Discours du gouverneur Waller sur la mise en œuvre de l'IA à la Réserve fédérale

Merci, Président Collins, et merci de m’avoir donné l’opportunité de m’adresser à vous aujourd’hui. L’intelligence artificielle est un phénomène technologique qui bouleverse le monde. Nous en lisons tous les jours et beaucoup d’entre nous l’ont déjà utilisée d’une manière ou d’une autre. Au cours de ma vie, je n’ai jamais vu une révolution technologique aussi marquante — j’ai assisté à la naissance de l’exploration spatiale, à l’essor de l’ordinateur personnel, à l’explosion d’Internet puis des smartphones. Bien que toutes transformatrices, aucune ne rivalise avec le potentiel de l’IA pour changer nos vies à une vitesse fulgurante. Les entreprises, les ménages et chaque gouvernement cherchent tous à l’intégrer dans leur fonctionnement et leur gestion. Et je suis ici pour vous dire que la Réserve fédérale ne fait pas exception.

Ainsi, compte tenu du thème de cette conférence et de la composition de l’audience, j’ai pensé qu’il était opportun de discuter de la manière dont le système de la Réserve fédérale utilise l’intelligence artificielle pour construire et optimiser les systèmes qui soutiennent notre travail, ainsi que pour l’intégrer dans d’autres applications internes.

La plupart des gens associent la Réserve fédérale à la politique monétaire — taux d’intérêt, inflation, et décisions qui font la une lorsque les responsables de la Fed se réunissent huit fois par an. Mais la majeure partie de notre activité quotidienne consiste en des travaux opérationnels tels que les paiements, la gestion financière, les ressources humaines, et la fourniture de services financiers au Trésor américain. Un élément crucial de ce travail opérationnel est la technologie. L’IA est la dernière technologie que nous intégrons dans notre travail quotidien pour atteindre des gains d’efficacité opérationnelle.

La Fed a été conçue en 1913 comme un système de banques régionales, et historiquement, de nombreuses décisions technologiques étaient prises banque par banque. Cela avait du sens à une époque où chaque banque de réserve fonctionnait effectivement comme une organisation distincte. Mais à mesure que le travail de la Fed est devenu plus numérique et interconnecté — parallèlement à l’évolution du système bancaire et de l’économie en général — cette approche crée de plus en plus de duplication, d’inefficacité et de risques opérationnels.

Lorsque les systèmes sont interconnectés, des décisions prises isolément entraînent des problèmes de coordination — surtout compte tenu de l’ampleur et de la criticité des systèmes que la Fed exploite. Maintenir des normes de résilience et de sécurité propres à une banque centrale exige un modèle plus coordonné.

C’est pourquoi nous avançons vers une approche centrée sur le système de la Réserve fédérale — avec des normes et une infrastructure communes, tout en préservant la décentralisation là où cela compte le plus, notamment pour la politique monétaire et la recherche économique.2

Et l’urgence de cette transition ne cesse de croître. Le volume et la vitesse du changement technologique continuent d’augmenter. En tant qu’institution publique jouant un rôle important dans les systèmes financiers américains et mondiaux, la Fed doit suivre le rythme pour fournir des services efficaces et fiables aux côtés du secteur privé.

Cette vitesse de changement était évidente lors de la récente Conférence sur l’innovation dans les paiements que j’ai organisée, où divers participants ont évoqué la convergence de l’IA, des stablecoins, de la tokenisation et des paiements — un thème que j’entends aussi régulièrement dans mes échanges avec l’industrie, et que je suspecte de revenir dans les panels d’aujourd’hui.

À ce rythme, une approche banque par banque ne suffira pas, surtout pour des technologies de pointe comme la tokenisation, l’informatique quantique et l’IA générative. Ce sont des défis audacieux — et des opportunités — qui traversent tout le système de la Réserve fédérale.

