Derrière les chiffres : Comment l’IA est devenue l’employé le plus rentable de la finance

Dans les médias, la banque et, plus largement, la finance sont souvent présentées comme des personnes en costumes élégants prenant des décisions commerciales depuis les étages supérieurs des gratte-ciel, ou des traders talentueux qui peuvent comprendre l’état du marché à partir de peu de données. Puisqu’il s’agit de l’une des images les plus puissantes de la finance, de nombreuses discussions sur les nouvelles fonctionnalités techniques dans ce domaine se concentrent sur la façon dont elles vont changer ce travail de bureau.

L’IA ne fait pas exception ici, et une grande partie des débats sur son adoption dans la finance portent sur la question de savoir si les agents vont remplacer les traders ou s’ils peuvent allouer le capital de manière plus efficace que les conseillers. Cependant, l’application la plus efficace de l’IA s’est avérée être loin de l’image glamour que beaucoup d’entre eux imaginent. En fait, l’intelligence artificielle génère plus d’argent de ce que l’on peut appeler le “côté ennuyeux” de la finance, les opérations quotidiennes.

Où l’IA crée vraiment de la valeur

Le principal avantage de l’IA est qu’elle peut effectuer des tâches beaucoup moins cher et plusieurs fois plus vite que les humains. Et en le faisant, elle génère littéralement des profits grâce à une efficacité opérationnelle accrue.

Par exemple, avec l’aide d’outils d’IA, Citigroup a réduit le temps de révision des documents avant l’ouverture de compte de plus d’une heure à seulement 15 minutes. Naturellement, une prise de décision plus rapide plaira aux clients et pourrait même les rendre plus loyaux. Mais en même temps, ces 45 minutes se traduisent par des économies de coûts de plusieurs centaines de milliers de dollars pour la banque, car ces outils libèrent des heures et des heures de travail humain pour des tâches plus importantes.

L’IA aide à optimiser la vaste couche de bureaucratie financière et de cadres internes sur lesquels les entreprises s’appuient. C’est pourquoi les cas d’utilisation les plus précieux se révèlent souvent être loin des plus spectaculaires. Les traders autonomes ou un chatbot qui suggère les meilleures offres à un client peuvent sembler impressionnants, mais les procédures de vérification d’identité et les vérifications de diligence raisonnable automatisées sont susceptibles d’apporter une valeur économique bien plus grande à une banque ou à une entreprise financière.

Cela étant dit, tout comme dans le cas du processus de révision de documents de Citigroup, rien n’empêche ces améliorations de profiter également aux clients. Les utilisateurs peuvent apprécier un assistant personnel d’IA dans une application, mais ils apprécieraient encore plus si les décisions de prêt pouvaient être réduites de jours à minutes, ou si leurs transactions n’étaient pas incorrectement signalées comme des fraudes, car de telles probabilités ont été réduites de plusieurs dizaines de points de pourcentage.

Comment l’IA est-elle devenue l’employé le plus rentable ?

Habituellement, lorsque la base de clients d’une banque augmente, son personnel doit augmenter presque proportionnellement. Il était impossible de réviser un nombre croissant de transactions et de documents clients avec la même taille d’équipe. Les différentes solutions technologiques modernes ont aidé à certains égards, mais la croissance de l’entreprise a toujours conduit à une augmentation du nombre de salariés. Et plus une entreprise a d’employés, plus elle a besoin de managers et plus il est coûteux de superviser l’ensemble de la structure.

Maintenant que l’IA est apparue, ce problème commence à disparaître, car moins d’employés peuvent toujours servir efficacement un nombre croissant de clients avec l’aide d’outils d’IA. Certaines entreprises utilisent déjà cette logique : Klarna, par exemple, a affirmé qu’un assistant d’IA peut effectuer le travail de 700 personnes. Quels que soient les coûts de l’application de tels outils, il est peu probable qu’ils approchent les salaires réguliers de plusieurs centaines d’employés.

Cependant, pour que cela fonctionne réellement, une entreprise doit intégrer l’IA correctement dans ses flux de travail, au-delà des expériences. Dans la finance, de nombreux projets restent encore à l’étape pilote, ce qui ne peut évidemment pas générer beaucoup de valeur. Alors qu’une entreprise peut débattre de l’adoption de nouveaux instruments ou de la manière de mettre à l’échelle les agents d’IA, ses concurrents ne resteront pas inactifs, en construisant leurs propres capacités d’IA.

