A propos de Andrei Serjantov: Head of Digital Global Markets chez BNP Paribas CIB, dirigeant la transformation numérique et l'intégration de l'IA au sein du secteur de la banque d'investissement.
A propos de BNP Paribas CIB: La banque des entreprises et des institutions de BNP Paribas (environ 46 milliards d'euros de revenus pour le groupe), au service de plus de 13 000 entreprises et institutions dans le monde entier.

A propos de Nathalie Beslay: PDG et cofondateur de naaia, un entrepreneur RegTech spécialisé dans l'aide aux organisations pour gérer des projets d'IA dans le cadre de contraintes réglementaires strictes.
A propos de naaia: Une entreprise technologique spécialisée qui fournit une plateforme SaaS (AIMS - AI Management System) pour la gouvernance, la conformité et la surveillance de l'IA ; se concentre sur la réduction de l'écart entre la réglementation statique et les agents dynamiques de l'IA.

A propos de Cyril Cymbler: Responsable des services financiers EMA chez Databricks, expert en transformation de data financière brute en “Data Intelligence” pour générer de la valeur.
A propos de Databricks: Un leader mondial des data et de l'IA (Data Lakehouse), évalué à ~$43B (2023), visant à unifier les data, l'analytique et l'IA pour les cas d'utilisation en entreprise.

Pourquoi est-il urgent de réinventer la confiance et la stratégie data dans la finance ?

Cyril Cymbler : Cette nécessité est motivée par trois facteurs. Premièrement, la croissance exponentielle du data structuré et non structuré nécessite la gestion de charges de travail massives pour construire des agents solides. Deuxièmement, l'industrie passe du “renseignement général” (ChatGPT standard, ~55% de précision) au “renseignement Data” (moteurs d'analyse structurés, >80% de précision/conversion). Troisièmement, la gouvernance n'est pas négociable ; sans une structure data stricte, même les meilleurs modèles de ML échouent à cause du “Garbage In, Garbage Out”.”

Andrei Serjantov : Le moteur est l'efficacité, la portée et la capacité. L'IA permet aux banques d'exécuter les tâches existantes plus rapidement, de couvrir un spectre de risques plus large (couvrir les risques A, B et C au lieu de seulement A), et d'effectuer des tâches auparavant impossibles, telles que l'analyse de volumes massifs de documents pour l'analyse des sentiments dans la recherche sur les actions.

Quels sont les cas d'utilisation concrets et à fort impact déployés dans la banque d'investissement ?

Andrei Serjantov : Au-delà des utilités génériques (codage, traduction), BNPP se concentre sur une intégration verticale profonde. Dans le domaine de la recherche sur les actions et les titres à revenu fixe, il existe plus d'une douzaine de cas d'utilisation qui transforment le pipeline de production de documents. Les flux de travail des clients sont fortement augmentés, les LLM rédigeant des réponses aux confirmations de transactions des clients. La stratégie est omniprésente : il est désormais plus difficile de trouver des domaines qui n'utilisent pas l'IA que ceux qui l'utilisent.

Comment les organisations gèrent-elles les défis spécifiques de l'IA “agentique” et de la réglementation statique ?

Nathalie Beslay : Le conflit principal est que la réglementation (comme la loi européenne sur l'IA) est statique, alors que l'IA agentique est dynamique. Le défi consiste à qualifier les agents par rapport à des définitions réglementaires strictes (IA à usage général vs. systèmes d'IA). En outre, comme les agents sont autonomes, les entreprises doivent gérer de manière rigide les rôles et les “habilitations” (permissions) pour s'assurer que les agents interagissent en toute sécurité avec les environnements humains et numériques.

Comment une banque doit-elle techniquement mettre en œuvre une réinvention de la plateforme d'IA “Zero to One” ?

Cyril Cymbler : L'exécution nécessite une approche commerciale reposant sur trois piliers : Croissance, protection (risque/conformité) et rentabilité. D'un point de vue technologique, la plateforme doit être Multi-cloud (pour satisfaire aux réglementations DORA sur la portabilité de data), Open Source (garantissant la propriété de data/zéro copie), et Gouvernée (lignée stricte de data pour suivre la création du produit pour les auditeurs). Enfin, l'IA doit être démocratisée pour permettre aux chefs d'entreprise d'interroger data en langage naturel sans avoir recours à des spécialistes techniques.

Comment opérationnalisez-vous l“”IA digne de confiance" (conformité, éthique, responsabilité) ?

Nathalie Beslay : La confiance s'appuie sur trois couches : la conformité (obligatoire), l'éthique (centrée sur l'humain) et la responsabilité (imputabilité) : La conformité (obligatoire), l'éthique (centrée sur l'homme) et la responsabilité (obligation de rendre compte). naaia opérationnalise cette approche par le biais d'une approche SaaS axée sur la gouvernance (conception des rôles/arbres de décision), l'intégration (intégration des tests/du contrôle dans les systèmes informatiques) et l'exécution (mise en œuvre de la documentation). Une plainte passive n'est pas une stratégie ; le déploiement d'un programme proactif est nécessaire pour atténuer les dommages économiques et les atteintes à la réputation.

Quelle est la stratégie en matière de “construction ou d'achat” et de partenariats (par exemple, Mistral) ?

Andrei Serjantov : La BNPP s'est associée très tôt à Mistral pour tirer parti de la capacité On-Premise, en veillant à ce que le data du client ne quitte jamais l'environnement sécurisé de la banque. Elle privilégie la mise au point de modèles plus petits et économes en énergie sur data propriétaire plutôt que la formation de modèles fondateurs massifs à partir de zéro. Cette combinaison d'expertise technique externe et d'ADN de gestion des risques interne permet un déploiement sécurisé et spécifique.