.png)
Voilà plus d'une décennie que nous développons une infrastructure de paiement sur laquelle s'appuient certaines des plus grandes entreprises du monde. Le machine learning, puis l'IA, ont toujours été au cœur des solutions que nous proposons à nos commerçants.
Mais, comme beaucoup d’entreprises aujourd’hui, nous intégrons l’IA à tous les niveaux : non seulement dans les produits que nous développons, mais aussi dans notre façon de travailler au quotidien.
Beaucoup d’entreprises affirment aujourd’hui avoir adopté l’IA. Ce que l’on entend beaucoup moins, c’est la réalité derrière cette affirmation. Développer une stratégie IA reste un processus d’apprentissage : les outils évoluent rapidement, les bonnes pratiques continuent d’évoluer et les résultats ne sont pas toujours immédiats. C’est pourquoi nous avons choisi de partager cette expérience telle qu’elle se déroule, avec ses réussites, ses ajustements et ses questionnements.
Nous allons partager ce que nous apprenons : ce qui fonctionne, ce qui résiste, et ce sur quoi nous n'avons pas encore de certitudes. Nous espérons que cela ouvre une conversation utile. Voici notre premier bilan.
Notre IA et notre machine learning optimisent les paiements pour les plus grands commerçants du monde. Notre plateforme Intelligent Acceptance a ainsi généré plus de 20,7 milliards de dollars de revenus additionnels en exécutant 26 000 optimisations par minute, chaque optimisation contribuant à améliorer les suivantes.
Les décisions s’appuient sur les enseignements des précédentes, permettant au système d’identifier l’amélioration suivante plus rapidement que n’importe quelle équipe humaine travaillant seule. Nous appliquons désormais cette même logique à notre propre organisation.
Aujourd'hui, la quasi-totalité de nos collaborateurs utilisent des outils IA au quotidien. Nous avons testé différents modèles et outils, appris à en connaître les avantages et limitations, et convergé vers une sélection préférée pour nos développeurs. Les modèles évoluent constamment, et nous nous adaptons en conséquence, en choisissant ceux qui sont le mieux adaptés à la tâche : création de contenu, développement logiciel ou analyse de données.
Nous sommes encore en début de parcours, mais la trajectoire est claire : l'IA réduit les délais de production, de validation et d'exécution, permettant d'obtenir en quelques semaines des résultats qui prenaient auparavant plusieurs mois.
La preuve la plus tangible se trouve dans notre vitesse de développement. Entre octobre 2025 et avril 2026, le volume de Pull Requests (PR) fusionnées a progressé de 56 %. Plus significatif encore : sur les trois derniers mois, la productivité de chaque développeur a en moyenne augmenté de 32 %. Ces gains s'accumulent en temps réel. Sans surprise, nos meilleurs ingénieurs accomplissent davantage qu’auparavant.
Le facteur déclenchant est visible dans les données. En septembre 2025, environ une pull request sur dix impliquait l’utilisation de l’IA. Fin mai 2026, elles sont devenues majoritaires. Cette accélération coïncide avec les progrès réalisés par les LLM dans les tâches de développement (Opus 4.6), ainsi qu’avec le déploiement d’Agent HAL (sans les tendances meurtrières du personnage de Kubrick), notre plateforme agentique développée en interne.
HAL surveille les backlogs d'ingénierie, développe du code et soumet des pull requests à l'équipe humaine qui devra valider le travail. Il ne fusionne pas son propre code : le jugement humain reste important. C’est d’autant plus important compte tenu de la nature de notre activité : nous opérons un système critique et hautement fiable dont dépendent chaque jour des commerçants partout dans le monde.
À mesure que nous gagnerons en expérience, nous adapterons progressivement ces mécanismes de contrôle. Nous sommes convaincus que plus les ingénieurs adopteront HAL, plus leur capacité d’exécution et d’apprentissage augmentera.
Nous observons également une transformation dans la façon dont les designers et développeurs collaborent. Une de nos équipes front-end a connecté Figma directement à son code React Native, permettant aux designers de produire du code prêt à être déployé sans intervention des développeurs.
Les développeurs se consacrent désormais entièrement à la validation. Des fonctionnalités qui nécessitaient auparavant de multiples échanges passent désormais du prototype à la production en une fraction du temps. Les tests en direct sur appareils réels remplacent une grande partie des longues phases de validation.
Au-delà des volumes, nous commençons à voir les indicateurs les plus révélateurs :
Ce sont des signaux précoces, mais ce sont ceux qui nous importent le plus. Le volume de Pull Request est un bon indicateur, mais l'impact sur les commerçants reste l'objectif final.
