Intelligence artificielle : Les nouveaux vêtements de l'Empereur ? Adoption dans les services financiers

Katharine Wooller est Chief Strategist – Services Financiers, Softcat plc, une entreprise informatique cotée au FTSE.

Découvrez les meilleures nouvelles et événements fintech !

Abonnez-vous à la newsletter de FinTech Weekly

Lue par des dirigeants de JP Morgan, Coinbase, Blackrock, Klarna et d’autres

Peu de sujets sont aussi polarisants que l’IA ; les verdicts vont de, à l’extrémité la plus positive, la prochaine frontière du progrès humain, une solution technologique à la recherche de problèmes à résoudre, ou, au pire, le potentiel de créer la fin de l’humanité.

En tant que Chief Strategist pour Softcat, qui soutient 2 500 entreprises de services financiers par le biais de services et d’infrastructures informatiques, j’ai une place privilégiée au premier rang pour observer l’innovation se déployer à travers tout le spectre des entreprises FS&I.

Tout d’abord, il y a eu une forte adoption par les fonds spéculatifs quantitatifs, qui embrassent l’investissement significatif dans l’IA pour améliorer les rendements, ainsi que l’assurance, qui bénéficie de quantités énormes de données - tous deux peuvent facilement justifier des cas d’utilisation clairs avec un fort retour sur investissement.

Les entreprises de services financiers ont fait de la modélisation mathématique et de l’apprentissage machine presque une décennie avant que l’IA ne soit commercialisée sous sa forme actuelle, mais récemment la performance exceptionnelle de l’infrastructure IA a suscité une forte adoption par les fonds de trading quantitatif et les entreprises d’assurance et de gestion de patrimoine, toutes cherchant à tirer parti de l’énorme quantité de données maintenant à leur disposition.

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

Bien que nous voyions un énorme intérêt pour l’IA dans tous les types d’entreprises de services financiers, basé sur le potentiel énorme de la technologie, nous sommes finalement aux portes de l’adoption. De plus, il existe des cas d’utilisation très variés - une banque de premier ordre déploiera l’IA très différemment, par exemple, d’une société de construction localisée avec dix agences.

Je vois souvent des appétits différents au sein de la même organisation, avec des conseils d’administration, des générations plus jeunes et plus numériquement averties, et des fonctions opérations/finance souvent plus accueillantes à l’idée, que, disons, des collègues de conformité. Les préoccupations soulevées incluent souvent la nature “boîte noire” de la technologie, des inquiétudes autour du déploiement éthique de l’IA, et le manque de clarté réglementaire.

Cependant, des schémas clairs émergent sur ce qui favorise une adoption précoce et des niveaux d’utilisation élevés. Les entreprises qui réussissent ont une stratégie solide pour adopter l’IA, mettent en place des centres d’excellence et s’assurent que leurs données sont dans un état approprié dès le départ ; cela peut sembler des petites entreprises, mais ce sont les fondations d’une innovation réussie.

Nous voyons souvent le premier cas d’utilisation déployé dans des outils de productivité tels que ChatGPT, Co-pilot ou Claude, qui sont souvent le point d’entrée pour de nombreux collègues dans l’acceptation de l’idée de l’IA, et parfois sèchement appelés le “drogue d’entrée” !

Culturellement, adopter l’IA peut être un énorme changement par rapport au statu quo, et les équipes de leadership très efficaces chercheront à préparer leurs organisations pour l’avenir. Une stratégie RH tournée vers l’avenir est primordiale, construisant des capacités et une expertise internes en IA, en se concentrant sur des compétences applicables, une expertise et en encourageant le partage des connaissances. Une vision à long terme devra être adoptée pour redéployer des collègues dont les rôles sont déplacés par les gains d’efficacité pilotés par l’IA.

Il y a à juste titre beaucoup d’attention portée à la valeur ajoutée par l’IA ; il existe des banques qui ont des centaines de cas d’utilisation potentiels et naviguer parmi ceux-ci pour entrer dans une preuve de concept et déployer plus largement peut être un défi. Les meilleures pratiques, pour une technologie aussi nouvelle, émergent à peine. Dans un premier temps, trier un grand nombre de cas d’utilisation potentiels pour prioriser ceux qui offrent la plus grande création de valeur peut être accablant, et un tri impitoyable peut être effectué en fonction de l’impact, du coût, de la faisabilité et de l’alignement avec des objectifs commerciaux plus larges, pour évaluer le retour sur investissement potentiel.

Il est nécessaire d’avoir un cadre de mesure bien pensé pour évaluer les projets d’IA, avec des KPI pertinents, des méthodologies de collecte de données robustes et des mécanismes de reporting clairement définis. Une fois qu’un projet d’IA fait partie des opérations courantes (BAU), il doit y avoir une politique de développement itératif continu au fil du temps pour maximiser les retours et garantir l’alignement avec les priorités stratégiques — encore une fois, cela est souvent une caractéristique culturelle des équipes performantes.

Récemment, j’ai été invitée à parler de l’IA avec un régulateur. Lors d’une table ronde de l’industrie, une question brillamment perplexe a été posée : “Quel problème l’IA résout-elle mieux que tout autre ?” Sans surprise, chaque organisation a eu une réponse complètement différente, et je m’attends à ce que les entreprises se débattent avec cette question pendant des années à venir.

Ceux qui ne peuvent pas être stratégiques à propos de l’IA, et déployer de manière appropriée et opportune, seront à un désavantage significatif.