Voilà plusieurs décennies que le secteur des services financiers est un grand consommateur d’analyses avancées. Aujourd’hui, de nouvelles innovations en matière de solutions soutenues par l’IA ont fait leur apparition et permettent d’améliorer considérablement le service client, l’efficacité opérationnelle et la résilience. Pour cela, il est essentiel d’obtenir des cadres et des plateformes à la fois standardisées et cohérentes.
Le secteur de la finance est confronté à de nombreux défis, notamment l’environnement macroéconomique mondial, marqué par un risque de défaut de paiement dans un contexte de stagnation de la croissance mondiale. Par ailleurs, le secteur subit une pression grandissante pour se moderniser : les institutions financières doivent gagner en efficacité, améliorer leur service client, réduire les risques, lutter contre la criminalité financière, aborder la question de la durabilité et procéder à des changements réglementaires. L’adoption de l’IA jouera un rôle clé dans la réalisation de ces objectifs.
L’IA comme moteur de la modernisation résiliente
Les technologies d’IA ont déjà été déployées dans le secteur financier, par exemple dans des chatbots interactifs dédiés au service client, dans l’analyse de documents ou dans l’identification d’anomalies dans les transactions de paiement pour la détection des fraudes. Les banques s’appuient depuis longtemps sur l’IA prédictive – en grande partie sur des solutions basées sur le Machine Learning – pour automatiser et rationaliser les processus. En outre, l’IA générative peut considérablement améliorer les capacités de nombreuses applications existantes, y compris dans le cadre d’enjeux environnementaux, sociaux et de gouvernance (ESG). Par exemple, le projet Gaia lancé par la BRI a démontré la capacité à automatiser l’extraction et l’analyse des données ESG des entreprises afin de rendre l’évaluation du risque climatique plus transparente et plus efficace.
Bien qu’il s’agisse de premières réalisations marquantes pour les institutions individuelles, les banques centrales et les autorités de régulation sont confrontées à un défi majeur : garantir la stabilité du système financier mondial. Les changements réglementaires à venir à l’échelle internationale, apportés de façon progressive, porteront sur de nouveaux types de risques systémiques potentiels, tels que les risques de concentration dans le cloud, l’utilisation de l’IA, le changement climatique et les futurs risques corrélés émergeant d’un système financier mondial en constante évolution.
Appliquer l’IA à l’automatisation des processus sera essentielle pour soutenir l’efficacité et la résilience du secteur. Par exemple, l’automatisation event-driven soutenue par l’IA aidera les institutions à répondre aux exigences de portabilité des applications pour les technologies d’information et de communication (TIC) critiques tierces. Démontrer régulièrement cette capacité est d’ailleurs une des exigences réglementaires clés de la réglementation DORA (Digital Operational Resilience Act) mise en place par l’Union européenne.
Concernant l’infrastructure, la priorité reste la modernisation des applications héritées – comme les systèmes bancaires centraux – pour leur permettre de gagner en agilité. Les plateformes centrales continueront d’être utilisées par certaines applications, tandis que d’autres workloads seront déplacées vers le cloud – ou deviendront cloud natives pour suivre le rythme rapide de développement moderne et gagner en portabilité pour pouvoir fonctionner dans des environnements cloud selon les besoins. Toutefois, le replatforming ou la réécriture des logiciels peut être un processus à la fois complexe et coûteux. C’est un domaine où l’IA générative peut aider, en traduisant les logiciels dans différents langages de programmation, ou en contribuant à la reconversion des équipes informatiques grâce à des assistants de codage capables de prendre en charge un plus large volume de tâches basiques. L’IA peut également optimiser les environnements où les applications sont déployées, en tenant compte des défis comme les mesures de durabilité, l’efficacité opérationnelle et les préoccupations liées aux coûts.
Par ailleurs, l’utilisation de l’IA apporte de sérieux avantages aux équipes opérationnelles et de service. À l’avenir, les assistants alimentés par l’IA seront en mesure de traiter des demandes et de répondre à des problématiques client bien plus complexes. En outre, l’utilisation de l’IA peut rationaliser les rapports financiers dans le secteur bancaire en automatisant l’agrégation et l’analyse de données pour obtenir des rapports plus précis dans les meilleurs délais.
L’IA jouera également un rôle déterminant dans la capacité d’une banque à gérer les risques issus de chocs macroéconomiques externes à court terme ou de changements transformateurs à plus long terme, à l’instar du changement climatique. Dans ces situations, l’IA a besoin d’accéder à de vastes ensembles de données qui peuvent apporter de nouvelles perspectives pour améliorer les capacités de prédiction.