Se laisser distancer dans cette course conduirait à des pertes financières importantes. Pour être précis, les entreprises qui ne parviennent pas à déplacer leurs opérations sur les rails de l’IA pourraient perdre jusqu’à 9 % de leurs bénéfices. Rattraper un tel retard plus tard ne serait pas facile et exigerait que les entreprises financières construisent une solide stratégie d’IA.

Comment gouverner les décisions d’IA

Voici le plus grand défi, car intégrer des agents d’IA dans les opérations financières signifie inévitablement déléguer une partie de l’autorité de décision à ces agents. Dans la finance, où l’IA est devenue une sorte de source inépuisable d'”employés juniors” en optimisant les opérations de base, cela pose un risque important. La chose est, les erreurs dans ce type de travail sont souvent les plus coûteuses.

En général, les régulateurs empêchent les organisations financières de prendre des risques et établissent des règles pour minimiser les dommages potentiels. Cependant, lorsqu’il s’agit de l’IA, l’industrie évolue beaucoup plus vite que la supervision, puisque seulement un quart des autorités collectent des données sur l’utilisation de l’IA auprès des entités réglementées. Ce n’est clairement pas suffisant pour suivre le nombre croissant d’entreprises qui ajoutent des agents à leurs opérations.

En conséquence, les entreprises financières doivent trouver des moyens de réguler elles-mêmes les instruments alimentés par l’IA. C’est compréhensible, étant donné que toute erreur ici peut conduire à des pertes de plusieurs millions de dollars. Par exemple, dans les banques modernes, les agents sont donnés des autorisations limitées, tout comme les employés réels. Si l’IA travaille avec des documents clients, il est clair qu’elle n’a pas besoin du droit de modifier la notation de risque d’un client. L’agent est assigné un rôle opérationnel strict et n’est pas autorisé à le dépasser.

Un autre mécanisme possible et certainement nécessaire est de conserver des dossiers détaillés de toutes les actions de l’IA, de sorte que si une erreur se produit, chaque étape que l’agent a prise peut être retracée. Dans des domaines tels que la vérification d’identité et la détection de la fraude, des questions sur un client peuvent surgir des mois plus tard, les banques ont donc absolument besoin de conserver un dossier complet de la logique de l’assistant d’IA.

Le comportement de l’IA peut également être testé dans un bac à sable. La Banque d’Angleterre, par exemple, a commencé à simuler des sessions de trading d’IA pour comprendre comment les agents interagiraient les uns avec les autres et avec le marché réel. De tels tests aident à identifier exactement où un agent fait des erreurs et à résoudre le problème avant qu’il ne soit mis en ligne.

En fin de compte, il vaut la peine de rappeler qu’une décision d’IA doit être confirmée par un humain, qui en reste responsable. En cas de pertes, personne n’acceptera la réponse “parce que le modèle a décidé”, et un manager senior doit toujours approuver les actions de l’IA et en assumer la responsabilité.

De “Banques contre Fintech” à “Rapide contre Lent”

La régulation de l’IA façonne également la concurrence sur le marché financier. Les clients peuvent être satisfaits lorsque leur document est traité 30 minutes plus vite, mais ils ne seront certainement pas heureux si un robot d’IA endommage leur historique de crédit ou leur coûte de l’argent. Pour éviter de tels problèmes, ils sont plus susceptibles de faire confiance à des entreprises qui expliquent leur stratégie d’IA de manière transparente et honnête. Et qui, bien sûr, ont moins de problèmes pour la gérer.

Les entreprises de fintech ont un avantage évident ici, simplement parce qu’elles ne sont pas alourdies par le fardeau des systèmes hérités. Les fintech modernes peuvent construire leurs services autour de l’IA dès le départ et automatiser tous les processus immédiatement. Construire quelque chose de nouveau peut être beaucoup plus facile que d’essayer d’intégrer des agents d’IA dans des organisations qui s’appuient encore sur des machines à écrire et des systèmes COBOL vieillissants. Il n’est pas étonnant que près de la moitié des entreprises de fintech aient déjà atteint un stade avancé d’adoption de l’IA, par rapport à moins d’un tiers parmi les institutions financières traditionnelles.

Les banques ne sont pas condamnées à disparaître. Après tout, elles ont survécu à la Grande Dépression, aux années 1970, à la Grande Récession, et plus. Elles savent s’adapter aux changements. En raison de leur héritage, elles ont accumulé d’énormes quantités de données client, de capital et de réputation. Cependant, pour utiliser de manière significative ces avantages, elles devraient intégrer pleinement l’IA dans leurs processus, car simplement l’ajouter à un produit secondaire ne servirait pas à grand-chose.