Où l'IA fait réellement la différence dans la finance en ce moment

La FinTech va vite. Les actualités sont partout, la clarté non.

FinTech Weekly apporte au même endroit les histoires et les événements clés.

Cliquez ici pour vous abonner à la newsletter de FinTech Weekly

Lue par des dirigeants de JP Morgan, Coinbase, BlackRock, Klarna et plus.

Pendant des années, les discussions autour de l’intelligence artificielle dans la finance ont été frustrantes, tant elles étaient peu claires. La plupart des équipes financières continuaient à faire les choses de la même manière, même lorsque les dirigeants parlaient de disruption et que des consultants produisaient des présentations pleines de promesses. Mais quelque chose a changé au cours des 18 derniers mois environ. Les outils se sont améliorés, les cas d’usage sont devenus plus clairs et des départements auparavant sceptiques ont commencé à voir des résultats concrets dans des domaines qui comptent.

Tout le monde n’a pas été affecté de la même façon ni au même moment. Certains secteurs de la finance ont adopté l’IA plus rapidement que d’autres, et les raisons valent la peine d’être observées. Les équipes FP&A font partie des premières à avoir bougé, en grande partie à cause de la douleur évidente. Tout le monde savait que consacrer deux semaines à extraire des données depuis des systèmes déconnectés, juste pour construire un prévisionnel trimestriel, n’était pas tenable. Lorsque des plateformes ont émergé, capables d’automatiser la collecte de données et de révéler des tendances en quelques heures plutôt qu’en quelques jours, l’adoption a pris de l’élan rapidement.

Ce qui a fait tenir cette vague, c’est qu’elle a résolu des problèmes que les gens étaient déjà fatigués de gérer. L’intelligence artificielle dans la finance est largement sortie de la phase expérimentale. Les équipes l’utilisent pour clôturer plus vite, produire des prévisions glissantes sans épuiser leurs analystes et exécuter des modèles de scénarios qui auraient pris des semaines à assembler manuellement. La valeur n’est plus abstraite. Elle se traduit par des cycles de reporting plus courts et moins de soirées tardives avant les réunions du conseil.

Les FP&A ont ouvert la voie, mais ce n’est pas resté là

Vu à quel point le travail était manuel et répétitif, la prévision et la budgétisation étaient l’endroit logique pour commencer. Mais dès que les équipes ont vu ce qui était possible, la technologie s’est mise à se répandre dans des fonctions adjacentes. L’analyse des écarts en est un bon exemple. Pour déterminer pourquoi les réalisations ne correspondaient pas au plan, un analyste passerait généralement des heures à passer en revue les lignes. Les outils d’IA peuvent signaler ces divergences en quelques minutes et, plus important encore, pointer vers les causes profondes.

Un autre domaine qui gagne du terrain est la reconnaissance des revenus. Les tableurs et la connaissance institutionnelle approfondie étaient autrefois la norme pour les entreprises gérant des structures de contrat complexes ou des arrangements à plusieurs éléments. Des parties de ce processus peuvent être automatisées afin de réduire le risque et de libérer du temps pour les décisions qui exigent vraiment une intelligence humaine. Partout où les équipes financières passaient trop de temps sur un travail répétitif fondé sur des règles, l’IA s’y substitue et le fait plus vite.

La gestion des risques raconte la plus grande histoire

Si les FP&A ont servi de point d’entrée, la gestion des risques pourrait être là où l’IA apporte l’impact le plus durable. La conformité réglementaire, la détection de fraude et la modélisation du risque de crédit exigent toutes une reconnaissance de formes complexe et de grands ensembles de données. Ce sont précisément les conditions dans lesquelles l’apprentissage automatique surpasse l’analyse manuelle.

Les compagnies d’assurance et les banques ont été les premières à l’identifier. Mais ce qui est plus récent, c’est l’adoption par des entreprises du mid-market qui n’avaient jamais d’équipes dédiées à l’analytique des risques. Les plateformes basées sur le cloud ont rendu possible, pour une entreprise de quelques centaines d’employés, de mener des évaluations des risques qui nécessitaient auparavant une équipe de quants. Ces outils gèrent la supervision, détectent les anomalies au fur et à mesure, et produisent seuls des rapports prêts pour un audit. C’est un vrai progrès pour la gestion quotidienne des processus financiers.

À l’heure actuelle, la conformité est peut-être l’aspect le plus convaincant de l’ensemble de ce changement. Les environnements réglementaires évoluent sans cesse, et entre le fait de changer de règles dans différents territoires, rester conforme est déjà un travail à lui seul. Même si l’IA ne peut pas remplacer un responsable de la conformité, elle peut analyser les mises à jour réglementaires, les comparer aux politiques en vigueur et identifier les écarts avant qu’ils ne deviennent des problèmes. Dans le passé, seuls les plus grands établissements pouvaient se permettre ce type de surveillance proactive.

Qu’est-ce qui freine certaines équipes

Tous les départements financiers ne fonctionnent pas au même rythme, et les deux causes principales de l’hésitation sont généralement les talents et la confiance. La confiance, parce que les professionnels de la finance doivent comprendre comment un modèle arrive à ses conclusions avant de miser leur réputation sur le résultat. Les talents, parce que mettre correctement en œuvre ces outils exige des personnes qui comprennent à la fois la technologie et le contexte financier, et cette combinaison reste encore rare.

L’autre goulot d’étranglement, qui ne reçoit pas assez d’attention, c’est la qualité des données. Comme l’IA n’est aussi performante que les données qui l’alimentent, de nombreuses entreprises continuent à fonctionner sur des systèmes désorganisés et cloisonnés, où, selon le département, la même métrique peut être définie de trois façons différentes. Même si la mise au propre n’est pas une tâche glamour, elle est nécessaire pour tirer le meilleur parti de toute implémentation d’IA.

La trajectoire est assez claire

Les équipes financières qui ont déjà franchi le pas élargissent leurs cas d’usage, sans faire marche arrière. Les premiers succès en FP&A ont suffi à créer suffisamment de crédibilité interne pour justifier une extension vers le risque, la conformité et les opérations de trésorerie. Les universités commencent à intégrer la littératie des données dans leurs cursus financiers, ce qui devrait contribuer à combler l’écart de talents au fil du temps. Pendant ce temps, les fournisseurs continuent de déployer des outils plus spécialisés.

Chaque trimestre, les mathématiques deviennent plus difficiles pour les équipes qui n’ont pas encore commencé. L’écart concurrentiel entre les départements financiers alimentés par l’IA et ceux qui restent traditionnels s’élargit, et le combler plus tard coûte toujours plus cher que de suivre le rythme dès maintenant. La technologie n’est pas parfaite, et personne ne devrait faire semblant du contraire. Mais attendre la perfection est en soi une forme de risque, et c’est un risque que moins d’organisations peuvent se permettre de prendre.