Le potentiel des données synthétiques
Aujourd’hui, l’IA peut déjà accélérer le processus de prise de décision dans certaines situations. Au fur et à mesure de son développement, l’IA aura la capacité d’étendre et d’améliorer sensiblement les possibilités de nombreuses applications. Toutefois, le succès de l’IA sera freiné par l’absence de données de haute qualité. La pénurie de données résulte du silotage de ces dernières au sein des institutions à cause des exigences croissantes en matière de confidentialité des données, de propriété intellectuelle et de souveraineté des données.
Heureusement, l’IA elle-même pourra contribuer à pallier ce manque de sources de données adaptées et de haute qualité en passant par la création de « données synthétiques ». Il s’agit de reproduire des sources de données existantes afin de les rendre anonymes pour des raisons de confidentialité et de simplification du partage de données. L’IA peut être utilisée pour créer des sources de données synthétiques plus robustes qui permettront à certaines applications d’outrepasser les limites des données purement historiques pour développer des perspectives plus pertinentes sur d’éventuelles situations émergentes.
La criminalité financière est un domaine d’application idéal pour les données synthétiques. Si un modèle de Machine Learning ou d’IA est construit à partir d’un ensemble de données contenant un nombre limité de cas d’un certain type de crime financier, il peut en prévoir la récurrence de manière extrêmement précise. Toutefois, cette précision prédictive est considérablement réduite lorsqu’il s’agit de saisir différentes variations de ce type de crime qui n’existent pas dans les données disponibles. Afin de faire gagner ce modèle en robustesse et d’avoir une longueur d’avance sur les menaces, les simulations basées sur l’IA peuvent générer des centaines de milliers ou de millions de scénarios synthétiques, fournissant un système de détection potentiellement plus robuste qui peut être validé par des inspections sur les nouvelles variations probables d’un certain type de crime financier. De cette manière, les données synthétiques générées par l’IA peuvent considérablement améliorer la détection de fraude. En outre, les modèles de réseaux antagonistes génératifs (GAN) et les simulations de modèles basés sur des agents (ABM) constituent deux approches de l’IA utilisées pour ces types de cas d’utilisation.
Le défi de l’IA explicable
Au-delà des données, de nombreux défis se posent pour rendre les modèles d’IA plus résilients et plus fiables. L’un des domaines clés est l’effort de recherche mondial mené pour développer des approches innovantes en matière d’IA explicable (XAI). L’objectif de l’XAI consiste à développer des cadres pour rendre le processus de prise de décision par l’IA plus transparent et responsable et d’améliorer la fiabilité, la prise de décision, et le respect des règlementations en vigueur.
Ces cadres développés par XAI vont devoir d’abord, pour être applicables et avoir un impact, relever trois défis majeurs : les solutions de boîte noire en raison de la complexité des modèles, les limites posées par un accès plus large aux données pour l’analyse des modèles en raison de la confidentialité des données, et un paysage réglementaire de l’IA en rapide et constante évolution.
Du côté de la réglementation, la récente initiative AI Act adoptée par l’Union européenne constitue le premier vrai effort pour établir un cadre réglementaire complet pour les systèmes d’IA. Cette réglementation adopte une approche fondée sur le risque : plus le niveau de risque est élevé, plus les réglementations liées à l’IA sont strictes. Les systèmes d’IA à haut risque doivent répondre à un large éventail d’exigences, parmi lesquelles l’explicabilité et la documentation, la gouvernance des processus basés sur l’IA, la gouvernance des données, la surveillance humaine, la gestion des risques et l’auditabilité. À mesure que des cadres réglementaires similaires axés sur l’IA seront mis en place dans d’autres régions et pays, il faudra garantir un certain degré de cohérence réglementaire mondiale fondée sur le risque afin d’encourager l’innovation continue en matière de capacités et de solutions d’IA.
Les possibilités créées par l’IA sont, en principe, presque illimitées, à condition que des équipes, des solutions et des processus adaptés soient mis en place. Comme de nombreux dirigeants d’entreprise envisagent d’adopter une stratégie de cloud hybride prise en charge par une plateforme commune et une couche d’automatisation afin de leur garantir davantage de liberté et de flexibilité, la même chose s’applique dans le cadre de l’IA. Il s’agit d’offrir à toutes les équipes de l’entreprise une expérience cohérente et centralisée lors de la formation, de la maintenance, de la mise au point et du déploiement de modèles d’IA en production. En outre, un environnement holistique (par opposition à un environnement siloté) évitera d’avoir trop de points de défaillance et aidera à normaliser les tests et la validation pour répondre aux exigences de contrôle et de transparence fondamentales pour pouvoir obtenir les approbations réglementaires et faire évoluer l’IA.
