Déployer l'IA à grande échelle : la méthode Barclays

En octobre 2026, Barclays a fait quelque chose de rare : publier des chiffres réels de déploiement d'IA générative. Pas une intention, pas un pilote. Selon le communiqué Anthropic du 1 octobre 2026, 16 000 collaborateurs utilisent déjà l'assistant Claude en interne et 120 000 emails sont routés chaque jour dans son activité de marchés. Pendant ce temps, l'étude The State of AI de McKinsey (25 août 2026) rappelle que seules 44 % des organisations déclarent une IA en passage à l'échelle, et que la plupart restent bloquées au stade du pilote. La différence n'est pas le modèle choisi. C'est la méthode. Cet article la décortique et la rend transposable à une entreprise de taille intermédiaire (ETI) ou un grand groupe.

Que fait réellement Barclays avec Claude ?

Barclays ne déploie pas « de l'IA » en général : la banque a ciblé des tâches précises, à très haut volume, où le gain est mesurable dès le premier mois. Premier chantier : le Colleague Knowledge Assistant, un assistant de connaissance interne en service depuis 2025 qui aide les collaborateurs à retrouver la bonne information pour répondre aux clients. D'après le communiqué Anthropic, il réunit 16 000 utilisateurs et a traité plus d'1 million de recherches. Deuxième chantier : le tri et le routage de 120 000 emails par jour dans l'activité Global Markets. Troisième chantier : le code, avec Claude Code visé par 50 % des développeurs fin 2026 et la majorité des ingénieurs en 2027. Paul Smith, Chief Commercial Officer d'Anthropic, résume la bascule, verbatim : « Claude now helps 16,000 Barclays' colleagues find answers for customers, sorts 120,000 emails a day, and will be in the hands of most Barclays engineers by 2027. » (soit : Claude aide 16 000 collaborateurs à trouver des réponses pour les clients, trie 120 000 emails par jour, et sera entre les mains de la plupart des ingénieurs d'ici 2027).

Pourquoi un déploiement à l'échelle échoue-t-il la plupart du temps ?

Un déploiement d'IA à l'échelle échoue rarement à cause de la technologie. Il échoue parce que l'organisation saute l'étape de gouvernance et déverse un outil sur des milliers de postes sans cadre. Résultat : usages non tracés, données sensibles qui fuient dans des outils grand public, et aucune preuve de valeur à six mois. Le constat de McKinsey est net : près des trois quarts des entreprises les plus performantes redessinent fondamentalement leurs processus autour de l'IA (contre 55 % un an plus tôt), là où les autres se contentent de superposer un chatbot à des flux inchangés. La leçon Barclays va dans le même sens. Anne Marie Darling, Group Co-Chief Operating Officer de Barclays, le pose ainsi, verbatim : « It is about transforming how work gets done: reimagining processes, enhancing customer and client experiences, and building a simpler, more efficient organization within a secure and well-governed environment. » (il s'agit de transformer la façon dont le travail se fait, en repensant les processus, dans un environnement sécurisé et bien gouverné). Le mot décisif est « well-governed ». La gouvernance n'est pas la contrainte qui freine le déploiement, c'est ce qui le rend possible à grande échelle.

Comment reproduire la méthode dans une ETI ou un grand groupe ?

La méthode Barclays se transpose en cinq mouvements, dans cet ordre. Aucune ETI ne dispose des moyens d'une banque de 90 000 personnes, mais la séquence, elle, est universelle.

1. Gouvernance d'abord

Fixez le cadre avant le premier usage : quelles données entrent dans le modèle, quel modèle (ici Claude, un grand modèle de langage, ou LLM, retenu pour son positionnement sécurité), quels contrôles d'accès, quelle traçabilité. Dans un secteur régulé, c'est non négociable. Dans tous les autres, c'est ce qui évite le « shadow AI » où chacun colle des données confidentielles dans un outil non maîtrisé.

