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

La FinTech évolue rapidement. Les nouvelles sont partout, la clarté ne l’est pas.

FinTech Weekly livre les principales histoires et événements en un seul endroit.

Cliquez ici pour vous abonner à la newsletter de FinTech Weekly

Lue par des cadres chez JP Morgan, Coinbase, BlackRock, Klarna et d’autres.

Pendant des années, la conversation autour de l’intelligence artificielle en finance était frustrante d’un manque de clarté. La plupart des équipes financières continuaient à faire les choses de la même manière, même si les dirigeants parlaient de disruption et que les consultants produisaient des présentations pleines de promesses. Mais quelque chose a changé il y a environ 18 mois. Les outils se sont améliorés, les cas d’usage sont devenus plus clairs, et les départements auparavant sceptiques ont commencé à voir de vrais résultats dans des domaines importants.

Tout le monde n’a pas été affecté par ce changement de la même façon ou au même moment. Certaines zones de la finance ont adopté l’IA plus rapidement que d’autres, et les raisons méritent d’être remarquées. Les équipes FP&A ont été parmi les premières à bouger, principalement à cause de la douleur évidente. Tout le monde savait que passer deux semaines à extraire des données de systèmes déconnectés juste pour établir une prévision trimestrielle n’était pas durable. Lorsque des plateformes ont émergé pour automatiser la collecte de données et découvrir des tendances en quelques heures plutôt qu’en jours, l’adoption s’est accélérée rapidement.

Ce qui a permis à cette vague de perdurer, c’est qu’elle résolvait des problèmes dont les gens étaient déjà fatigués de traiter. L’intelligence artificielle en finance a largement dépassé la phase expérimentale. Les équipes l’utilisent pour clôturer les livres plus rapidement, générer des prévisions continues 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 manifeste par des cycles de reporting plus courts et moins de nuits blanches avant les réunions du conseil.

FP&A est arrivé en premier, mais cela ne s’arrête pas là

Étant donné la nature manuelle et répétitive du flux de travail, la prévision et la budgétisation étaient les premiers domaines logiques à automatiser. Mais une fois que les équipes ont vu ce qui était possible, la technologie a commencé à se répandre dans des fonctions adjacentes. L’analyse de variance en est un bon exemple. Pour déterminer pourquoi les résultats réels ne correspondaient pas au plan, un analyste passait généralement des heures à examiner les lignes de détail. Les outils d’IA peuvent signaler ces écarts en quelques minutes et, surtout, indiquer les causes profondes.

Un autre domaine qui gagne du terrain est la reconnaissance des revenus. Les feuilles de calcul et la connaissance institutionnelle approfondie étaient autrefois la norme pour les entreprises gérant des structures contractuelles complexes ou des arrangements multi-éléments. Certaines parties de ce processus peuvent être automatisées pour réduire le risque et libérer du temps pour des décisions qui nécessitent vraiment l’intelligence humaine. Partout où les équipes financières passaient trop de temps sur un travail répétitif basé sur des règles, l’IA intervient et le fait plus rapidement.

La gestion des risques est l’histoire plus grande

Si le FP&A a été le 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 nécessitent toutes une reconnaissance de motifs complexes et de grands ensembles de données. Ce sont précisément les conditions où l’apprentissage automatique dépasse l’analyse manuelle.

Les compagnies d’assurance et les banques ont été les premières à le reconnaître. Mais ce qui est plus récent, c’est l’adoption par des entreprises de taille moyenne qui n’avaient jamais eu d’équipes dédiées à l’analyse des risques. Les plateformes cloud ont permis à une entreprise de quelques centaines d’employés de réaliser des évaluations de risques qui nécessitaient auparavant une équipe de quants. Ces outils assurent la surveillance, détectent les anomalies en temps réel, et produisent des rapports prêts pour l’audit de manière autonome. C’est une véritable avancée pour la gestion des processus financiers au quotidien.

Pour l’instant, la conformité pourrait être la partie la plus convaincante de tout ce changement. Les environnements réglementaires changent constamment, et entre les règles changeantes dans différentes juridictions, rester conforme est en soi un travail à part entière. Bien que l’IA ne puisse pas remplacer un responsable conformité, elle peut analyser les mises à jour réglementaires, les comparer aux politiques en vigueur, et identifier les lacunes avant qu’elles ne deviennent problématiques. Autrefois, seules les plus grandes institutions pouvaient se permettre ce type de surveillance proactive.

Ce qui freine certaines équipes

Toutes les directions financières n’évoluent pas au même rythme, et les deux principales causes d’hésitation sont généralement le talent et la confiance. La confiance parce que les professionnels de la finance doivent comprendre comment un modèle parvient à ses conclusions avant de s’y engager avec leur réputation. Le talent parce que la mise en œuvre efficace de ces outils nécessite des personnes qui comprennent à la fois la technologie et le contexte financier, et cette combinaison reste rare.

L’autre goulot d’étranglement qui ne reçoit pas assez d’attention est la qualité des données. Étant donné que l’IA n’est aussi bonne que les données qui l’alimentent, de nombreuses entreprises continuent à fonctionner avec des systèmes désorganisés et disjoints où, selon le département, la même métrique peut être définie de trois façons différentes. Bien que nettoyer cela ne soit pas une tâche glamour, c’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 étendent leurs cas d’usage, et ne reculent pas. Les premiers succès en FP&A ont créé une crédibilité interne suffisante pour justifier l’expansion vers la gestion des risques, la conformité et les opérations de trésorerie. Les universités commencent à intégrer la littératie des données dans leurs programmes de finance, ce qui devrait aider à réduire l’écart de talents avec le temps. Pendant ce temps, les fournisseurs continuent de lancer des outils de plus en plus spécialisés.

Chaque trimestre, les calculs deviennent plus difficiles pour ceux qui n’ont pas encore commencé. L’écart compétitif entre les départements financiers équipés d’IA et ceux traditionnels se creuse, et rattraper ce retard plus tard coûte toujours plus cher que de suivre le rythme maintenant. La technologie n’est pas parfaite, et personne ne devrait faire semblant du contraire. Mais attendre la perfection est une forme de risque en soi, et c’est un risque que de moins en moins d’organisations peuvent se permettre de prendre.