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 dirigeants de JP Morgan, Coinbase, BlackRock, Klarna et bien d’autres.

Pendant des années, la conversation sur l’intelligence artificielle dans la 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 de la même manière ou au même moment par ce changement. 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 viable. Lorsque des plateformes ont émergé pour automatiser la collecte de données et détecter 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 que les gens en avaient déjà assez de gérer. 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.

Les FP&A ont été les premiers, mais cela ne s’est pas arrêté là

Étant donné la nature manuelle et répétitive du flux de travail, la prévision et le budget étaient des points de départ logiques. Mais une fois que les équipes ont vu ce qui était possible, la technologie a commencé à se répandre dans des fonctions adjacentes. La variance analysis en est un bon exemple. Pour comprendre 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, en identifier 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 contractuelles complexes ou des arrangements multi-éléments. Certaines parties de ce processus peuvent être automatisées pour réduire les risques et libérer du temps pour des décisions nécessitant vraiment l’intelligence humaine. Partout où les équipes financières passaient trop de temps sur des tâches répétitives et basées sur des règles, l’IA intervient et le fait plus rapidement.

La gestion des risques est l’histoire la plus importante

Si les FP&A ont 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 ces 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 automatiquement des rapports prêts pour l’audit. C’est une avancée réelle pour la gestion quotidienne des processus financiers.

Actuellement, la conformité pourrait être la partie la plus convaincante de cette transformation. 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 remplacer un responsable conformité, elle peut analyser les mises à jour réglementaires, les comparer aux politiques en place, et repérer les lacunes avant qu’elles ne deviennent problématiques. Autrefois, seul le plus grand des établissements pouvait se permettre cette surveillance proactive.

Ce qui freine certaines équipes

Toutes les directions financières n’évoluent pas au même rythme, et les deux principales causes de retard 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 pouvoir engager leur réputation sur ses résultats. Le talent parce que la mise en œuvre efficace de ces outils requiert des personnes qui comprennent à la fois la technologie et le contexte financier, et cette combinaison reste rare.

L’autre goulot d’étranglement, souvent sous-estimé, est la qualité des données. Étant donné qu’une IA n’est aussi bonne que les données qui l’alimentent, beaucoup d’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 ces données ne soit pas une tâche glamour, c’est indispensable 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, plutôt que de revenir en arrière. Les premiers succès en FP&A ont créé une crédibilité interne suffisante pour justifier l’expansion vers la gestion des risques, la conformité et la trésorerie. Les universités commencent à intégrer la littératie des données dans leurs programmes de finance, ce qui devrait contribuer à réduire à terme le déficit de talents. Par ailleurs, les fournisseurs continuent de lancer des outils de plus en plus spécialisés.

Chaque trimestre, la complexité augmente pour ceux qui n’ont pas encore commencé. L’écart de compétitivité entre les départements financiers équipés d’IA et ceux qui ne le sont pas se creuse, et rattraper ce retard 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 comporte ses propres risques, et peu d’organisations peuvent se permettre de les prendre.