Intelligence artificielle : Les nouveaux vêtements de l'Empereur ? Adoption dans les services financiers

Katharine Wooller est directrice de la stratégie – Services financiers, Softcat plc, une entreprise informatique cotée au FTSE.

Découvrez les meilleures actualités et événements fintech

Abonnez-vous à la newsletter de FinTech Weekly

Lue par des dirigeants chez JP Morgan, Coinbase, Blackrock, Klarna et plus

Peu de sujets sont aussi polarisants que l’IA ; les avis vont de, à l’extrémité la plus positive, la prochaine frontière du progrès humain, à une solution technologique à la recherche de problèmes à résoudre, ou, au pire, au potentiel de créer la fin de l’humanité.

En tant que directrice de la stratégie chez Softcat, qui soutient 2 500 entreprises de services financiers grâce à des services et des infrastructures informatiques, j’ai une place privilégiée, au premier rang, pour observer l’innovation se déployer sur l’ensemble du spectre des entreprises FS&I.

Dès le départ, on a constaté une forte adoption de la gestion quantitative des fonds spéculatifs, qui intègrent le lourd investissement dans l’IA pour améliorer les rendements, ainsi que de l’assurance, qui bénéficie de grandes quantités de données – les deux peuvent aisément justifier des cas d’usage clairement définis avec un ROI solide.
 
Les entreprises de services financiers font de la modélisation mathématique et du machine learning depuis près d’une décennie avant que l’IA ne soit commercialisée dans sa forme actuelle, mais récemment, les performances élevées de l’infrastructure IA ont suscité une forte adoption par des fonds de trading quantitatifs ainsi que par des entreprises d’assurance et de gestion de patrimoine, toutes cherchant à tirer parti de la grande quantité de données désormais disponible pour elles.

Par ailleurs, une grande partie de ce qui est vendu comme de l’IA n’est rien d’autre que la prochaine déclinaison de l’automatisation.

Si nous constatons un très fort intérêt pour l’IA dans tous les types d’entreprises de services financiers, compte tenu du potentiel considérable de la technologie, nous sommes toutefois encore au pied des efforts d’adoption. De plus, les cas d’usage sont extrêmement variés : une banque de premier plan déploiera l’IA de façon très différente, par exemple, à une société d’épargne et de crédit locale structurée en dix agences.

Je vois souvent des appétits différents au sein d’une même organisation : les conseils d’administration, les générations plus jeunes et plus aguerries numériquement, ainsi que les fonctions opérations/finance sont souvent plus ouvertes à l’idée que, par exemple, des collègues en conformité.  Les préoccupations évoquées incluent fréquemment la nature de “boîte noire” de la technologie, des inquiétudes concernant le déploiement éthique de l’IA, et le manque de clarté réglementaire.

Il existe néanmoins des tendances claires dans ce qui favorise l’adoption précoce et des niveaux d’utilisation élevés.  Les entreprises qui réussissent disposent d’une stratégie solide pour adopter l’IA, mettent en place des centres d’excellence et veillent à ce que leurs données soient dans un état approprié dès le départ ; ces actions peuvent sembler de petites entreprises, mais elles constituent le socle de l’innovation réussie.

Nous observons souvent que le premier cas d’usage déployé concerne des outils de productivité comme ChatGPT, Co-pilot ou Claude, qui sont souvent le point d’entrée pour de nombreux collègues lorsqu’il s’agit d’adhérer à l’idée d’IA, et parfois mentionné de façon un peu sèche comme la “drogue d’accès” !
 
Sur le plan culturel, l’adoption de l’IA peut constituer un écart majeur par rapport au statu quo, et des équipes dirigeantes très efficaces chercheront à préparer leurs organisations pour l’avenir.  Une stratégie RH prospective est primordiale : elle doit développer des capacités et une expertise internes en IA, se concentrer sur des compétences et expertises applicables, et encourager le partage des connaissances.  Une vision à long terme devra être adoptée pour le reclassement de collègues dont les rôles sont remplacés par des gains d’efficacité pilotés par l’IA.

À juste titre, l’accent est mis sur la valeur ajoutée de l’IA ; certaines banques ont des centaines de cas d’usage potentiels et il peut être difficile de déterminer lesquels lancer en preuve de concept, puis de déployer plus largement.  Les meilleures pratiques, pour cette nouvelle technologie, sont encore en train d’émerger. Dans un premier temps, passer au crible un très grand nombre de cas d’usage potentiels afin de prioriser ceux qui offrent la plus grande création de valeur peut être accablant, et un triage impitoyable peut être fait en fonction de l’impact, du coût, de la faisabilité et de l’alignement avec des objectifs plus larges de l’entreprise, afin d’évaluer le ROI potentiel.

Il faut un cadre de mesure soigneusement pensé pour évaluer les projets d’IA, avec des KPI pertinents, des méthodologies robustes de collecte de données, et des mécanismes de reporting clairement définis.  Une fois qu’un projet d’IA fait partie des activités courantes (BAU), il doit y avoir une politique de développement continu et itératif dans le temps afin de maximiser les retours et d’assurer l’alignement avec les priorités stratégiques - là encore, il s’agit souvent d’une caractéristique culturelle des équipes très performantes.

Récemment, j’ai été invitée à parler d’IA avec un régulateur.  Lors d’une table ronde du secteur, une question brillamment déconcertante a été posée : “Quel problème unique l’IA résout-elle mieux que tout le reste ?”  Sans surprise, chaque organisation avait une réponse totalement différente, et je m’attends à ce que les entreprises se penchent sur cette question pendant des années encore.

Ceux qui ne peuvent pas être stratégiques à propos de l’IA, et la déploient de manière appropriée et en temps utile, seront dans une situation de net désavantage.