Comment Goldman Sachs a construit une politique d'IA qui a changé les comportements

En 2024, Goldman Sachs avait un problème que beaucoup d'entreprises reconnaîtront : ses équipes utilisaient déjà des outils d'IA générative, de façon hétérogène, souvent sans cadre, et parfois en contournant les restrictions officielles via des comptes personnels. La direction n'avait pas affaire à des employés réfractaires à l'IA, mais à des employés qui voulaient travailler autrement et attendaient une autorisation claire que la firme tardait à formuler. Le risque réel n'était pas l'adoption, mais l'adoption non structurée.

Goldman disposait de contraintes spécifiques : confidentialité des données clients, exigences réglementaires liées aux activités bancaires, et une culture interne où la rigueur analytique est un marqueur d'identité professionnelle. Publier un document de 10 pages intitulé "Acceptable Use Policy" n'aurait rien résolu. La firme le savait.

Ce que Goldman Sachs a mis en place

La politique d'usage de l'IA de Goldman n'a pas été rédigée par le département juridique puis transmise aux métiers. Elle a été co-construite avec les desks et les équipes opérationnelles, en partant d'une cartographie des usages réels observés. C'est un détail qui change tout : les équipes ont reconnu leurs propres pratiques dans le document final, ce qui a réduit le sentiment d'imposition arbitraire.

Une taxonomie des cas d'usage, pas une liste d'interdictions

Plutôt que de définir ce qui est interdit, Goldman a structuré sa politique autour de trois catégories d'usage : les usages approuvés sans restriction (reformulation, résumé de documents internes, aide à la rédaction de code en environnement isolé), les usages soumis à validation (analyse de données sensibles, intégration dans des flux clients), et les usages bloqués (transmission de données identifiées hors périmètre sécurisé). Cette architecture positive a changé la tonalité du message : l'IA n'est pas présumée dangereuse, les cas d'usage sont présumés autorisables sauf exception.

Des outils maison plutôt qu'une interdiction des outils externes

Goldman a déployé GS AI Platform, son environnement propriétaire donnant accès à des modèles de langage dans un périmètre contrôlé. L'existence d'un outil interne validé a retiré le principal prétexte aux contournements : les employés n'avaient plus besoin d'utiliser ChatGPT avec un compte personnel puisqu'un outil équivalent existait dans un cadre sécurisé. La politique d'interdiction des outils non approuvés est devenue crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édible précisément parce qu'elle s'accompagnait d'une alternative.

Une formation calibrée par niveau de risque

La firme a différencié les formations selon le profil. Un analyste junior en operations a reçu une formation de deux heures centrée sur les cas d'usage de son poste et les erreurs fréquentes (hallucinations, confiance excessive dans les sorties du modèle). Un ingénieur intégrant l'IA dans un pipeline de donnéespipeline de donnéesSéquence automatisée d'étapes qui déplace les données de la source vers la destination : ingestion, transformation, validation et chargement, pour qu'elles arrivent propres et prêtes à l'emploi.Voir la définition complète → a suivi un parcours de cinq jours. Cette segmentationsegmentationDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → a évité l'écueil habituel : une formation générique que tout le monde regarde en demi-attention et oublie en 48 heures.

Des mécanismes de feedback visibles

Goldman a instauré des revues trimestrielles où les cas problématiques (sans données identifiantes) sont présentés aux équipes. Quand un analyste a transmis par erreur une sortie d'IA non vérifiée dans un mémo client, l'incident a été anonymisé et utilisé comme cas d'étude interne. Cette transparence, inhabituelle dans une culture bancaire traditionnellement discrète sur ses erreurs internes, a produit un effet pédagogique que aucune formation théorique n'aurait atteint.

Les résultats

Les chiffres précis restent confidentiels, Goldman ne publie pas de métriques d'adoption interne. Ce qui est documenté publiquement : lors de son rapport annuel 2024, la firme a mentionné que plus de 10 000 développeurs internes utilisaient des outils d'assistance au code basés sur l'IA, et que l'automatisation de certains processus de back-office avait réduit le temps de traitement sur des tâches spécifiques de l'ordre de 30 à 40 %. Ces chiffres sont à interpréter avec précaution car ils proviennent de communications institutionnelles, pas d'un audit indépendant.

Ce qui est observable de l'extérieur : le taux de contournement des restrictions a baissé, selon plusieurs témoignages de salariés rapportés dans la presse financière en 2025. L'explication avancée n'est pas la surveillance accrue, mais le fait que l'outil interne est devenu plus pratique que les alternatives non approuvées.

La politique a aussi eu un effet secondaire non anticipé : les équipes ont commencé à remonter spontanément des cas d'usage nouveaux au lieu de les tester discrètement. Le canal de validation s'est transformé en canal d'innovation interne.

Ce qui se transfère, et ce qui ne se transfère pas

La leçon la plus directement applicable : une politique d'IA qui commence par cartographier les usages réels avant de rédiger des règles a plus de chances d'être suivie qu'une politique descendante. Passer une semaine à observer comment vos équipes utilisent déjà l'IA, même de façon non officielle, vaut plus que trois mois de rédaction juridique en chambre.

La taxonomie positive (ce qui est autorisé, ce qui est soumis à validation, ce qui est bloqué) fonctionne dans n'importe quelle organisation. Elle remplace la logique de compliance par une logique de clarté opérationnelle. Un employé qui sait précisément ce qu'il peut faire sans demander permission va moins contourner les règles qu'un employé face à un document flou qui interdit "tout usage inapproprié".

Deux points de contexte Goldman qui ne se transfèrent pas directement : la capacité à construire et maintenir une plateforme IA propriétaire demande des ressources hors de portée de la plupart des PME et de beaucoup d'ETI. Et la culture de rigueur analytique de Goldman facilite l'adhésion à des processus de validation que des organisations moins structurées trouveront contraignants. Pour ces organisations, l'équivalent pratique est de désigner un outil cloud approuvé avec un accord de confidentialité en bonne et due forme, et de communiquer clairement que cet outil est l'option par défaut.

La formation segmentée par profil, elle, est accessible à toutes les tailles d'organisation. Deux heures ciblées sur les vrais cas d'usage d'un poste précis changent plus de comportements qu'une demi-journée de sensibilisation générale sur les risques de l'IA.

Une politique d'IA change les comportements quand elle rend le comportement souhaité plus simple que le contournement. Goldman y est arrivé en combinant un outil interne crédible, une taxonomie claire et une formation utile au poste. Le document de politique lui-même n'a joué qu'