L'IA dans les services financiers : façonner l'avenir de la finance

Les services financiers utilisent l'IA pour repérer et empêcher les crimes financiers, améliorer l'expérience client grâce à des assistants virtuels et à la personnalisation, mieux gérer les risques, booster le trading algorithmique et l'optimisation des transactions, renforcer la cybersécurité et booster la productivité des employés. Les principaux avantages de l'IA dans le domaine financier comprennent de nouvelles efficiences opérationnelles, une meilleure expérience client, une meilleure atténuation des risques, des sources de revenus et des opportunités commerciales supplémentaires, une prise de décision plus rapide et de nouveaux avantages concurrentiels. Pour utiliser l'IA dans la finance, il faut gérer les risques liés à la conformité réglementaire, les erreurs et les biais potentiels, les défis liés aux données, le manque de talents en IA et les contraintes héritées du passé.

Mais, rester en tête dans la révolution de l'IA dans le secteur bancaire et des services financiers, c'est pas facile. Pour utiliser l'IA dans la finance, il faut bien évaluer les risques et choisir le bon cas d'utilisation pour commencer.

L'apprentissage automatique (ML) et l'intelligence artificielle (IA) analytique ne sont pas des trucs nouveaux dans la finance. On les utilise déjà pour classer les données, automatiser les processus, détecter des modèles et prédire des événements. Les services bancaires, financiers et d'assurance représentent 18 % du marché mondial du ML, ce qui en fait l'un des secteurs les plus utilisateurs de technologies, juste derrière l'informatique et les télécommunications (19 %).

Formulaires IA utilisés par les institutions financières

• Analyse des données (69 %)
• Traitement des données (57 %)
• Traitement du langage naturel (47 %)
• Grands modèles linguistiques (46 %)
• IA générative (43 %)

La stratégie d'adoption de l'IA et du ML la plus répandue parmi les organismes de services financiers est le développement d'applications utilisant des services d'IA et de ML basés sur le cloud. Selon S&P Global, cette approche a été identifiée comme la stratégie principale par 44 % des entreprises interrogées. Utilisation actuelle des solutions d'IA dans le secteur financier :

• Opérations (48 %)
• Risques et conformité (45 %)
• Marketing (34 %)
• Ventes (27 %)

L'IA générique reste en première ligne

L'IA générative, c'est la technologie clé qui va façonner l'avenir de l'IA dans la finance. En ce moment, l'IA générative et les grands modèles linguistiques sont utilisés respectivement dans près de 43 % et 46 % des entreprises de services financiers. L'IA générative dans le secteur bancaire :

• Des copilotes de codage pour accélérer la numérisation
• Solutions Chat-your-data pour démocratiser les données d'entreprise
• Génération de données synthétiques pour l'entraînement des modèles d'IA/ML
• Génération de rapports sur les risques et la conformité
• Assistants virtuels personnels des clients
• Campagnes de vente et de marketing super personnalisées
• Création automatique de rapports de réclamations d'assurance
• Déclaration virtuelle des dommages dans les demandes d'indemnisation

Les analystes de McKinsey pensent que l'IA générative va booster la croissance de 2,8 à 4,7 % dans le secteur bancaire mondial et de 1,8 à 2,8 % dans celui des assurances. Le marketing, les ventes, les opérations clients et l'ingénierie logicielle devraient être les plus touchés.

Prévention de la criminalité financière

Rien qu'en 2023, les fraudes ont causé 485,6 milliards de dollars de pertes. Plus de 3 100 milliards de dollars d'argent illégal ont circulé dans le système financier mondial en 2011. Avec 90 % des organismes financiers qui disent que la prévention des crimes financiers est super importante, utiliser l'analyse des données pour détecter et prévenir ces crimes devient essentiel. Deux tiers des organismes prévoient d'utiliser cette approche, et la moitié investit dans l'IA pour améliorer leur capacité à détecter les fraudes. La prévention de la fraude par IA comprend :

• Analyse de mégadonnées pour suivre les dépenses et les performances des comptes
• Analyse prédictive pour évaluer les risques de criminalité financière
• Signalement des transactions/comptes pour examen approfondi
• Lutte automatisée contre le blanchiment d'argent (AML) et connaissance du client (KYC)

Exemple : Barclays a lancé une appli IA qui suit les transactions des commerçants en ligne en utilisant l'analyse prédictive pour repérer les fraudes potentielles. PayPal a utilisé l'IA pour réduire de 30 fois le nombre de fraudes non détectées tout en divisant par trois les coûts matériels.