Répondre à l’appel nécessite une coordination à l’échelle du système, une propension à agir rapidement, et une exécution disciplinée à grande échelle. C’est pourquoi nous avons délibérément construit une pratique d’innovation centrée sur le système. Plutôt que de dupliquer les efforts — faire la même chose cent fois à travers le système — nous pouvons faire cent choses différentes. Une approche systémique nous permet de faire passer les idées de l’expérimentation à la mise en œuvre plus rapidement et efficacement.

L’IA est un exemple concret de ce à quoi ressemble cette approche en pratique. Je n’ai pas besoin de rappeler à ce public à quelle vitesse l’IA évolue — en remodelant la façon dont le travail est effectué et le fonctionnement des organisations. En tant que bâtisseurs et leaders, vous en faites l’expérience directement. Et la Réserve fédérale ne fait pas exception. Il est impératif que nous suivions le rythme. Oui, nous sommes une banque centrale ; « casser des choses et demander pardon » ne fonctionnera pas ici. Avec un grand pouvoir vient une grande responsabilité. Les systèmes d’IA peuvent amplifier les erreurs aussi rapidement qu’ils augmentent l’efficacité. Ils peuvent halluciner. Ils peuvent introduire de véritables risques liés à la protection des données, au risque de modèle, aux biais, et à la résilience opérationnelle. Nous ne pouvons pas aborder l’IA à la légère. En tant que banque centrale, nous nous fixons des standards élevés. Cela implique des garde-fous clairs sur l’utilisation et le déploiement, de solides contrôles de sécurité de l’information, une validation rigoureuse des modèles, une responsabilité humaine dans les décisions, et une évaluation continue à mesure que la technologie évolue. Innovation et gestion des risques ne sont pas des priorités opposées — elles se renforcent mutuellement.

Nous devons respecter ces principes, mais l’inaction n’est pas une option non plus. Nous ne pouvons pas nous permettre d’être en retard ou d’aborder le changement transformationnel de manière fragmentée. C’est pourquoi nous faisons les choses différemment. En déployant l’IA à l’échelle de la Fed, nous avançons en tant que système uni, avec une direction et une cohérence communes. Nous avons développé une plateforme interne d’IA à usage général pour tous les employés des banques de réserve. Notre approche est délibérément orientée métier et alimentée par l’IA. Nous commençons par le problème à résoudre et le besoin métier, puis appliquons la capacité appropriée de toute la pile de l’IA. Cette discipline nous aide à apporter une réelle valeur métier tout en évitant complexité et coûts inutiles.

Être orienté métier signifie aussi intégrer l’IA dans le fonctionnement de la Fed — ne pas la traiter comme une collection d’expériences aléatoires ou de projets zombies.

L’objectif n’est pas la nouveauté. C’est l’utilité.

Passons maintenant aux cas d’usage concrets de l’IA. Nous déployons l’IA de trois manières complémentaires et ciblées, qui reflètent la façon dont le travail s’organise dans une institution grande et complexe — un accès large pour tous les employés, des outils spécialisés pour les bâtisseurs, et des capacités intégrées dans les flux de travail de l’entreprise — qui, ensemble, en font une partie intégrante du fonctionnement quotidien de la Réserve fédérale.

Commençons par l’IA à usage général pour tous les employés, car c’est là que l’impact quotidien le plus visible apparaît en premier.

Il s’agit de faire de l’IA une capacité de base du travail quotidien, et non un outil de niche. Chaque employé a accès à des solutions d’IA approuvées par la Fed qu’il peut utiliser tout au long de la journée — pour rédiger, résumer, analyser des informations, et débloquer plus rapidement. Pour beaucoup, cela fonctionne comme un assistant numérique omniprésent — une caisse de résonance à laquelle ils peuvent revenir lorsqu’ils rencontrent des problèmes ou accomplissent des tâches quotidiennes. L’objectif n’est pas de transformer tout le monde en technologue ; c’est de réduire les frictions dans le travail de routine pour que chacun puisse consacrer plus de temps au jugement, à la résolution de problèmes, et à des activités à plus forte valeur ajoutée.

