Historiquement, les fournisseurs de services financiers traditionnels ont eu du mal à innover. Selon une étude McKinsey¹ (lien externe à ibm.com), les grandes banques sont 40 % moins productives que les établissements natifs du numérique. Nombre de startups bancaires émergentes sont les pionnières dans les cas d’utilisation de l’intelligence artificielle, d’où l’importance pour les banques traditionnelles d’innover à leur tour pour tenter de rattraper leur retard.

Les banques d’investissement utilisent depuis longtemps le traitement automatique du langage naturel (NLP) pour analyser les vastes quantités de données dont elles disposent en interne ou qu’elles extraient de sources tierces. Ces établissements utilisent le NLP pour examiner les ensembles de données afin de prendre des décisions d’investissement et de gestion de patrimoine stratégiques mieux éclairées.

Le secteur bancaire, en particulier, est en train de s’emparer des avantages attendus des technologies d’IA. Les clients sont demandeurs de services bancaires en ligne, car ils leur permettent d’obtenir davantage d’informations sur les services fournis, d’interagir avec des conseillers ou des assistants virtuels et de mieux gérer leurs finances. Pour satisfaire cette clientèle, les établissements bancaires doivent améliorer l’expérience utilisateur. L’adoption et le déploiement de solutions d’IA sont un moyen d’y parvenir.

Si l’IA est puissante en soi, la combinaison avec l’automatisation offre encore plus de potentiel. L’automatisation alimentée par l’IA allie l’intelligence de l’IA à la répétabilité de l’automatisation. L’IA peut ainsi améliorer l’automatisation robotisée des processus (RPA) pour mieux analyser les données et prendre des mesures en fonction de critères que l’IA juge les meilleurs. L’utilisation par les banques de la RPA pour valider les données clients nécessaires au respect des restrictions liées aux procédures de connaissance du client (KYC), de lutte contre le blanchiment d’argent (AML) et de vigilance raisonnable à l’égard de la clientèle (CDD) en est un exemple.

Les organismes financiers adoptent l’intelligence artificielle (IA) pour diverses raisons, telles que la gestion des risques, l’expérience client et la prévision des tendances du marché.

L’IA aide les clients à améliorer leur prise de décision sur les questions financières. Ils sont plus enclins à rester dans les banques qui utilisent des technologies d’IA de pointe pour mieux gérer leur argent.

Toutefois, étant donné les nombreuses réglementations du secteur, les banques et autres organismes financiers ont besoin d’une stratégie globale pour aborder l’IA. L’utilisation de l’IA nécessite un cadre bien pensé pour atténuer les risques et l’exposition.

Dans son rapport 2024 Global Outlook for Banking and Financial Markets, l’IBM Institute for Business Value a publié un guide à l’intention des banques souhaitant intégrer des outils et des pratiques d’IA dans leurs opérations. Voici quelques-unes des actions clés présentées :