Et puisque un impact positif sur les commerçants est l'objectif final, la rapidité de développement seule ne suffit pas. Si les développeurs avancent dix fois plus vite mais que les processus restent inchangés, les équipes produit et les mécanismes de coordination finissent par ralentir l’ensemble.
C’est la prochaine étape de notre transformation : adapter nos méthodes de travail à cette nouvelle réalité. Cela passe par des agents de développement toujours plus performants, mais aussi par l’évolution de nos processus juridiques, financiers et de conformité afin de réduire les frictions et délais qui ralentissent l’exécution.
Le deuxième enjeu dépasse le cadre du développement logiciel. Nous voulons que chaque équipe, et pas seulement les développeurs, passe d’un usage ponctuel de l’IA à une intégration réelle dans ses méthodes de travail.
C’est pourquoi nous avons créé Arrakis : un environnement de déploiement interne (comparable à notre propre version de Lovable) où tout collaborateur peut mettre en production un outil de productivité IA, dans le respect de nos exigences de sécurité, sans processus de validation long. Les résultats ont surpris même les plus optimistes d'entre nous.
En seulement trois semaines, nos premiers utilisateurs ont développé plus de 160 applications uniques, allant de la productivité personnelle à l'optimisation des flux de travail. Un référentiel centralisé rassemble des centaines d'artefacts réutilisables : un outil construit par une équipe devient accessible à tous. La dynamique commence à s'installer : créer, partager, inspirer, recommencer.
Les bénéfices se font déjà sentir dans toutes les fonctions. Un outil Finance traitant des requêtes de paiement dont le volume est projeté à +300 %, économisant des milliers d'heures de traitement manuel chaque année, sans recrutement supplémentaire.
Ce ne sont là que quelques exemples parmi d’autres. En parallèle, nous développons le projet Horus, notre plateforme de connaissance interne. En réunissant les informations issues de Confluence, Jira, BigQuery et Salesforce, nous construisons une IA capable de s’appuyer sur notre code, nos échanges avec les commerçants et notre contexte opérationnel pour fournir des réponses plus pertinentes et mieux contextualisées.
L’objectif : raccourcir les délais d’exécution et d’apprentissage de nos équipes comme de nos agents IA.
Intelligent Acceptance a exécuté 10,5 milliards d'optimisations en 2025 et récupéré 11,2 milliards de dollars de revenus pour les commerçants cette même année, soit plus de huit fois ce que nous avions accumulé sur toutes les années précédentes réunies.
Ce n'est pas simplement un meilleur modèle. C'est un système dont les effets s'amplifient dans le temps : plus de transactions génèrent des signaux plus fiables, qui produisent des décisions plus pertinentes, qui attirent davantage de volume. Cette dynamique est à l'œuvre depuis des années, et elle s'accélère.
Opérer à cette échelle nous enseigne que la stratégie de paiement optimale est profondément locale. Une approche d'authentification qui améliore le taux de conversion de deux points de pourcentage pour Visa aux États-Unis : c'est en cours de test, et les premiers résultats sont encourageants.
Ces transformations ne peuvent porter leurs fruits sans une culture qui les accompagne. Amener des milliers de collaborateurs à maîtriser ces outils est un effort délibéré. Nous y investissons sur plusieurs fronts : des programmes de formation dédiés à l'IA, des canaux Slack où les équipes partagent leurs réalisations, et des hackathons et product jams centrés sur l'IA.
Nous avons créé un AI Centre of Excellence qui accélère l'adoption et répond aux questions de l'ensemble des services de l’organisation. Nous mettons également en avant des démonstrations lors de nos All Hands réguliers pour valoriser ce que les équipes ont produit. Nous avons également relevé nos critères de recrutement, avec des entretiens qui évaluent désormais la maîtrise de l’IA et la capacité des candidats à l’utiliser efficacement dans leur travail. Un network token qui améliore les transactions récurrentes se comporte différemment pour un service de streaming et pour une plateforme SaaS.
L'optimisation des paiements se joue dans les intersections, pas dans les moyennes. Sur l'ensemble de notre portefeuille, Intelligent Acceptance délivre un gain moyen de 3,8 points de pourcentage, soit environ 38 millions de dollars de revenus additionnels chaque année pour un commerçant traitant 1 milliard de dollars annuellement.
