L'annonce a été relayée le 23 avril par Bloomberg et confirmée le même jour par le Taipei Times. Seize institutions financières taïwanaises forment un consortium pour bâtir un grand modèle de langage propre au secteur bancaire. Le coordinateur est CTBC Financial Holding, l'un des plus gros groupes financiers de l'île. La supervision est assurée par la Financial Supervisory Commission (FSC), le régulateur, dont le président Peng Jin-lung porte publiquement le projet. Le ministère taïwanais des Affaires numériques fournira un corpus dit « sovereign AI » pour l'entraînement.

Les chiffres sont parlants par leur sobriété. Le budget initial se situe entre 40 et 70 millions de dollars taïwanais, soit environ 1,3 à 2,2 millions de dollars américains, partagés entre les participants. La liste des banques engagées tient lieu de cartographie quasi exhaustive du marché : Bank of Taiwan, Land Bank of Taiwan, Taiwan Business Bank, Chang Hwa Commercial Bank, Cathay Financial Holding, Fubon Financial Holding, Mega Financial Holding, First Financial Holding, Hua Nan Financial Holdings, Taishin Financial Holding, Shin Kong Financial Holding, SinoPac Financial Holdings, Taiwan Cooperative Financial Holding, E.SUN Financial Holding, Chunghwa Post et Next Bank. Le calendrier prévoit le démarrage de l'entraînement en mai 2026, une première version dédiée au banking en août, un déploiement final fin 2026, puis une extension à l'assurance et aux marchés financiers en 2027.

Le détail technique est lui aussi instructif. Le modèle sera bâti sur une base open source, mais explicitement pas sur une plateforme chinoise, comme le précise BigGo Finance. La FSC justifie le choix par un argument simple : les services financiers taïwanais opèrent dans un cadre réglementaire local complexe, que les modèles étrangers ne capturent pas. La même logique sous-tend les premiers cas d'usage retenus, listés par BanklessTimes : support client, analyse documentaire, recherche dans la base de connaissances interne. Pas de génération de signal de marché, pas de décision automatisée. Les premières briques sont conservatrices et auditables.

Pourquoi un LLM bancaire en propre, et pas ChatGPT ?

La question mérite d'être posée frontalement, parce qu'elle conditionne la lecture de l'annonce. La FSC répond en trois temps. Premier argument : la confidentialité des données. Un modèle généraliste hébergé chez OpenAI, Google ou Meta force, à un moment ou un autre, à laisser sortir une requête bancaire sur une infrastructure étrangère. Pour des dossiers de KYC, des notes de crédit ou des transcripts d'échanges client, ce schéma est incompatible avec les contraintes de protection des données et de secret bancaire. Deuxième argument : la fidélité au cadre réglementaire local. Un modèle généraliste connaît la réglementation américaine ou européenne mieux que la réglementation taïwanaise ; il commet, en environnement de production, des erreurs subtiles que le superviseur ne tolère plus. Troisième argument : l'auditabilité. Un modèle dont on contrôle l'entraînement et le corpus peut, si le besoin s'en présente, être expliqué à un auditeur ou à un régulateur. Un modèle dont les poids sont scellés à San Francisco ne le peut pas.

Cette logique n'est pas propre à Taïwan. Elle préfigure exactement le débat européen. Mistral a levé 722 millions d'euros en mars 2026 pour financer son data center près de Paris, équipé de 13 800 GPU Nvidia GB300, comme l'a relayé CNBC. Le pitch est identique : offrir aux grandes institutions européennes une alternative ouverte, hébergée sur le continent, compatible avec MiFID II, RGPD, AI Act. HSBC, Allianz et plusieurs assureurs ont déjà choisi Mistral pour des cas d'usage internes. Mais à la différence de Taïwan, l'Europe avance fonds par fonds, banque par banque. La Commission n'a pas demandé aux établissements de financer ensemble une infrastructure commune. Ils négocient leurs licences en ordre dispersé.

La singularité taïwanaise tient là : le régulateur ne se contente pas de poser des règles, il pilote la mutualisation. Une infrastructure unique, payée par les seize plus grandes maisons, supervisée par la FSC, alignée avec l'AI Basic Act entré en vigueur en janvier 2026. Le pari est que la mutualisation des coûts permet aux banques moyennes d'accéder à un modèle qu'elles n'auraient jamais pu financer seules. Le coût par participant tombe à environ 100 000 dollars en moyenne pour la phase initiale, ce qui est dérisoire à côté des dizaines de millions qu'aurait coûté un projet équivalent chez chacune.

Souveraineté économique ou cloisonnement technique ?