De plusieurs façons, cela reflète la façon dont les gens utilisent déjà l’IA dans leur vie personnelle. Chez moi, l’IA est devenue un outil quotidien — tout comme un smartphone ou même un micro-ondes auquel on ne pense plus. Ma femme l’utilise comme un compagnon quotidien : pour planifier des voyages, aider nos enfants à réfléchir à leur avenir professionnel, comparer des offres, ou transformer de petites tâches agaçantes en choses plus gérables.

Ce n’est pas exotique. C’est un outil.

Et c’est exactement ainsi que nous devons envisager l’IA au travail.

Permettez-moi de rendre cela concret.

Le personnel de la Fed reçoit souvent des documents de contexte importants, hors du cadre du FOMC, pour préparer diverses réunions. Pour synthétiser ces informations, ils utilisent parfois l’outil d’IA interne de la Fed pour générer rapidement les thèmes clés. Bien sûr, cela ne remplace pas la préparation ou le jugement. Cela compresse le travail mécanique pour libérer plus de temps pour le fond et les questions importantes.

Un autre exemple : lorsqu’une collègue revient d’un congé bien mérité — une véritable détox numérique, c’est-à-dire qu’elle n’a pas accès à ses appareils ou emails professionnels — et qu’elle revient à une boîte de réception et une file de documents pleines, elle utilise l’outil d’IA interne de la Fed pour résumer et trier ce qui s’est accumulé. Cela lui permet d’aller directement à l’essentiel, là où son expertise est requise.

Dans les deux cas, l’outil gère le volume et la première passe. La décision revient à l’humain.

Le deuxième domaine où nous constatons un impact réel concerne les développeurs et les bâtisseurs actifs — ceux qui transforment les idées en mise en œuvre.

Les assistants de codage aident les développeurs à optimiser leur travail tout au long du cycle de développement logiciel — de la documentation et du refactoring à l’écriture de code et aux tests unitaires. Cela permet aux équipes de traiter plus rapidement les arriérés, d’améliorer la qualité et la fiabilité, de moderniser les systèmes, et de livrer plus de valeur et d’innovation.

Mais il ne s’agit pas seulement de rapidité.

L’IA prend en charge certaines des tâches les plus chronophages et peu satisfaisantes du développement logiciel, permettant aux développeurs de se concentrer sur la sécurité et la qualité. Cela est crucial pour une institution comme la Fed, où la fiabilité et la résilience des systèmes en production sont essentielles.

Prenons l’exemple des tests unitaires. C’est vital pour la qualité et la résilience, mais ce n’est pas une tâche qui enthousiasme les développeurs. Dans plusieurs équipes, des tâches qui prenaient auparavant des jours se font désormais en quelques heures avec l’aide de l’IA. Un développeur m’a dit directement : « Ce qui me prenait deux jours prend maintenant deux heures. » Cela libère du temps pour des travaux à plus forte valeur ajoutée, comme renforcer la sécurité et développer de nouvelles capacités. À mesure que ces outils mûrissent, les bénéfices s’accumulent.

Il y a aussi une question de capacité. Quand les assistants de codage réduisent le coût de production du logiciel tout en améliorant la qualité, ils élargissent ce qui est possible. Nous pouvons écrire plus de code, développer davantage de capacités, et offrir plus de valeur métier. À mesure que la rareté diminue, la capacité augmente — ce qui nous permet de traiter les arriérés et la dette technique qui s’accumulent avec le temps.

Une analogie utile que j’ai entendue est celle de l’iPhone et de la photographie. Mettre un appareil photo dans la poche de tout le monde n’a pas éliminé la photographie professionnelle. Cela a réduit le coût de production, augmenté le volume, et élargi le marché. Plus de photos ont été prises, et la demande pour un travail de haute qualité a en réalité augmenté. Je pense que les assistants de codage fonctionneront de la même manière pour le logiciel.

