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 cadres chez JP Morgan, Coinbase, Blackrock, Klarna et d’autres

Peu de sujets sont aussi polarisants que l’IA ; les verdicts varient, du côté le plus positif, à la prochaine frontière du progrès humain, une solution technologique en quête de problèmes à résoudre, ou, au pire, le 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 via des services informatiques et des infrastructures, j’ai une place privilégiée pour observer l’émergence de l’innovation à travers tout le spectre des entreprises FS&I.

Les premiers à adopter, ce sont les fonds spéculatifs quantitatifs, qui investissent massivement dans l’IA pour améliorer leurs rendements, ainsi que le secteur de l’assurance, qui bénéficie d’énormes quantités de données – tous deux peuvent facilement justifier des cas d’usage clairs avec un ROI fort.
 
Les entreprises de services financiers pratiquent la modélisation mathématique et l’apprentissage automatique depuis près d’une décennie avant que l’IA ne soit commercialisée sous sa forme actuelle, mais récemment, la performance exceptionnelle de l’infrastructure IA a stimulé une forte adoption par les fonds de trading quantitatifs, ainsi que par les sociétés d’assurance et de gestion de patrimoine, toutes cherchant à tirer profit de l’énorme volume de données désormais disponibles.

De plus, beaucoup de ce qui est vendu comme de l’IA n’est simplement que la prochaine incarnation de l’automatisation.

Bien que nous observions 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 encore aux premières étapes de l’adoption. De plus, il existe des cas d’usage très variés – une banque de premier rang déploiera l’IA très différemment d’une société locale de construction avec dix agences.

Je constate souvent des appétits différents au sein d’une même organisation, avec les conseils d’administration, les jeunes générations plus digitalisées, et les fonctions opérationnelles/financières souvent plus ouvertes à l’idée, que, par exemple, les collègues en conformité. Les préoccupations évoquées incluent souvent la nature « boîte noire » de la technologie, des inquiétudes concernant le déploiement éthique de l’IA, et le manque de clarté réglementaire.

Cependant, des schémas clairs émergent quant à ce qui favorise une adoption précoce et un usage intensif. Les entreprises qui réussissent ont une stratégie solide pour adopter l’IA, en créant des centres d’excellence et en s’assurant que leurs données sont dans un état approprié dès le départ ; ces démarches, bien que paraissant modestes, constituent la base de l’innovation réussie.

Nous voyons souvent le premier cas d’usage déployé dans des outils de productivité tels que ChatGPT, Co-pilot ou Claude, qui constituent souvent le point d’entrée pour de nombreux collègues dans l’adoption de l’IA, parfois surnommés de façon ironique « la drogue d’entrée » !
 
Côté culturel, adopter l’IA peut représenter un changement radical par rapport au statu quo, et des équipes de direction très efficaces chercheront à anticiper l’avenir de leur organisation. Une stratégie RH tournée vers l’avenir est essentielle, en développant des capacités et expertises internes en IA, en se concentrant sur les compétences applicables, l’expertise, et en encourageant le partage des connaissances. Une vision à long terme devra également intégrer la réaffectation des collègues dont les rôles sont remplacés par des gains d’efficacité liés à l’IA.

Il y a à juste titre beaucoup d’attention portée à la valeur ajoutée de l’IA ; certaines banques disposent de centaines de cas d’usage potentiels, et naviguer parmi eux pour réaliser des preuves de concept et déployer à plus grande échelle peut être complexe. La meilleure pratique, pour une technologie aussi nouvelle, est encore en train d’émerger. Dans un premier temps, passer en revue un grand nombre de cas d’usage potentiels pour prioriser ceux qui offrent la plus grande valeur peut être écrasant, et une triage rigoureuse basée sur l’impact, le coût, la faisabilité et l’alignement avec les objectifs commerciaux plus larges, permet d’évaluer le ROI potentiel.

Il faut mettre en place un cadre de mesure réfléchi 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 opérations courantes, il faut adopter une politique de développement itératif continu pour maximiser les retours et assurer l’alignement avec les priorités stratégiques – ce qui est souvent une caractéristique culturelle des équipes performantes.

Récemment, j’ai été invitée à parler d’IA avec un régulateur. Lors d’une table ronde sectorielle, une question brillamment déroutante a été posée : « Quel problème l’IA résout-elle mieux que tout autre ? » Sans surprise, chaque organisation avait une réponse totalement différente, et je pense que les entreprises continueront à se confronter à cette question pendant des années.

Ceux qui ne peuvent pas adopter une approche stratégique de l’IA, et la déployer de manière appropriée et en temps voulu, seront fortement désavantagés.