Assistants virtuels

Les chatbots alimentés par l'IA et améliorés par Gen AI offrent des services de conseil financier personnalisés 24 heures sur 24, 7 jours sur 7. Contrairement aux versions précédentes basées sur des règles, Gen AI permet de créer des chatbots plus sophistiqués qui adaptent leurs réponses aux demandes directes et indirectes des clients grâce à des interactions semblables à celles d'un humain. Fonctions du chatbot IA :

• Recommandations en matière de choix d'investissement
• Gestion des comptes bancaires
• Conseil en gestion financière personnelle
• Assistance clientèle en libre-service
• Recouvrement automatique des créances

Hyper-personnalisation à grande échelle

Près de 73 % des clients des services financiers veulent que les prestataires comprennent leurs besoins et leurs attentes personnels. En plus, 62 % changeront de prestataire s'ils se sentent traités de manière impersonnelle. La personnalisation par IA permet :

• Micro-segmentation des clients en fonction de leurs besoins et préférences
• Marketing personnalisé et recommandations de produits
• Prévention de la perte de clients grâce à l'analyse prédictive
• Conseils en matière d'investissement personnel et de gestion financière

Gestion des risques

Les décisions traditionnelles en matière de prêt et d'assurance se basent sur des données limitées, comme la profession et les antécédents de crédit. Les appareils dotés d'IA peuvent rassembler et analyser plein de données pour des évaluations de crédit et des analyses de risque plus précises, y compris des sources non traditionnelles comme l'activité sur les réseaux sociaux. Applications de gestion des risques liés à l'IA :

• Gestion des risques d'entreprise avec identification des risques inédits
• Suggestions de stratégies d'atténuation
• Outils d'évaluation des risques clients pour les décisions d'investissement et de prêt

Exemple : Banco Santander propose l'outil Kairos à ses clients professionnels pour les aider à prendre de meilleures décisions.

Optimisation des transactions et trading algorithmique

Les algorithmes dominent le trading depuis des années. En 2019, J.P. Morgan a utilisé des réseaux neuronaux profonds pour permettre aux programmes de trading automatisé de trouver les chemins d'exécution des transactions les plus rentables. Capacités de trading de l'IA :

• Traitement de centaines de points de données de marché
• Identification des tendances historiques et actuelles
• Analyse de données non structurées (articles de presse) via le traitement du langage naturel
• Évaluation des actifs à l'aide d'infos historiques et en temps réel
• Répartition optimale des actifs pour maximiser le retour sur investissement
• Évaluation du risque de liquidité
• Détection des manipulations du marché
• Automatisation du trading à haute fréquence

Cybersécurité

Les violations de données coûtent en moyenne 4,88 millions de dollars, soit une hausse de 10 % par rapport à 2023. Les entreprises de services financiers font tout pour garder une longueur d'avance sur les pirates tout en améliorant la sécurité des tiers, les mesures et les rapports, ainsi que la gestion des accès. Applications d'IA pour la cybersécurité :

• Gestion des identités et des accès avec détection des comportements suspects
• Sécurité des terminaux et identification des logiciels malveillants
• Infos sur les failles de sécurité dans le cloud
• Détection des menaces et réponse automatique
• Sécurité de l'information et prévention du vol de données
• Enquête sur les incidents et optimisation des réponses

Les outils modernes de cybersécurité basés sur l'IA générique permettent aussi :

• Transforme les infos en suggestions d'enquête.
• Rédigez la documentation relative à l'incident.
• Analyse les failles de sécurité du code source.
• Donne des conseils en cybersécurité dans un langage naturel.

Outils de productivité des employés

L'IA aide les employés à être plus productifs dans tous les domaines, du risque et de la conformité au service client, en passant par le marketing et les ventes. Applications de productivité Gen AI :

• Résumé de documents (règlements, rapports, recherches)
• Suggestions de réponses en temps réel pour le service client
• Génération d'extraits de code et aide à la révision
• Traitement et classification des données non structurées

Autres avantages en termes d'efficacité de l'IA :

• Traitement visuel des données pour évaluer les dégâts et vérifier l'identité
• Traitement intelligent des documents pour les données structurées/non structurées
• Reconnaissance vocale pour le triage du service client
• Analyse prédictive pour des recommandations sur la meilleure action à prendre

Amélioration de l'efficacité opérationnelle

Les modèles d'IA automatisent des processus qui étaient avant faits à la main, comme vérifier les données pour ouvrir un compte et créer des rapports sur les risques/la conformité, ce qui rend les opérations plus efficaces.

Une meilleure expérience client

La personnalisation basée sur l'IA, les assistants virtuels et l'automatisation intelligente offrent des expériences fluides tout en accélérant les opérations administratives. Ça améliore la valeur vie client tout en réduisant le taux de désabonnement et les coûts d'acquisition.

