À propos d'Andrei Serjantov: Responsable des marchés mondiaux numériques chez BNP Paribas CIB, où il pilote la transformation numérique et l'intégration de l'intelligence artificielle au sein du secteur de la banque d'investissement.
À propos de BNP Paribas CIB: La branche de BNP Paribas dédiée aux entreprises et aux institutions (chiffre d'affaires du groupe d'environ 46 milliards d'euros), qui accompagne plus de 13 000 entreprises et institutions à travers le monde.

À propos de Nathalie Beslay: PDG et cofondatrice de naaia, une entrepreneuse dans le domaine de la RegTech spécialisée dans l'accompagnement des organisations pour la gestion de projets d'IA dans un cadre réglementaire strict.
À propos de naaia: Entreprise technologique spécialisée proposant une plateforme SaaS (AIMS – AI Management System) dédiée à la gouvernance, à la conformité et à la supervision de l'IA ; elle s'attache à combler le fossé entre une réglementation statique et des agents IA dynamiques.

À propos de Cyril Cymbler: Responsable des services financiers pour la région EMA chez Databricks, expert dans la transformation data financières brutes data Data afin de créer de la valeur.
À propos de Databricks: Leader mondial dans le domaine data de l'IA (Data ), évalué à environ 43 milliards de dollars (2023), dont l'objectif est d'unifier data, l'analyse et l'IA pour les cas d'utilisation en entreprise.

Pourquoi est-il si urgent de repenser dès maintenant data en matière de confiance et data dans le secteur financier ?

Cyril Cymbler : Cette nécessité s'explique par trois facteurs. Premièrement, la croissance exponentielle des data structurées et non structurées data gérer des charges de travail colossales pour développer des agents performants. Deuxièmement, le secteur passe de l'« intelligence générale » (ChatGPT standard, précision d'environ 55 %) àData (moteurs d'analyse structurée, précision/taux de conversion supérieurs à 80 %). Troisièmement, la gouvernance est incontournable ; sans une data rigoureuse, même les meilleurs modèles d'apprentissage automatique échouent en raison du principe « Garbage In, Garbage Out » (si l'on entre des données erronées, on obtient des résultats erronés).

Andrei Serjantov : Cette évolution repose sur l'efficacité, l'étendue et les capacités. L'IA permet aux banques d'exécuter plus rapidement les tâches existantes, de couvrir un éventail plus large de risques (en couvrant les risques A, B et C au lieu du seul risque A) et d'accomplir des tâches auparavant impossibles, telles que l'analyse de volumes massifs de documents à des fins d'analyse des sentiments dans le domaine de la recherche sur les actions.

Quels sont les cas d'utilisation concrets et à fort impact actuellement mis en œuvre dans le secteur de la banque d'investissement ?

Andrei Serjantov : Au-delà des applications génériques (codage, traduction), BNPP mise sur une intégration verticale poussée. Dans le domaine de l'analyse des actions et des titres à revenu fixe, plus d'une douzaine de cas d'utilisation transforment le processus de production documentaire. Les flux de travail des clients sont considérablement optimisés, les modèles de langage de grande envergure (LLM) rédigeant les réponses aux confirmations de transaction des clients. Cette 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 font-elles face aux défis spécifiques posés par l'IA « agentique » et la réglementation statique ?

Nathalie Beslay : Le conflit fondamental réside dans le fait que la réglementation (comme la loi européenne sur l’IA) est statique, tandis que l’IA agentique est dynamique. Le défi consiste à déterminer si les agents répondent aux définitions réglementaires strictes (IA à usage général vs systèmes d’IA). De plus, les agents étant autonomes, les entreprises doivent gérer de manière rigoureuse les rôles et les « habilitations » (autorisations) afin de garantir que les agents interagissent en toute sécurité avec les environnements humains et numériques.

Sur le plan technique, comment une banque devrait-elle s'y prendre pour réinventer sa plateforme d'IA « de zéro à un » ?

Cyril Cymbler : La mise en œuvre nécessite une approche commerciale reposant sur trois piliers : la croissance, la protection (risques/conformité) et la rentabilité. Sur le plan technologique, la plateforme doit êtrecloud pour respecter la réglementation DORA en matière de data ), open source (garantissant data ) et gouvernée ( data stricte data permettant aux auditeurs de suivre la création des produits). Enfin, l'IA doit être démocratisée, permettant aux dirigeants d'entreprise d'interroger data langage naturel sans avoir à faire appel à des spécialistes techniques.

Comment mettre en œuvre une « IA digne de confiance » (conformité, éthique, responsabilité) ?

Nathalie Beslay : La fiabilité repose sur trois piliers : la conformité (obligatoire), l'éthique (centrée sur l'humain) et la responsabilité (obligation de rendre des comptes). naaia met cela en pratique via une approche SaaS axée sur la gouvernance (conception des rôles et des arbres décisionnels), l'intégration (intégration des tests et de la surveillance dans les systèmes informatiques) et l'exécution (application de la documentation). Se contenter de réagir passivement aux plaintes n'est pas une stratégie ; il faut mettre en place un programme proactif pour limiter les dommages économiques et les atteintes à la réputation.

Quelle est la stratégie en matière de « faire ou acheter » et de partenariats (par exemple, Mistral) ?

Andrei Serjantov : BNPP s'est associé très tôt à Mistral pour tirer parti des capacités « sur site », garantissant ainsi que data des clients data quittent data l'environnement sécurisé de la banque. L'établissement privilégie le réglage fin de modèles plus petits et économes en énergie sur data propriétaires data l'entraînement de modèles fondamentaux massifs à partir de zéro. Cette combinaison d'expertise technologique externe et d'une culture interne axée sur la gestion des risques permet un déploiement sécurisé et adapté à des cas d'utilisation spécifiques.