2. Cas d'usage à fort volume d'abord

Barclays n'a pas commencé par des cas marginaux. La recherche d'information et le tri d'emails sont des tâches massives, répétitives, faciles à mesurer. Choisissez les deux ou trois tâches qui consomment le plus d'heures dans votre organisation, pas les plus spectaculaires.

3. Formation des équipes

Un assistant distribué sans montée en compétence reste un gadget. La formation transforme l'outil en réflexe de travail : savoir formuler une demande, vérifier une réponse, rester dans le cadre. C'est le chaînon que la plupart des déploiements sous-investissent.

4. Mesure du retour sur investissement (ROI)

Mesurez dès le départ : volume traité, temps gagné, taux d'adoption réel. Le million de recherches et les 120 000 emails/jour de Barclays ne sont pas des trophées de communication, ce sont des indicateurs d'adoption qui justifient l'extension. Sans compteur, pas d'arbitrage possible.

5. Conduite du changement

L'extension suit la preuve, pas le calendrier. Barclays élargit par vagues (collaborateurs, puis développeurs, puis ingénieurs) en embarquant chaque population avec son propre cas d'usage. Craig Bright, Group Co-Chief Operating Officer de Barclays, décrit le cap, verbatim : « We're moving towards AI as an increasingly agentic capability embedded within how we build, test, secure, and operate technology. » (nous allons vers une IA de plus en plus agentique, intégrée à la façon dont nous construisons, testons, sécurisons et exploitons la technologie).

Pilote artisanal ou déploiement gouverné : quelle différence ?

La question n'est pas « faut-il de l'IA », mais « avec quel niveau de cadre ». Voici ce qui sépare un pilote qui s'essouffle d'un déploiement qui tient à l'échelle de milliers de postes.

Quel choix selon votre profil ?

La méthode Barclays ne se décline pas pareil selon votre situation. Voici comment la traduire concrètement selon qui vous êtes.

Professionnel en évolution ou reconversion. Votre enjeu n'est pas de déployer, mais de rester employable dans une organisation qui, elle, déploie. Apprenez à travailler avec un assistant IA comme outil quotidien et à vous positionner sur les tâches à valeur que l'IA ne couvre pas.

Indépendant ou expert. Vous pouvez vendre exactement ce qui manque aux grands groupes : le cadrage. Les ETI cherchent des gens capables de structurer un déploiement gouverné, pas de brancher un chatbot.

TPE ou PME (très petite entreprise ou petite et moyenne entreprise). Vous n'avez ni 16 000 postes ni une direction des risques. Tant mieux : appliquez la même séquence à une échelle réduite. Une seule tâche à fort volume, un cadre simple, une mesure du temps gagné. C'est là qu'un audit IA produit le plus vite du résultat.

ETI ou grand groupe. Vous êtes dans la configuration Barclays. Votre risque n'est pas de rater l'IA, c'est de la déployer sans gouvernance et de perdre le contrôle des données et des usages. Commencez par un audit de déploiement et une architecture d'agents IA alignée sur vos contrôles existants.

Pièges à éviter

Les erreurs de déploiement se répètent d'une organisation à l'autre. Voici celles qui coûtent le plus cher.

Distribuer avant de cadrer. Donner l'accès à tous avant d'avoir fixé la gouvernance, c'est garantir le shadow AI et des fuites de données. Barclays insiste sur l'environnement « secure and well-governed » ; ce n'est pas un détail de conformité, c'est le socle.

Multiplier les cas d'usage. Vingt petits pilotes dispersés produisent vingt demi-échecs. Deux tâches à fort volume produisent une preuve. Concentrez.

Confondre accès et adoption. Acheter des licences n'est pas déployer. Le chiffre qui compte, ce sont les 16 000 utilisateurs actifs et le million de recherches, pas le nombre de comptes ouverts.

Oublier la formation. Un collaborateur non formé n'utilise pas l'outil, ou l'utilise mal. La montée en compétence est la variable la plus sous-investie des déploiements qui stagnent.

Ne rien mesurer. Sans compteur de temps gagné et d'adoption réelle, vous ne pourrez jamais justifier l'extension ni arbitrer les budgets. La mesure n'est pas un reporting, c'est le moteur du passage à l'échelle.

