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 principales actualités et événements fintech !

Abonnez-vous à la newsletter de FinTech Weekly

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

Peu de sujets sont aussi polarisants que l’IA ; les verdicts vont, à l’extrémité la plus positive, du prochain cap des progrès humains, à une solution technologique en quête de problèmes à résoudre, ou, dans le pire des cas, à la capacité potentielle de mettre fin à l’humanité.

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

Tout d’abord, les fonds de hedge quantitatifs ont connu une forte adoption : ils intègrent le fait d’investir massivement dans l’IA pour améliorer les rendements. On observe aussi le même phénomène dans l’assurance, qui profite de grandes quantités de données — dans les deux cas, il est facile de 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, la performance « brute » des infrastructures d’IA a stimulé une forte adoption par les fonds de trading quantitatif et les entreprises d’assurance et de gestion de patrimoine, toutes en quête de tirer parti de la masse de données désormais disponible pour elles.

De plus, une grande partie de ce qui est vendu comme « IA » n’est en réalité que la prochaine incarnation de l’automatisation.

Même si nous constatons un intérêt considérable pour l’IA dans tous les types d’entreprises de services financiers, compte tenu du potentiel énorme de la technologie, nous sommes au final encore aux abords de son adoption. Par ailleurs, les cas d’usage sont extrêmement variés : une banque de premier rang déploiera l’IA de façon très différente, par exemple, d’une société d’assurance mutuelle locale de dix agences.

Je vois souvent des appétits différents au sein de la même organisation : les conseils d’administration, les générations plus jeunes et plus à l’aise numériquement, ainsi que les fonctions opérations/finance se montrent souvent plus ouvertes à l’idée que, par exemple, des collègues de la conformité. Les préoccupations soulevées incluent souvent la nature de « boîte noire » de la technologie, des inquiétudes concernant un déploiement éthique de l’IA et un manque de clarté réglementaire.

Il existe toutefois des schémas clairs qui se dessinent quant à ce qui favorise une adoption précoce et des niveaux d’utilisation élevés.  Les entreprises qui réussissent ont 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 ; cela peut sembler de petites initiatives, mais c’est le socle de l’innovation réussie.

Nous voyons souvent le premier cas d’usage déployé dans des outils de productivité comme ChatGPT, Co-pilot ou Claude, qui constituent souvent le point d’entrée pour de nombreux collègues lorsqu’il s’agit d’adopter l’idée d’IA, et parfois décrits de manière un peu ironique comme la « drogue d’entrée » !
 
D’un point de vue culturel, adopter l’IA peut représenter un écart considérable par rapport au statu quo, et des équipes dirigeantes très efficaces chercheront à rendre leurs organisations prêtes pour l’avenir.  Une stratégie RH tournée vers l’avenir est primordiale : développer des capacités internes et une expertise en matière d’IA, se concentrer sur des compétences et expertises applicables, et encourager le partage des connaissances.  Il faudra adopter une vision de long terme pour redéployer des collègues dont les rôles sont remplacés par des gains d’efficacité générés par l’IA.

Il est juste qu’on se concentre fortement sur la valeur ajoutée de l’IA ; certaines banques disposent de centaines de cas d’usage potentiels et, pour choisir ceux à intégrer dans un pilote (proof of concept), puis déployer plus largement, cela peut être difficile.  Les meilleures pratiques, pour une technologie aussi nouvelle, ne font que commencer à émerger. Dans un premier temps, passer au crible un grand nombre de cas d’usage potentiels pour prioriser ceux qui offrent la plus grande création de valeur peut être écrasant, et une évaluation impitoyable peut être menée sur la base de l’impact, du coût, de la faisabilité et de l’alignement avec les objectifs plus larges de l’entreprise, afin d’évaluer le ROI potentiel.

Il faut un cadre de mesure bien pensé pour évaluer les projets d’IA, avec des KPI pertinents, des méthodologies de collecte de données robustes, et des mécanismes de reporting clairement définis.  Une fois qu’un projet d’IA fait partie des activités BAU (business as usual), il doit exister une politique de développement continu et itératif dans le temps afin de maximiser les rendements et d’assurer l’alignement avec les priorités stratégiques — là encore, c’est souvent une caractéristique culturelle des équipes très performantes.

Récemment, j’ai été invitée à parler de l’IA avec un régulateur.  Lors d’une table ronde de l’industrie, une question brillamment déroutante a été posée : « Quel est le seul problème que l’IA résout 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.

Celles qui ne peuvent pas être stratégiques au sujet de l’IA et qui ne déploient pas en temps voulu, de manière appropriée, seront dans une situation nettement désavantageuse.