Banques : l’IA peut-elle tenir ses promesses ?

Baisse des taux en Europe, incertitudes géopolitiques ou encore montée du coût du risque de crédit… Les banques de détail européennes sont confrontées à des défis majeurs.

Les banques de détail européennes sont à la recherche de nouveaux leviers d’efficience pour faire face à ces pressions croissantes sur les coûts. Dans ce contexte, l’IA, en particulier générative, offre des opportunités concrètes de gain de temps et de réduction des coûts. Mais concrétiser réellement ces promesses de gains nécessite de relever plusieurs défis.

Choisir (et renoncer parfois). Les cas d’usage de l’IA dans les banques sont innombrables : automatisation des processus de conformité, modèle de fraude, analyse des dossiers de crédit, etc. Le défi ne réside pas dans la multiplication de ces opportunités, mais dans leur sélection. Chaque cas d’usage doit être évalué selon son potentiel de gain. Une feuille de route IA à 2-3 ans, alignée sur la stratégie globale et révisée tous les 6 mois ainsi qu’un dispositif de suivi de la valeur lors de l’exécution sont essentiels pour prioriser et piloter les projets à forte valeur ajoutée.

Transformer pour vraiment gagner. L’IA ne peut se contenter de superposer des solutions aux processus existants. Pour obtenir des ROI significatifs, il convient d’intégrer l’IA en profondeur dans les processus en les remodelant complètement et en redéfinissant les tâches et les rôles. Cette transformation nécessite une approche multi-agents pour orchestrer la réalisation de tâches complètes plutôt que générer une somme de gains diffus.

La mesure et le contrôle deviennent clés. Le nombre de cas d’usage d’IA/GenAI en production dans les banques va exploser. Pour garder sous contrôle les coûts IT, il convient d’autonomiser les équipes pour prendre en charge une partie de la maintenance applicative de ces solutions. L’autonomie croissante des solutions IA, en particulier des agents, exige une gouvernance renforcée pour garantir à la fois confiance et efficacité, reposant sur trois piliers :

• Observation : les services informatiques analysent les interactions afin de détecter les problèmes.
• Évaluation : affiner les modèles grâce aux retours des data scientists.
• Supervision : identifier les problèmes récurrents et y apporter des correctifs.

Ici, la mesure et le contrôle prennent une importance cruciale, dépassant même celle du modèle lui-même.

Impliquer et accompagner. La formation des équipes et l’adaptation de leurs compétences sont enfin essentielles. L’adoption harmonieuse de ces technologies reposera, in fine, sur leur acceptation par le corps social et leur alignement avec les objectifs métiers.

L’IA offre ainsi aux banques un levier puissant pour relever les défis actuels et transformer les contraintes en opportunités. Encore faut-il activer les bons leviers pour conjuguer innovation et efficience.