Discours d'ouverture : L'IA dans les services financiers : principales tendances et perspectives du marché pour 2024, par ARTEFACT

Il y a seize ans, investir dans les institutions financières traditionnelles semblait être une valeur sûre. Cependant, l’essor rapide de l’IA a démontré que la technologie peut dépasser même les banques les mieux établies. Ces dernières années, l’IA a profondément transformé le paysage financier, qu’il s’agisse d’améliorer la détection des fraudes grâce à l’apprentissage automatique ou de rendre le trading algorithmique plus efficace. Le bond en avant le plus notable s'est produit au cours des deux dernières années avec l'IA générative (GenAI), qui permet désormais aux technologies de faire preuve d'empathie dans leurs interactions avec les clients — une avancée jusqu'alors inimaginable.

Malgré les progrès considérables réalisés en matière d'IA et la baisse des coûts, seules environ 10 % des entreprises du secteur financier parviennent à déployer à grande échelle leurs initiatives d'IA. La plupart des applications se limitent à l'intégration d'outils tels que ChatGPT ou Copilot dans les processus existants, ce qui rend difficile la mesure du retour sur investissement, de la réduction des coûts ou de l'amélioration de la satisfaction client. La question qui se pose est la suivante : quels sont les obstacles qui empêchent une utilisation efficace de l'IA, et comment les surmonter ?

Pour relever les défis liés à l'IA, la solution réside dans le modèle TIME, acronyme qui désigne la transformation, l'intégration, la mesure et l'autonomisation.

Pour obtenir des résultats concrets, il faut se concentrer sur une transformation complète de l'entreprise, en phase avec la stratégie et les priorités du groupe. Cette transformation doit être globale et ne pas se limiter à l'ajout de technologies aux processus existants. Par exemple, l'optimisation du coût de service peut impliquer de travailler sur les processus administratifs, tandis qu'une transformation axée sur le chiffre d'affaires pourrait cibler les modèles de distribution et les canaux clients. L'essentiel est de déterminer où réside la valeur ajoutée et de s'y consacrer pleinement.

Les systèmes hérités du secteur des services financiers créent souvent des silos, ce qui complique data et le contrôle de leur qualité. Les opérations cloud sur site sont rarement pleinement intégrées. Il convient désormais de ne plus se concentrer uniquement sur l'infrastructure, mais de veiller à ce que les modèles soient pleinement intégrés à la data et aux processus métier. Le recours au « LLMOps » — un concept similaire au DevOps mais adapté aux grands modèles linguistiques — est essentiel pour intégrer efficacement l'IA dans l'écosystème existant.

Le paradigme a évolué : l'accent n'est plus mis sur la formation des modèles, mais sur la mesure de leur impact et de leur dérive. Le développement de modèles se banalise, mais il est primordial de surveiller leurs performances en matière de détection des fraudes, d'allocation des capitaux et d'interactions avec la clientèle. Un cadre de mesure solide implique d'identifier les problèmes, de les quantifier et de les comprendre, ainsi que de superviser l'impact commercial du modèle, afin d'assurer une amélioration continue.

La véritable valeur de l'IA réside dans les personnes. La réussite du déploiement de l'IA dépend de l'autonomisation et de la formation des employés de terrain. De réels gains de productivité ne peuvent être obtenus que si le personnel est activement impliqué, formé et prêt à adopt AI . Il est donc essentiel de veiller à ce que les personnes les plus proches des opérations soient associées au projet et comprennent en quoi l'IA leur est utile dans leur travail.

L'IA a besoin de temps pour transformer des environnements et des processus fortement réglementés. Cependant, il est impératif d'agir rapidement pour acquérir un avantage concurrentiel. Comme dans toute course, la rapidité est essentielle, mais il est tout aussi important de s'assurer que chaque étape de la transformation repose sur des bases solides. La conclusion est claire : accordez du temps aux initiatives en matière d'IA, mais agissez vite pour garder une longueur d'avance dans ce paysage en constante évolution.