remplace ni le mentorat ni la documentation, mais complète ces deux aspects. Les auteurs d'Accenture soulignent expressément que les dirigeants devraient positionner l'IA comme une partenaire du jugement humain, et non comme un substitut. Sans les retours d'expérience des personnes chevronnées, tout système ne vaut que par son dernier niveau d'apprentissage.
Les prochaines étapes pour les banques, les Sparkassen et les compagnies d'assurance
Le changement de génération ne se produira pas du jour au lendemain, il est déjà programmé. Les établissements qui commencent dès maintenant à recenser systématiquement les connaissances de leur personnel expérimenté, au lieu d'attendre que le vide se creuse pour réagir, se donnent une longueur d'avance qu'ils ne pourraient plus rattraper par la suite. Trois étapes constituent un point de départ réaliste :
- Recenser les connaissances spécialisées avant que le déficit ne se creuse : qui détient un savoir qui n'est documenté nulle part ?
- Commencer par un cas d'utilisation clairement délimité, plutôt que de couvrir immédiatement l'ensemble de l'entreprise.
- Impliquer dès le départ des spécialistes du domaine afin que le système reste capable d'apprendre, au lieu de devenir obsolète après sa mise en place.
Ceux qui franchissent ces étapes dès maintenant ne se contentent pas de préserver des connaissances. Ils gagnent du temps, qui deviendra la ressource la plus rare lors du changement de génération.
Sources
Robert Half: Fachkräfte vs. Fähigkeiten: Woran es der Finanzbranche wirklich mangelt (Studie „Future Workforce 2030“ mit Protiviti, 20.02.2025, aktualisiert 11.04.2025).
FONDS professionell: „Wir raten davon ab“: Sparkassenpräsident zu Kryptos für die Rente (15.01.2026, Bloomberg-Interview mit Ulrich Reuter).
CAST Software: Why COBOL Still Dominates Banking – and How to Modernize (16.05.2024).
Teresa Tung, Philippe Roussiere: Tacit Knowledge Is Your Next Competitive Moat, California Management Review Insights, UC Berkeley Haas (16.03.2026).
OpenAI: Morgan Stanley uses AI evals to shape the future of financial services (Fallstudie mit Morgan Stanley).
AInvest: Banks Face Looming COBOL Talent Gap – Mainframe Modernization Is No Longer Optional (13.04.2026).