Voici comment l'IA fait réellement la différence dans la finance en ce moment.

La FinTech évolue vite. Les nouvelles sont partout, la clarté ne l'est pas.

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

Cliquez ici pour vous abonner à la newsletter de FinTech Weekly

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

Pendant des années, la conversation autour de l'intelligence artificielle en finance était frustrante par son 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 diapositives remplies de promesses. Mais quelque chose a changé au cours des 18 derniers mois environ. Les outils se sont améliorés, les cas d'utilisation sont devenus plus clairs, et des départements auparavant sceptiques ont commencé à voir des résultats concrets dans des domaines qui comptaient.

Tout le monde n'a pas été touché par le changement de la même manière ou au même moment. Certains domaines de la finance ont adopté l'IA plus rapidement que d'autres, et les raisons méritent qu'on s'y attarde. Les équipes FP&A ont été parmi les premières à bouger, en grande partie 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 viable. Lorsque des plateformes ont émergé, capables d'automatiser la collecte de données et de découvrir des tendances en heures plutôt qu'en jours, l'adoption a rapidement accéléré.

Ce qui a fait que cette vague a tenu, c'est qu'elle résolvait des problèmes dont les gens étaient déjà fatigués. L'intelligence artificielle en finance a bien dépassé la phase expérimentale. Les équipes l'utilisent pour clôturer les comptes plus rapidement, générer 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 manifeste par des cycles de reporting plus courts et moins de nuits tardives avant les réunions du conseil d'administration.

La FP&A y est arrivée la première, mais cela ne s'est pas arrêté là

Étant donné le caractère manuel et répétitif du flux de travail, la prévision et la budgétisation étaient le point de départ logique. Mais une fois que les équipes ont vu ce qui était possible, la technologie a commencé à se répandre dans les fonctions adjacentes. L'analyse des écarts en est un bon exemple. Pour déterminer pourquoi les réalisations ne correspondaient pas au plan, un analyste passait généralement des heures à parcourir les postes. Les outils d'IA peuvent signaler ces écarts 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 feuilles de calcul et les connaissances institutionnelles approfondies étaient autrefois la norme pour les entreprises traitant de structures contractuelles complexes ou d'arrangements multi-éléments. Certaines parties de ce processus peuvent être automatisées pour réduire les risques et libérer du temps pour les décisions qui requièrent véritablement l'intelligence humaine. Partout où les équipes financières passaient trop de temps sur un travail répétitif et basé sur des règles, l'IA intervient et le fait plus rapidement.

La gestion des risques est le plus grand enjeu

Si la FP&A était le point d'entrée, la gestion des risques est peut-être là où l'IA a l'impact le plus durable. La conformité réglementaire, la détection des fraudes et la modélisation du risque de crédit nécessitent toutes une reconnaissance de motifs complexes et de grands ensembles de données. Ce sont exactement les conditions dans lesquelles l'apprentissage automatique surpasse 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 les entreprises de taille moyenne qui n'ont jamais eu d'équipes d'analyse des risques dédiées. Les plateformes cloud ont permis à une entreprise de quelques centaines d'employés d'effectuer le genre d'évaluations des risques qui nécessitaient auparavant une équipe de quants. Ces outils gèrent la surveillance, détectent les anomalies au fur et à mesure qu'elles se produisent, et produisent eux-mêmes des rapports prêts pour l'audit. C'est un véritable progrès pour la gestion des processus financiers au quotidien.

Actuellement, la conformité est peut-être la partie la plus convaincante de ce changement global. Les environnements réglementaires changent constamment, et entre les règles changeantes dans différentes juridictions, rester en conformité est un travail en soi. Bien que l'IA ne puisse pas remplacer un responsable de la conformité, elle peut analyser les mises à jour réglementaires, les comparer aux politiques en vigueur et identifier les lacunes avant qu'elles ne deviennent des problèmes. Dans le passé, seules les plus grandes institutions pouvaient se permettre ce type de surveillance proactive.

Qu'est-ce qui retient certaines équipes

Tous les départements financiers ne fonctionnent pas au même rythme, et les deux principales causes d'hésitation sont généralement les talents et la confiance. La confiance parce que les professionnels de la finance doivent comprendre comment un modèle parvient à ses conclusions avant d'engager leur réputation sur le résultat. Les talents 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 est encore rare.

L'autre goulot d'étranglement qui ne reçoit pas assez d'attention est la qualité des données. Puisque l'IA n'est aussi bonne que les données qui l'alimentent, de nombreuses entreprises continuent de fonctionner sur des systèmes désorganisés et disjoints où, selon le département, la même métrique peut être définie de trois manières différentes. Bien que nettoyer cela ne soit pas une tâche glorieuse, c'est nécessaire pour tirer le meilleur parti de toute mise en œuvre de l'IA.

La trajectoire est assez claire

Les équipes financières qui ont déjà fait le pas élargissent leurs cas d'utilisation, sans reculer. Les premiers succès en FP&A ont construit suffisamment de crédibilité interne pour justifier une expansion vers le risque, 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 combler l'écart de talents au fil du temps. Pendant ce temps, les fournisseurs continuent de déployer des outils plus spécialisés.

Chaque trimestre, le calcul devient plus difficile pour les équipes qui n'ont pas encore commencé. L'écart concurrentiel entre les départements financiers dotés d'IA et les départements traditionnels se creuse, et combler cet écart plus tard coûte toujours plus cher que de suivre le rythme maintenant. La technologie n'est pas parfaite, et personne ne devrait prétendre le contraire. Mais attendre la perfection est un risque en soi, et c'est un risque que de moins en moins d'organisations peuvent se permettre de prendre.