Partout dans le monde, les prestataires de services financiers utilisent de plus en plus massivement l’intelligence artificielle (IA) et le machine learning. Banques, compagnies d’assurances et gestionnaires de fonds ont essayé de nombreuses solutions en bonne intelligence avec leur régulateur respectif. Tous envisagent d’accélérer le déploiement de solutions procurant plus de performance, tout en garantissant une éthique irréprochable.

Dans le secteur bancaire en particulier, une récente étude de McKinsey révèle que les technologies IA pourraient générer jusqu’à 1 000 milliards de dollars de valeur supplémentaire chaque année. Pour les développements futurs, trois approches sont possibles pour les services financiers.

La première cantonne l’utilisation des outils d’IA et de ML à quelques processus spécialisés, comme la détection de la fraude, sans dissémination globale dans l’entreprise. Là, les décisions opérationnelles de base ne bénéficient pas des apports de l’IA et du ML.

La seconde approche privilégie l’amélioration en permanence de la relation client. D’abord en comprenant mieux les clients, puis en discernant ceux qui procurent le plus de profits à l’entreprise afin de mieux les servir. N’oublions pas qu’un conseiller financier capable de proposer le bon produit, au bon moment et au bon prix, crée de la valeur sur le long terme.

Cependant, ces deux approches font fi de la conduite opérationnelle de l’institution. La troisième consiste à englober les deux premières approches, auxquelles nous ajoutons un élément crucial : l’analyse des données opérationnelles par l’IA et le ML. On entre là dans la mise en œuvre d’une véritable colonne vertébrale numérique permettant de : 1) rationaliser les opérations commerciales grâce à l’automatisation ; 2) optimiser l’expérience des employés en les libérant du travail répétitif et à faible valeur ajoutée, et ; 3) améliorer la productivité.

Alors qu’on mentionne de plus en plus l’idée d’une entreprise « pilotée » par les données, ou data-driven, le terme semble souvent obscur. Or, bien utilisées, les données internes et externes permettent d’aider tous les collaborateurs à répondre aux questions opérationnelles de manière éclairée. Exécuter des opérations commerciales et financières sans problème, utiliser l’automatisation pour gérer les tâches répétitives et prévisibles (tri, numérisation, indexation et archivage) et améliorer la précision et la productivité du travail aboutissent à une somme de temps disponible et précieux pour que les collaborateurs s’adonnent à des tâches à valeur ajoutée.

Cependant, les décisions doivent être guidées par les données, et non dictées par elles. D’un point de vue éthique, il s’agit de rendre l’IA et la ML plus intelligibles, d’être transparent sur les données nécessaires à l’entraînement du système, de ne pas oublier le potentiel de biais, et d’établir des rôles et des responsabilités clairs autour de leur utilisation. A noter qu’il reste encore du chemin à faire dans ce domaine. Selon une étude réalisée par Workday, seuls 29 % des chefs d’entreprise interrogés ont déclaré qu’ils étaient actuellement très confiants dans l’application éthique de l’IA et de la ML dans leur entreprise.

Ce besoin pressant de transparence suggère que la bonne structuration des données est la réponse quasiment universelle. Enfin, l’éthique de l’IA et du ML oblige de garder en permanence un œil sur les réglementations et législations émergentes à l’échelle mondiale.