Risques atténués

L'IA protège les organisations contre les pertes financières et les atteintes à leur réputation grâce à une détection précise des fraudes et à des cadres AML/KYC solides. Mais, la mise en place de l'IA elle-même demande une réduction des risques.

Nouvelles sources de revenus

L'IA donne naissance à des modèles opérationnels, des produits et des services qualitativement nouveaux. L'assurance automobile basée sur l'utilisation, dont les primes sont déterminées par l'IA en fonction du comportement du conducteur, illustre bien cette innovation.

Prise de décision plus rapide

Les solutions Chat-your-data et les analyses puissantes permettent une prise de décision plus rapide dans toutes les fonctions de l'entreprise. La modélisation prédictive soutient spécifiquement la stratégie d'atténuation des risques et les décisions de souscription.

Avantage concurrentiel

L'IA offre une meilleure expérience client, réduit les coûts d'exploitation grâce à des gains d'efficacité et propose des produits et services innovants basés sur l'IA, ce qui donne un avantage concurrentiel à ceux qui l'adoptent tôt.

Récupération de documents d'assurance Génération augmentée (RAG)

Une compagnie d'assurance a simplifié l'extraction de données à partir de milliers de documents datant de 2005. La solution RAG a combiné la recherche d'informations avec l'IA générative, ce qui a permis aux analystes commerciaux d'accéder aux données via des interfaces de questions-réponses en langage naturel. Résultats : les employés trouvent les sections appropriées de la documentation en 38,3 ms tout en recherchant parmi plus d'un million de vecteurs, ce qui leur permet de répondre facilement à des requêtes complexes telles que les comparaisons de prix des profils des assurés.

Détection et prévention des fraudes dans les transactions commerciales

MasterCard s'est associé à Amazon Web Services (AWS) pour améliorer les capacités d'IA/ML dans la prévention des fraudes liées aux transactions commerciales, en allant au-delà des systèmes basés sur des règles pour lutter contre les techniques de fraude sophistiquées. Résultats : les taux de détection des fraudes ont triplé et les faux positifs ont été divisés par dix, ce qui a amélioré l'expérience des commerçants avec les services MasterCard.

Amélioration de l'expérience client et offres prédictives

La Banque Scotia a utilisé Google Cloud pour améliorer l'expérience client de ses services bancaires basés sur l'IA, en transférant les données clients vers une infrastructure cloud grâce à trois initiatives majeures :

• Recommandations de produits individuels à l'aide de modèles ML
• Automatisation de l'expérience client grâce au traitement du langage naturel, à la reconnaissance vocale et à la vision par ordinateur.
• Unification des données pour de meilleures analyses et des conseils financiers plus pointus

Optimisation du portfolio

HSBC a bossé avec EquBot pour booster les performances de son portefeuille grâce au big data. L'indice boursier américain alimenté par l'IA (AiPEX) utilise l'IA d'EquBot pour choisir des actions à fort potentiel de croissance dans l'indice Russell 1000. Résultats : AiPEX a surpassé l'indice S&P 500 de 123 % au cours de la dernière décennie grâce à une identification supérieure des actions à forte croissance à l'aide du langage naturel et de données non structurées.

Productivité des développeurs

Westfield Insurance a adopté l'IA générative via IBM pour améliorer la productivité des développeurs et la flexibilité de l'entreprise, en aidant au développement d'applications et à l'intégration des développeurs dans les solutions COBOL, Assembler et JCL. Résultats : réduction de 80 % du temps nécessaire pour se familiariser avec l'application et réduction de 30 % du temps consacré à la description du code et à la documentation, tout en accélérant la modernisation de l'application et en réduisant les coûts liés à la gestion du changement.

Risques liés à la conformité réglementaire

Les régulateurs du monde entier se penchent sur l'utilisation de l'IA dans la finance. La loi européenne sur l'intelligence artificielle marque le début d'une nouvelle législation en la matière, tandis que les régulateurs américains empêchent que l'IA cause du tort aux consommateurs. Stratégies d'atténuation :

• Vérifie tous les aspects réglementaires qui touchent le développement et le déploiement des modèles d'IA.
• Assure une bonne gestion de l'IA
• Adoptez des principes d'IA responsables et compréhensibles.
• Mettre en place des comités d'éthique de l'IA qui se réunissent régulièrement

Erreurs et biais potentiels

Alors que les discussions sur l'IA générative tournent surtout autour des problèmes d'hallucinations, d'autres modèles d'IA/ML ont aussi des soucis d'erreurs et de biais. Comme l'IA dans le secteur bancaire gère des données sensibles qui touchent la vie des clients, il est super important d'éviter ces problèmes. Stratégies d'atténuation :

• Créez des ensembles de données d'entraînement variés et représentatifs.
• Vérifie régulièrement les modèles pour voir s'il y a des biais ou des erreurs, et corrige les problèmes que tu trouves.
• Utilise des méthodes de formation anti-biais (repondération, formation antagoniste).
• Montre aux utilisateurs finaux les limites des outils d'IA.
• Garde une supervision humaine dans la boucle.