Il faut résister à la lecture purement géopolitique. Le projet taïwanais n'est pas un repli ; c'est une tentative de bâtir une couche bancaire spécialisée par-dessus une base open source. C'est même la meilleure pratique en matière d'IA appliquée. Un modèle généraliste, aussi puissant soit-il, sous-performe sur un domaine de niche dès lors qu'il n'est pas entraîné sur le vocabulaire, les flux et les cas d'usage du secteur. Goldman Sachs et JPMorgan le savent bien : leurs assistants internes (GS-AI, LLM Suite) ne sont pas des wrappers autour de ChatGPT, ce sont des fine-tunes sur leurs propres documents. L'innovation taïwanaise est de faire ce travail à l'échelle d'une place financière entière plutôt qu'à l'échelle d'une firme.

Cette mutualisation a un coût qu'il ne faut pas masquer. Une infrastructure partagée crée un point de fragilité unique. Si le modèle commun tombe, c'est le secteur bancaire taïwanais qui ralentit. Si le modèle hallucine sur une catégorie de documents, l'erreur se diffuse à tous les participants en même temps. Le risque de concentration que la BCE pointe depuis 2024 dans son rapport sur la stabilité financière, et que la Bank of England a confirmé en avril 2026, vaut autant pour un modèle propriétaire à un grand fournisseur que pour un modèle commun à une place financière. La FSC en est consciente : le pilotage centralisé permet, en théorie, de tester et d'auditer le modèle commun avec une rigueur supérieure à ce que ferait chaque banque seule.

L'autre point de vigilance porte sur la performance brute. Un LLM bancaire taïwanais, entraîné avec un budget de 1,3 à 2,2 millions de dollars, ne rivalisera pas en capacités de raisonnement avec GPT-5 ou Claude 4.7. Et ce n'est pas le but. Le périmètre annoncé (support client, analyse documentaire, recherche interne) est précisément celui où la valeur de l'IA dépend davantage de la connaissance domaine que de la capacité de raisonnement abstrait. Pour des arbitrages complexes, des analyses de risque ou de la recherche quantitative, les banques continueront probablement de faire appel aux modèles frontière, en marge.

Ce que l'Europe devrait observer

L'enseignement taïwanais a une portée européenne immédiate. La France abrite déjà l'un des trois pôles mondiaux d'IA souveraine via Mistral et Kyutai. La place financière de Paris compte BNP Paribas, Société Générale, Crédit Agricole, BPCE, Axa, Crédit Mutuel ; soit, à elle seule, un volume bancaire comparable à l'ensemble taïwanais. Aucune initiative équivalente de mutualisation n'a, à ce jour, été annoncée. Chaque grande banque française signe ses propres contrats avec OpenAI, Anthropic, Mistral, parfois trois en même temps, sans coordination sur les cas d'usage. La Banque de France et l'ACPR observent ; elles n'organisent pas.

Une initiative comparable côté européen pourrait prendre plusieurs formes. La plus simple serait un consortium piloté par la Fédération bancaire française avec un cofinancement de Bpifrance, sur la base d'un modèle open source européen entraîné sur des corpus bancaires français et de la jurisprudence ACPR. La plus ambitieuse serait un projet à l'échelle de l'eurozone, sous l'égide de l'Autorité bancaire européenne, avec des modules thématiques par juridiction. La trajectoire la plus probable est la moins glorieuse : chaque grande banque continuera à financer son propre fine-tune sur des modèles généralistes, en duplication, sans bénéfice de mutualisation.

Vu de mon côté

Le sujet de la souveraineté de l'IA bancaire est exactement le terrain du MSc Data & AI for Finance d'Albert School x Mines Paris-PSL que je rejoins en 2026. C'est aussi ce qui rend l'alternance ALM à l'AFD particulièrement intéressante à ce moment précis. L'AFD est une banque de développement, dotée d'un mandat public, qui doit refinancer 13 milliards d'euros par an sur les marchés. La gouvernance de ses modèles, qu'il s'agisse de prévision de flux, d'allocation actif-passif ou d'évaluation de signature, ne peut pas reposer sur un modèle dont les poids et les corpus sont opaques. Pour une telle institution, la question taïwanaise se pose dans des termes encore plus exigeants : quelle souveraineté technique pour un acteur dont les contreparties sont des États souverains ?

Sur mes propres outils, le constat est plus modeste mais cohérent. Le Bloomberg Dashboard que je développe utilise Claude via API pour des tâches précises (résumé d'articles, extraction d'indicateurs depuis des transcripts), avec des contrôles humains à chaque étape. Si je devais demain l'industrialiser dans une institution financière, le vrai sujet ne serait pas « quel modèle est le plus malin », mais « quel modèle puis-je auditer, héberger et expliquer à mon comité des risques ». Taïwan répond à cette question en infrastructure ; l'Europe, pour l'instant, y répond en contrats individuels.

Take-away

Quand seize banques d'une même place financière mutualisent un LLM, ce n'est pas une opération technique, c'est une option stratégique sur ce que sera la prochaine décennie de l'IA bancaire. Taïwan vient d'écrire un précédent. La place de Paris a tous les atouts pour tracer le sien ; la question est de savoir qui dans la chaîne, banques, régulateur ou pouvoirs publics, prendra l'initiative de poser le projet sur la table.