Au sein de la Fed, nous constatons déjà une forte adoption précoce — des centaines de développeurs adoptant rapidement ces outils — ce qui montre que cette capacité répond à un besoin réel.

Permettez-moi de vous donner un autre exemple, moins lié au code, mais plus à l’écoute des communautés que nous servons.

Dans l’ensemble de la Fed, nous recueillons une quantité énorme d’informations qualitatives — conversations avec des entreprises, des leaders communautaires, et des acteurs du marché. Historiquement, synthétiser ces informations à travers les régions et les périodes a été laborieux.

Grâce aux outils d’IA, les analystes peuvent désormais extraire des thèmes ciblés à partir de grands volumes de notes d’entretiens, comparer des tendances sur différents cycles, et repérer beaucoup plus rapidement les changements de sentiment. Cela ne remplace pas le jugement humain — cela accélère la première étape pour que les économistes puissent consacrer plus de temps à interpréter ce qui compte.

La troisième façon dont nous intégrons l’IA consiste à l’incorporer directement dans les flux de travail existants.

Plutôt que de demander aux équipes d’adopter de nouveaux outils ou de développer des solutions sur mesure, nous activons les capacités d’IA dans les plateformes qui soutiennent déjà le travail quotidien dans des domaines comme le juridique, le risque, les achats, les opérations, et autres fonctions de l’entreprise.

L’adoption suit le flux de travail. Lorsqu’elle est intégrée — et non ajoutée en dernier —, les employés n’ont pas à changer leur façon de travailler pour en tirer parti.

Si vous faites souvent du shopping en ligne ou voyagez, vous avez probablement déjà vécu cette évolution. Lorsqu’un problème survient — vol retardé, correspondance manquée, colis endommagé — il est souvent plus rapide de le résoudre via un simple chat ou message, voire un appel téléphonique souvent redouté. Dans de nombreux cas, l’IA travaille en arrière-plan pour résumer le contexte, orienter la résolution, ou la régler directement — et quand une personne intervient, elle est mieux préparée pour aider. L’expérience devient plus simple, plus rapide, et souvent meilleure.

Ce même principe s’applique à la Fed. En intégrant l’IA dans nos systèmes d’entreprise existants, nous pouvons améliorer la rapidité, la cohérence, et la qualité du service sans créer de solutions fragmentées. C’est aussi une démarche responsable sur le plan financier. Étant donné la rapidité de l’évolution technologique, utiliser l’IA via des plateformes de fournisseurs nous permet de bénéficier des améliorations continues, plutôt que de construire et maintenir des outils qui peuvent devenir coûteux ou obsolètes.

Dans l’ensemble, ces exemples illustrent comment nous faisons passer l’IA de l’expérimentation à la mise en œuvre grâce à une approche coordonnée, centrée sur le système.

Le résultat est une capacité accrue dans toute l’organisation, permettant aux équipes de résoudre des problèmes complexes et de fournir plus de valeur, tout en améliorant la productivité et l’efficacité des coûts par une innovation responsable.

Bien que ce soit un bon début, nous ne voulons pas nous limiter à des succès ponctuels. La durabilité est ce qui compte — et cela exige de se concentrer sur l’adoption, la responsabilité, et le leadership.

C’est souvent là que les efforts en IA réussissent ou échouent — lorsque la responsabilité passe des premiers adopteurs aux opérateurs quotidiens. La technologie n’est plus le défi principal ; la gestion du changement l’est. Tout se joue dans la rapidité avec laquelle les gens adoptent les outils, leur intégration profonde dans leur routine, et si cette adoption se traduit par des résultats.

C’est pourquoi nous avons adopté une approche axée sur l’adoption. Nous considérons l’IA comme un investissement en capital humain, et non comme une expérimentation marginale. La formation et le perfectionnement se font pendant le temps de travail, pas en dehors.

