Du «laboratoire» à l’«usine»: comment déployer efficacement les solutions d’IA dans le secteur bancaire? 

L’introduction et l’utilisation de l’intelligence artificielle dans les banques représentent un changement de paradigme majeur en termes de technologie et d’organisation. Dans la compliance et le KYC (Know Your Customer / Connaissance du client), l’IA contribue à accélérer les processus et à en augmenter l’efficience, à améliorer la qualité du reporting en s’appuyant sur la reconnaissance de données importantes pour la prise de décision et les processus, mais aussi à trouver des schémas dans ces données. Cependant, le principe de la surveillance humaine (human oversight) concernant les solutions d’IA et leurs résultats, de même qu’un contrôle des résultats inopiné par les collaborateurs au sens d’une IA responsable (responsible AI) sont incontournables.

Maîtriser la transformation et les enjeux

Outre les enjeux liés aux clients, aux données ( et leur protection), à la technologie, aux compétences du personnel et à la réglementation, le passage à l’échelle de l’IA dans les processus d’affaires, les produits et les prestations de services représente une variable difficile à estimer et à contrôler. Cette variable peut jouer un rôle déterminant dans le succès du projet et de sa mise en œuvre. On observe d’une part une grande incertitude quant à la faisabilité et à l’approche correcte de la solution IA concernée. D’autre part, des impasses en termes de ressources et d’aptitudes constituent une barrière à la mise en place concrète. De surcroît, les banques rencontrent des problèmes liés à l’évolution permanente des souhaits et exigences des clients, aux silos de données internes, auxquels s’ajoutent fréquemment des lacunes en termes de qualité et de disponibilité des données, ainsi que des systèmes de données et d’analyse obsolètes.

La gouvernance pour les données et l’AI, facteur de succès

Dans ce contexte, le guide sur la gestion des données dans les activités bancaires courantes de l’Association suisse des banquiers (ASB) illustre les défis juridiques et réglementaires à prendre en compte dans le cadre des solutions IA. Ainsi, des risques supplémentaires guettent au stade de la conception de projets d’IA et surtout en ce qui concerne les données utilisées: préjugés (biais), résultats incontrôlables/inexplicables (black box), fragilité face aux nouvelles données et aux nouveaux risques dans le domaine de la cybersécurité. Autant de risques qu’il faut identifier, évaluer et examiner, mais aussi ancrer dans l’organisation dans le cadre d’une gouvernance des données systématiquement coordonnée et d’une gouvernance IA avant de déployer les solutions d’IA à grande échelle dans la banque. Comme toujours, un équilibre entre l’innovation et la propension au risque est de mise lorsqu’il s’agit de recourir à ces technologies.

Les banques peuvent relever ces défis en tirant le meilleur parti de leurs connaissances et aptitudes (levier des actifs) en ce qui concerne l’identification des préférences du client, la valeur ajoutée des données (en interne et dans les écosystèmes), une architecture des données moderne (architecture de référence) et les modèles de collaboration. A cet égard, de bons modèles de gouvernance garantissent une qualité élevée, une force juridique et une intégration organisationnelle tout en contribuant à une approche réussie des défis cités ci-dessus.

Du laboratoire à l’usine: commencer petit et déployer rapidement

Les incertitudes liées à la faisabilité et à l’approche des solutions d’IA prévues peuvent être minimisées par l’instauration de Laboratoires IA (Labos IA). Grâce à la recherche ou à des projets expérimentaux, les Labos IA constituent un environnement sûr et ciblé pour traiter des cas concrets choisis et priorisés qui sont nouveaux et innovants pour le secteur ou pour un établissement, et pour créer de premiers prototypes. Les Labos IA ont pour but de mener une recherche empirique et pluridisciplinaire propre aux différents cas pour réduire le nombre d’éléments inconnus en rapport avec les nouveaux projets et technologies.

De plus, les Labos IA offrent la possibilité d’examiner de plus près le potentiel de scalabilité et d’industrialisation des cas d’application et des technologies appropriées, fournissant ainsi une assurance de qualité initiale en vue de la production de masse. L’industrialisation des cas d’application testés en laboratoire et leur scalabilité dans la réalité quotidienne d’une banque nécessitent de savoir mettre à l’échelle les ressources limitées et d’intervenir avec agilité. C’est le seul moyen de réaliser des gains d’efficience. Un modèle de collaboration agile et malléable permet de réaliser des solutions d’IA de façon plus globale et plus naturelle. Ici, un modèle de collaboration agile et évolutif fait appel à des Feature-Teams interdisciplinaires («DevOps») avec un concept de livraison local ou mondial pour, d’une part, transformer l’activité existante et, de l’autre, continuellement peaufiner les solutions d’IA en veillant à leur stabilité.

Trois éléments importants pour un déploiement réussi de l’AI

L’intelligence artificielle entraînera un changement durable de notre société, de notre économie mais aussi de nos banques. Les banques sont aptes et disposées à exploiter le potentiel considérable de l’IA, notamment en termes d’efficience et de rapidité, afin de pouvoir offrir des processus accélérés ainsi que des produits et services mieux adaptés aux besoins de la clientèle. En même temps, le recours à l’AI pose aux banques des défis technologiques, organisationnels et réglementaires. Face à ces défis, les banques devraient combiner une bonne gouvernance, de nouvelles méthodes et de nouveaux modèles de collaboration afin de réussir la mise en œuvre de l’IA, aujourd’hui comme demain.