Barclays déploie Claude : cinq leçons pour passer à l’échelle
Barclays a annoncé le 1er octobre 2026 l’extension de Claude dans ses opérations mondiales. L’objectif affiché concerne le développement logiciel, la modernisation des systèmes, la cybersécurité et l’assistance aux collaborateurs. Les chiffres publiés décrivent un déploiement réel, mais ne prouvent pas encore son rendement financier.
Un déploiement sur plusieurs métiers
La banque prévoit que Claude Code soit utilisé par la moitié de ses développeurs avant fin 2026, puis par une majorité en 2027. Elle cite aussi un assistant de connaissances accessible à plus de 16 000 collaborateurs britanniques et plus d’un million de recherches depuis sa mise en service en 2025. Dans les activités de marchés, les modèles aident à classer et orienter environ 120 000 courriels par jour.
Ces usages ne sont pas équivalents. Le code touche à la sécurité et à la stabilité des systèmes. La recherche interne dépend de la qualité des sources et des droits. Le tri des demandes clients exige une gestion fine des erreurs et des priorités. Une politique unique doit donc être complétée par des contrôles propres à chaque processus.
Leçon 1 : partir des tâches et des risques
Un grand déploiement ne commence pas par une liste de fonctions disponibles. Il cartographie les tâches, les données et les conséquences d’une erreur. Une suggestion de code peut rester en revue tant qu’elle n’a pas passé les tests. Une demande client mal classée doit pouvoir être repérée rapidement. Une réponse documentaire doit montrer ses sources.
Pour chaque usage, l’entreprise définit la sortie autorisée, le niveau de validation et le plan de reprise. Les actions irréversibles, les communications externes et les changements de droits conservent une intervention humaine explicite. Le modèle reçoit uniquement les accès nécessaires à la tâche.
Leçon 2 : intégrer l’IA aux contrôles existants
Barclays insiste sur la gouvernance, la sécurité et la supervision humaine. Cela signifie que l’IA ne doit pas vivre dans un programme parallèle. Les revues de code, la séparation des responsabilités, la gestion des incidents, la conservation des traces et les contrôles d’accès restent applicables. Les nouvelles capacités doivent entrer dans ces mécanismes.
Le responsable métier conserve la décision sur le processus. L’équipe technique surveille les versions, les performances et les dépendances. La conformité vérifie l’usage des données. Cette répartition évite de faire du fournisseur ou du modèle le seul détenteur de la logique de contrôle.
Leçon 3 : mesurer le travail complet
Les volumes publiés montrent l’adoption, mais pas le bénéfice. Pour le développement, on suit le temps de cycle, les défauts, les incidents et la charge de revue. Pour l’assistance interne, on mesure la résolution au premier contact, les corrections et la satisfaction. Pour les courriels, on observe les mauvaises orientations et les demandes urgentes manquées.
La comparaison doit inclure le temps de vérification. Un modèle peut réduire la rédaction et augmenter les contrôles. Le résultat utile est le délai complet avec une qualité au moins égale, pas la vitesse de génération isolée.
Leçon 4 : préparer les compétences
Quand l’outil touche une majorité de développeurs, la formation devient une capacité permanente. Elle couvre la formulation des tâches, la vérification, les secrets, les licences, les dépendances et la déclaration d’incidents. Les managers apprennent aussi à reconnaître un gain local qui ne se transforme pas encore en résultat pour l’organisation.
Les usages performants sont documentés sous forme de modèles de travail versionnés. Les équipes savent ce qui est recommandé, toléré ou interdit. Le retour d’expérience complète la politique au lieu de rester dans les conversations individuelles.
Leçon 5 : distinguer annonce et résultat
La communication d’Anthropic et de Barclays décrit des objectifs, des volumes et des exemples. Elle n’apporte pas de comparaison indépendante sur les coûts, la qualité ou la productivité. Les entreprises qui s’en inspirent doivent donc construire leurs propres preuves avant d’élargir les droits ou de supprimer des étapes humaines.
Le cas Barclays montre surtout que l’échelle oblige à relier l’IA à la gouvernance ordinaire. Plus le nombre d’utilisateurs et de systèmes augmente, moins la réussite dépend d’un bon prompt. Elle dépend des accès, des contrôles, des compétences et de la capacité à mesurer les conséquences réelles.
Sources
Comprendre l’innovation. Mesurer son impact. Agir avec discernement.
Challenge Impact News décrypte les évolutions de l’intelligence artificielle et des nouvelles technologies, ainsi que leurs conséquences concrètes sur les entreprises, les métiers et notre société.
Sous la direction éditoriale de Cyril Darmon
Fondateur d’UMANIA, consultant, formateur et conférencier spécialisé en intelligence artificielle et en transformation des entreprises.
UMANIA — L’IA au cœur de l’humain. Un partenaire éditorial à l’origine de Challenge Impact News.
Commentaires