Et cette formation n’est pas ponctuelle ou théorique. Elle est continue, pratique, et adaptée aux rôles. Les employés apprennent en utilisant l’IA dans leurs flux de travail réels, à travers des ateliers appliqués, des sessions de formation pratiques, et des sessions de collaboration sur des prompts. Cette approche « pratique et opérationnelle » est essentielle, car le confort et la compétence viennent de l’usage, pas des diapositives.

Nous avons aussi été explicites sur les attentes. L’utilisation de l’IA n’est pas optionnelle. La maîtrise de ses bases et son application sont intégrées dans les objectifs de performance des employés à travers le système. Ce qui est mesuré, est fait.

J’en ai fait l’expérience personnellement. Quand j’étais directeur de la recherche à Saint-Louis, nous avions élaboré un plan stratégique qui reposait en grande partie sur une étagère. Ce qui a changé le comportement, c’est d’avoir intégré ces priorités directement dans les objectifs des employés. Une fois qu’ils savaient ce qui comptait et comment ils seraient évalués, l’exécution suivait. Cette expérience a façonné ma vision du changement durable.

Le leadership joue ici un rôle crucial. Fixer des attentes et faire des investissements sont nécessaires, mais pas suffisants. Les équipes doivent voir leurs dirigeants agir concrètement et communiquer leur engagement — et qu’ils sont eux-mêmes formés à cette technologie. Ce signal de leadership transforme la dynamique initiale en un changement de comportement durable.

C’est ainsi que nous passons des premiers succès à une capacité pérenne, en associant technologie, formation, responsabilité et leadership, pour que l’IA devienne une partie durable du fonctionnement de la Fed.

Les conférences comme celle-ci mettent en lumière comment la technologie redéfinit l’avenir. Ce que j’ai essayé de montrer aujourd’hui, c’est comment nous abordons ce défi à la Fed — en réalisant notre mission par l’innovation technologique, avec un accent clair sur l’exécution et l’efficacité. Et ce faisant, nous montrons comment une institution publique peut adopter l’IA de manière responsable, renforçant ainsi la confiance publique.

À l’approche de technologies comme la tokenisation et l’IA agentique, il est utile de se rappeler que ce n’est pas la première fois que notre secteur traverse de tels changements. Lors de l’introduction des distributeurs automatiques, ils n’ont pas éliminé les caissiers. Au contraire, ils ont modifié la façon dont la banque fonctionne. Les transactions routinières sont devenues moins coûteuses, plus rapides, et plus accessibles, tandis que l’effort humain s’est concentré sur des activités à plus forte valeur ajoutée. Le véritable impact ne résidait pas uniquement dans l’automatisation — mais dans la réorganisation des institutions autour de la technologie.

L’IA est similaire. Les gains majeurs ne viendront pas simplement de l’ajout d’IA dans les processus existants. Ils viendront d’une refonte des flux de travail, des rôles, et des systèmes pour exploiter ce que cette technologie permet.

Ce que nous ne savons pas — et ne pouvons pas savoir — c’est exactement quand ces technologies atteindront leur point d’inflexion complet. Nous n’aurons pas de signal clair lorsque l’IA passera d’un progrès rapide à un impact systémique véritable. Mais attendre une clarté parfaite n’est pas une stratégie. Si nous voulons être prêts lorsque ce moment arrivera, le travail doit commencer dès maintenant.

L’IA est un exemple clair de la façon dont la Fed peut agir avec audace et à grande échelle, en adoptant une approche centrée sur le système.

1. Les opinions exprimées ici sont les miennes et ne reflètent pas nécessairement celles de mes collègues du Conseil de la Réserve fédérale. Retour au texte

2. Dans ce discours, en tant que Gouverneur de la Surveillance des banques de réserve, lorsque je parle du « système », je fais référence aux 12 banques de réserve, et non au Conseil des gouverneurs. Retour au texte