• Définir la gouvernance de l’IA et le profil de risque de la banque : chaque banque étant différente, les dirigeants doivent prendre leurs propres décisions concernant les risques et le déploiement de l’IA. Les banques doivent adopter l’IA de manière à contrecarrer tout risque potentiel en mettant en place des mesures de sécurité rigoureuses.
• Classer les cas d’utilisation par ordre de priorité : les déploiements de l’IA doivent être liés à des cas d’utilisation métier spécifiques qui génèrent un impact mesurable et s’alignent sur les objectifs organisationnels. Les chatbots en contact avec les clients, les stratégies d’investissement personnalisées, la prévention de la fraude et l’évaluation de la solvabilité sont quelques exemples de cas d’utilisation spécifiques.
• Choisir une plateforme d’IA fiable : la plupart des approches d’IA d’entreprise nécessitent l’application de plusieurs modèles IA pour s’assurer que l’organisation dispose de tout ce dont elle a besoin pour réussir. Les banques doivent donc choisir entre les différents types de modèles à utiliser – open source, créés en interne, ou les deux.
• Adopter une architecture de cloud hybride : l’IA exige des banques qu’elles résolvent toutes les inefficacités technologiques existantes et donnent la priorité à la gestion des ressources applicatives. En utilisant une architecture de cloud hybride, les banques peuvent basculer entre les clouds publics et privés pour soutenir la résilience et la réactivité des services bancaires numériques en temps réel.
• Apprendre des déploiements initiaux : les banques attentives aux risques doivent mettre en œuvre des tests et des cas d’utilisation à petite échelle pour évaluer les incidences avant d’étendre et de déployer de nouvelles implémentations. Les premiers enseignements sont précieux, car ils aident les banques à mieux comprendre quelle autre infrastructure doit être déployée et à déterminer où des ajustements doivent être apportés.
• Créer une « AI factory » : une fois qu’elle a établi une stratégie réalisable pour créer ou adopter l’IA pour des cas d’utilisation spécifiques, l’organisation doit créer un mécanisme qui ajoute l’IA à ses opérations et la place au cœur de toutes les méthodes de développement et métier.

L’adoption et le déploiement de l’IA présentent plusieurs avantages clés pour les banques.

• Cybersécurité et détection des fraudes renforcées : les pirates informatiques s’appuient de plus en plus sur l’IA pour créer des moyens plus sophistiqués de frauder les institutions financières. Ils peuvent employer l’audio créé par IA² (lien externe à ibm.com) pour imiter les clients, ce qui déstabilise les agents du service client. Ils peuvent se servir de l’IA pour rendre les e-mails de phishing plus légitimes. En conséquence, les organismes financiers doivent utiliser des algorithmes d’IA pour protéger leurs employés contre les menaces de cybersécurité en temps réel, tout en créant des outils pour aider les clients à éviter les mêmes pièges. Les institutions financières et les agences gouvernementales peuvent également utiliser des systèmes d’IA pour contrecarrer d’autres crimes financiers tels que le blanchiment d’argent ou l’usurpation d’identité.
• API améliorées : les opérations bancaires dépendent de plus en plus de l’utilisation d’interfaces de programmation des applications (API) pour permettre aux clients de gérer leurs avoirs sur diverses applications. Par exemple, les banques doivent autoriser l’utilisation d’API sur les applications de budgétisation tierces afin que les clients puissent surveiller plusieurs comptes bancaires. L’IA renforce l’utilisation des API en permettant davantage de mesures de sécurité et en automatisant les tâches répétitives, les rendant ainsi plus puissantes.
  
• Banque intégrée : des services bancaires sont introduits dans des expériences non traditionnelles, comme lorsque Starbucks a lancé sa propre application de paiement³. La banque intégrée devrait se développer en tant que service, en particulier parce que l’IA aide les détaillants et d’autres entreprises à collecter et à analyser les données sur les opportunités de marché potentielles, à prédire la solvabilité et à mieux personnaliser les services offerts aux clients.
• Outils clients plus intelligents : l’essor de l’IA générative alimentée par l’apprentissage profond permet aux secteurs de l’investissement et de la banque de déployer des outils plus sophistiqués pour rationaliser le service client. Les chatbots et les assistants virtuels alimentés par l’IA améliorent le support client en aidant la clientèle à résoudre elle-même les petits problèmes. L’IA peut également alimenter les applications de budgétisation qui aident les clients à mieux gérer leurs finances et à réaliser des économies.
• Nouveaux marchés et opportunités : l’IA est aussi utilisée pour l’analyse prédictive afin de mieux connaître les clients. L’analyse prédictive basée sur l’IA peut identifier de nouveaux domaines de croissance pour l’entreprise et ses clients et estimer ceux qui présentent un risque de quitter la banque. Par exemple, les banques peuvent analyser les habitudes de leurs clients, comme la fréquence à laquelle ils se connectent ou déposent de l’argent, et les comparer à d’autres points de données pour déterminer lesquels sont susceptibles de fermer leur compte.
  