L'expertise a cependant ses limites. Même nos meilleurs spécialistes du paiement ne peuvent gérer activement qu'un nombre fini d'optimisations à la fois. Nous pilotons régulièrement plus de 200 expérimentations en parallèle, ciblant chacune une combinaison spécifique émetteur-marché-réseau. Le nombre d'intersections possibles dépasse largement ce qu'une équipe humaine peut couvrir seule.
C'est là que notre couche d'agents Performance et Fraude devient un véritable démultiplicateur. Ces agents ne remplacent pas nos experts du paiement, ils élargissent leur champ d'action. Chaque recommandation remontée par un agent s'accompagne d'une analyse complète : performance actuelle, impact attendu, implications en matière de fraude et critères de mise en production. Un expert examine et valide.
Les expérimentations franchissent des seuils statistiques. Rien n'est déployé sans décision humaine. Résultat : l'expertise que nous avons construite sur les émetteurs, les réseaux et les marchés pour les plus grands commerçants du monde peut désormais bénéficier à un plus grand nombre, plus rapidement.
Le commerçant qui avait besoin d’un spécialiste dédié au paiement ou à la fraude accède désormais au même niveau d’expertise que les plus grandes plateformes mondiales. Ce n’est pas une vision d’avenir, mais une transformation déjà en cours.
Environ 15 % des membres de notre équipe qui construisent avec l'IA aujourd'hui ne sont pas développeurs. Mais lorsque nous avons encouragé les équipes à créer des outils améliorant leur propre productivité, nous avons observé un schéma récurrent : certaines personnes se heurtaient à un mur. Tout le monde ne savait pas par où commencer, ni comment aboutir à une solution fonctionnelle.
La formation a aidé, mais le seuil d'entrée restait trop élevé pour certains. C'est là que notre AI Centre of Excellence est intervenu de façon plus concrète : un programme d’expérimentation rapide dans lequel chaque équipe ayant un besoin identifié travaille avec un développeur pendant une semaine afin de concevoir et tester une solution.
L'objectif est que ce travail en binôme permette aux équipes d'acquérir les bons réflexes pour faire évoluer la solution elles-mêmes, et s'attaquer à de nouveaux défis. Seize cas d'usage sont actifs aujourd'hui, avec des dizaines de projets en attente.
La leçon la plus importante de tout cela : rien ne remplace la pratique. Les leaders au sein de notre organisation qui ont le plus progressé sont ceux qui ont arrêté de déléguer leur curiosité pour l'IA et ont commencé à construire eux-mêmes, aussi imparfait que soit le résultat.
Il n'y a pas de substitut au premier moment où vous obtenez en quelques secondes un résultat qui vous aurait pris des heures. Ce moment change tout. Aucun programme de formation ni aucun document de stratégie ne peut le produire. Amener nos collaborateurs à vivre leur propre version de ce moment, le plus tôt possible, est l'une des choses les plus précieuses que nous puissions faire en tant qu'équipe dirigeante.
S’il y a une leçon à retenir, c’est que l’IA ne transforme pas une organisation à elle seule. Ce sont les choix que l’on fait pour l’intégrer et l’utiliser qui font la différence. Aucune lecture ni aucune formation ne remplace l’expérience acquise sur le terrain. Ceux qui ont le plus progressé sont ceux qui se sont lancés, ont expérimenté et ont construit quelque chose de concret.
Dans une industrie fintech soumise à de fortes contraintes réglementaires, aller plus vite ne concerne pas seulement les équipes de développement. Les fonctions juridiques, conformité, partenariats, opérations et produit doivent elles aussi gagner en efficacité afin que l’ensemble de l’organisation avance au même rythme. C’est pourquoi nous ne mesurons pas notre capacité d’exécution à l’échelle d’une seule équipe, mais à celle de l’entreprise tout entière.
Ce sont les questions que nous portons avec nous, et nous continuerons à les partager au fil de notre progression. Dans les semaines à venir, nous explorerons comment l'IA transforme la façon dont nous définissons et livrons les produits, comment nos experts du paiement collaborent avec les agents, et ce qu'il faut réellement pour forger une culture où chacun, pas seulement les ingénieurs, devient un bâtisseur.
Nous avons passé des années à construire des systèmes dont les bénéfices s'accumulent dans le temps pour nos commerçants. Nous construisons désormais la même chose pour nous-mêmes.
Chez Checkout.com, il n'y a pas de ligne d'arrivée, nous nous améliorons en permanence. Avec l'IA, c'est plus vrai que jamais. Nous ne faisons que commencer.
.png)
_conversion%20tactics.png)