Défis liés aux données

Le succès des modèles d'IA et d'apprentissage automatique dépend de la qualité des données d'entraînement. Mais les silos de données, les soucis de confidentialité et les volumes de données insuffisants posent de gros problèmes. Les problèmes liés aux données sont le plus gros défi pour 38 % des institutions financières. Stratégies d'atténuation :

• Mettez en place une cybersécurité solide pour protéger les infos confidentielles.
• Pense à générer des données synthétiques avec Gen AI pour entraîner ton modèle.
• Regroupe les silos de données avant d'utiliser l'IA.
• Répondez de manière proactive aux préoccupations en matière de confidentialité.

Manque de talent

Le recrutement et la fidélisation des spécialistes en IA ont été les principaux défis des services financiers en 2022, avant de passer à la deuxième place en 2023, avec 32 % des entreprises qui ont encore du mal. Stratégies d'atténuation :

• Développez des propositions de valeur convaincantes pour les employeurs.
• Évaluez le potentiel des candidats et leurs compétences techniques actuelles.
• Fais correspondre correctement les exigences commerciales aux compétences requises.
• Cherche des talents partout dans le monde
• Pense à recruter des talents en IA en faisant appel à des prestataires de services.

Les boulots hérités

Les banques et les compagnies d'assurance traditionnelles utilisent des systèmes informatiques vieillissants dont l'âge moyen dépasse 10 ans. La mise en place d'outils d'IA devient difficile, voire impossible, sans d'abord régler les problèmes techniques et moderniser les infrastructures existantes. Stratégies d'atténuation :

• Fais une analyse complète de la maturité numérique.
• Réduisez systématiquement la complexité de votre parc informatique.
• Définissez avec précision la portée, le calendrier et le budget des efforts de modernisation des systèmes existants.
• Brisez les cloisonnements organisationnels ainsi que les cloisonnements logiciels et de données.

Les grandes tendances qui vont façonner l'avenir de l'IA dans les services bancaires et financiers, c'est notamment la recherche d'une IA plus compréhensible et responsable, les possibilités offertes par la biométrie physique et comportementale, et le développement de l'informatique quantique.

Une IA responsable et compréhensible

La confiance des consommateurs est un facteur clé pour que l'IA soit bien acceptée. Mais, seulement 21 % des clients des services financiers font confiance aux chatbots basés sur l'IA générique. Avec les questions éthiques qui prennent de l'importance, la pression monte pour avoir une IA responsable et facile à expliquer. D'après une étude de NVIDIA, 84 % des institutions financières ont mis en place des mesures pour garantir la fiabilité des modèles d'IA. Mais l'IA explicable reste une technologie pas encore au point qui a besoin de solutions pour réduire les compromis entre vitesse de calcul et précision pour une meilleure interprétabilité.

Biométrie

L'usurpation d'identité synthétique est un crime financier qui se développe super vite aux États-Unis, et l'IA générative est devenue un outil efficace pour les malfaiteurs. On prévoit des pertes de près de 23 milliards de dollars d'ici 2030, mais on peut éviter ça en utilisant la biométrie physique et comportementale. Ces systèmes utilisent l'IA pour surveiller en continu le comportement des clients et effectuer des contrôles KYC et AML approfondis. La biométrie comportementale crée des profils clients uniques basés sur la vitesse de saisie des mots de passe et les habitudes de navigation dans les applications mobiles. La reconnaissance faciale permet une authentification et une autorisation faciles et sécurisées. Des organisations comme MasterCard et BNP Paribas utilisent déjà la biométrie pour renforcer la sécurité des titulaires de cartes.

Intelligence artificielle et fusion quantique (AQ)

Les technologies quantiques, c'est l'avenir du développement technologique, avec des investissements industriels jamais vus. Même si les ordinateurs quantiques ne seront pas là avant une dizaine d'années, l'informatique quantique pourrait potentiellement casser les procédures de cryptage asymétrique. Les sociétés financières comme HSBC sont déjà en train d'améliorer la gestion de la cryptographie pour se préparer à l'ère de la cryptographie quantique. Combinés à l'IA, les algorithmes inspirés de la physique quantique peuvent permettre des analyses plus avancées des environnements de marché et des risques liés aux portefeuilles, au-delà des simulations de Monte Carlo. Une meilleure qualité d'apprentissage de l'IA peut vraiment améliorer les capacités de détection des fraudes.