• Notation d’octroi de carte de crédit et de solvabilité plus intelligente : la détermination de la solvabilité des clients est une activité essentielle des services bancaires. Les banques doivent traiter de grandes quantités de données clients pour prendre des décisions de crédit importantes, par exemple approuver une demande de carte de crédit ou de relèvement du plafond de crédit. Les algorithmes d’IA et le machine learning peuvent aider les institutions financières à approuver ou à refuser rapidement l’octroi de cartes de crédit, les relèvements de plafond et autres demandes des clients.

L’intégration de l’IA dans le secteur bancaire ne va pas sans risques et complications. L’étude Global Outlook for Banking and Financial Markets 2024 d’IBM Institute for Business Value a révélé que plus de 60 % des dirigeants du secteur bancaire étaient préoccupés par les nouvelles vulnérabilités introduites par l’IA, en particulier ces sujets :

• Cybersécurité : l’IA générative peut être utilisée pour la prévention de la fraude et la gestion de la conformité, mais elle présente également des risques. L’intégration d’outils et de technologies d’IA ouverts dans les systèmes informatiques bancaires pose certains problèmes de sécurité, car les modèles IA sont des cibles particulièrement prisées des acteurs malveillants. Les banques doivent donc adopter une approche holistique de la gouvernance de l’IA qui assure un équilibre efficace entre innovation et gestion des risques.
• Incertitude juridique liée aux opérations : pour être efficaces, les modèles d’IA générative doivent être entraînés sur des ensembles de données existants. Il reste encore quelques questions non résolues quant à savoir si l’analyse de données accessibles au public, comme les articles de presse et les vidéos explicatives, constituent une violation du droit d’auteur⁴ (lien externe à ibm.com). Une façon d’éviter ce problème est d’utiliser des modèles IA qui ont été entraînés sur des données appartenant à la banque, telles que les interactions avec le service client ou ses propres recherches.
• Difficultés à contrôler la précision des résultats : actuellement, les modèles IA ne raisonnent pas ou ne « comprennent » pas leurs résultats. Ils procèdent plutôt par détection de schémas⁵ (lien externe à ibm.com) dans les données qui leur sont fournies pour générer des résultats. Par conséquent, le modèle ne peut pas indiquer à l’employé humain si les données sont incorrectes ou inexactes.
• Préjugés liés aux biais des modèles : les banques investissent de plus en plus dans des initiatives environnementales, sociales et de gouvernance (ESG) afin de démontrer leur transparence et leur responsabilité dans la conduite de leurs activités. Comme les modèles IA sont entraînés sur des données créées par l’humain, ils peuvent hériter de certains de leurs préjugés. Les banques doivent éliminer ces biais dans la manière dont elles commercialisent leurs produits et établissent des critères tels que la solvabilité, dont l’impact négatif sur certaines catégories socio-démographiques est bien connu.

Les institutions financières sont de plus en plus incitées à s’engager dans la transformation numérique. Les clients exigent des expériences automatisées avec des fonctions en libre-service, mais ils veulent aussi des interactions personnalisées et à dimension humaine.

Les banques continuent d’investir en priorité dans l’IA pour garder une longueur d’avance sur la concurrence et proposer à leurs clients des outils de plus en plus sophistiqués pour gérer leur argent et leurs placements. La préférence des clients pour les banques qui proposent des applications d’IA personnalisées leur permettant de gagner en visibilité sur leurs opportunités financières perdure.

À l’avenir, les banques feront la publicité de leur utilisation de l’IA et de la manière dont elles peuvent déployer les avancées plus rapidement que leurs concurrents. L’IA aidera les banques à intégrer de nouveaux modèles opérationnels, à adopter la numérisation et l’automatisation intelligente et à assurer une rentabilité continue, inaugurant une ère nouvelle pour la banque commerciale et de détail.