Ce que Studeria retient

Barclays prouve une chose simple et contre-intuitive : à grande échelle, la gouvernance n'est pas l'ennemie de la vitesse, elle en est la condition. Les organisations qui déversent un outil sur tous les postes stagnent ; celles qui cadrent, ciblent, mesurent et élargissent par vagues avancent. La technologie est désormais la partie facile. Le facteur décisif, c'est la méthode de déploiement et la conduite du changement. Notre position est tranchée : en 2026, une ETI qui n'a pas encore structuré son déploiement d'IA ne manque pas d'outil, elle manque de cadre. Commencez par l'audit, pas par les licences.

Pour aller plus loin

• Audit IA : cartographier vos volumes, vos contrôles et vos cas d'usage prioritaires avant tout déploiement.
• Implémentation et Agent IA : construire une architecture d'agents alignée sur votre gouvernance.
• Adoption de l'IA en PME : la même méthode à échelle réduite.
• Agents IA en entreprise : du chatbot à l'IA agentique.
• Gouvernance de l'IA et AI Act : cadrer les usages dans un environnement régulé.

FAQ

Combien de collaborateurs utilisent Claude chez Barclays ?
Selon le communiqué Anthropic du 1 octobre 2026, 16 000 collaborateurs de Barclays utilisent le Colleague Knowledge Assistant, l'assistant de connaissance interne fondé sur Claude, en service depuis 2025. Cet assistant a déjà traité plus d'1 million de recherches. C'est un chiffre d'utilisateurs actifs, pas un simple nombre de licences ouvertes, ce qui en fait un indicateur d'adoption réel.

Combien d'emails Barclays traite-t-il avec l'IA ?
Barclays trie et route environ 120 000 emails par jour avec Claude dans son activité Global Markets, d'après le même communiqué Anthropic (1 octobre 2026). Le tri d'emails est un cas d'usage à très fort volume, répétitif et mesurable, typique des tâches par lesquelles un grand groupe commence un déploiement d'IA à l'échelle.

Quel est l'objectif de Barclays pour les développeurs ?
Barclays vise 50 % de sa population de développeurs sur Claude Code d'ici la fin 2026, et la majorité de ses ingénieurs en 2027, selon Anthropic. Le déploiement avance par vagues de populations, chacune avec son cas d'usage, plutôt que par une distribution uniforme et simultanée à toute l'entreprise.

Faut-il être une banque pour appliquer cette méthode ?
Non. La séquence (gouvernance, cas d'usage à fort volume, formation, mesure, extension par vagues) est indépendante de la taille et du secteur. Une TPE ou une PME l'applique sur une seule tâche avec un cadre simple. Ce qui change avec la taille, ce sont les moyens, pas l'ordre des étapes.

La gouvernance ralentit-elle le déploiement de l'IA ?
C'est l'inverse. McKinsey observe dans son étude The State of AI (25 août 2026) que les entreprises les plus avancées redessinent leurs processus et encadrent leurs usages, et que seules 44 % des organisations déclarent une IA en passage à l'échelle. Sans cadre, le déploiement stagne au stade du pilote. La gouvernance est la condition de la vitesse à grande échelle, pas un frein.

Par où commencer concrètement dans une ETI ?
Commencez par un audit : cartographiez les tâches qui consomment le plus d'heures, les données en jeu et vos contrôles existants. Choisissez ensuite deux ou trois cas d'usage à fort volume, formez les équipes concernées, mesurez le temps gagné et l'adoption, puis élargissez seulement là où la mesure prouve un gain. N'achetez pas de licences pour tous avant cette étape.

Pourquoi Barclays a-t-il choisi Claude ?
Barclays met en avant un environnement sécurisé et bien gouverné, cohérent avec un secteur régulé. Claude, le modèle d'Anthropic, est positionné sur la sécurité et la fiabilité en contexte d'entreprise. Le choix du modèle reste toutefois secondaire dans la méthode : c'est le cadre de déploiement, pas la marque du modèle, qui détermine le succès à l'échelle.