
L’IA dans les services financiers : transformer des données fiables en décisions à grande échelle
Découvrez comment l'IA dans les services financiers transforme la recherche, le reporting et les parcours clients, et pourquoi des données unifiées, un contexte métier partagé, la traçabilité et les contrôles d'accès forment la base de systèmes fiables.

Les services financiers ont été parmi les premiers secteurs à adopter le machine learning (ML), de la détection de la fraude et du trading algorithmique au risque de crédit et à l’optimisation de portefeuille. L’IA générative et l’IA agentique ont étendu ces capacités à de nouveaux domaines, notamment le service client, la recherche, le reporting réglementaire et le développement logiciel.
Cette expansion produit déjà des retombées mesurables. Selon une étude Omdia commandée par Snowflake, 68 % des répondants du secteur financier ont quantifié des retours positifs de l'IA générative, et 92 % affirment entraîner, affiner ou enrichir de grands modèles de langage (LLM) avec des données propriétaires. En France, une étude de l'Autorité des marchés financiers (AMF) publiée en février 2026 indique que 90 % des acteurs des marchés financiers utilisent déjà l'IA ou prévoient de le faire à court terme. L'accès à un modèle de fondation performant se généralise. L'avantage vient désormais de l'ancrage de ce modèle dans les données, le contexte métier et l'expertise de l'organisation.
Ce changement impose de nouvelles exigences aux données, aux contrôles et aux processus qui permettent de faire évoluer l’IA. Les modèles ont besoin d'informations à jour et fiables, tandis que les systèmes qui les entourent doivent conserver la traçabilité, appliquer les contrôles d'accès et permettre l'examen des décisions par les régulateurs, les auditeurs, les collaborateurs ou les clients. Dans les services financiers, la capacité à déployer l'IA est étroitement liée à la capacité à gouverner les données et les workflows dont elle dépend.
Découvrez comment John Young, VP of Data chez Purpose Financial, revient sur la transformation de l’approche de l’entreprise en matière de détection de la fraude, d’automatisation et de self-service, ce qui a stimulé la croissance et amélioré l’efficacité opérationnelle :

Cas d'usage à fort impact dans les services financiers
L'IA soutient des décisions et des workflows financiers qui impliquent de grands volumes de données, une analyse rapide ou l'application cohérente de critères complexes. Le ML reste central pour la prédiction, la classification et le scoring. L'IA générative aide à travailler avec des documents et des informations non structurées, et les agents d'IA peuvent utiliser des modèles, des données et des outils pour exécuter des séquences de travail définies.
Détection de la fraude et lutte contre le blanchiment d’argent
La détection de la fraude reste l’une des applications les plus établies du ML dans les services financiers. Les modèles évaluent des signaux liés aux transactions, aux comptes, aux appareils, aux localisations et aux comportements passés, à la recherche de combinaisons révélant un risque élevé. Contrairement aux règles statiques, qui détectent les activités répondant à des conditions prédéfinies, le ML peut identifier des schémas moins évidents et ajuster les scores de risque à mesure que de nouvelles informations arrivent.
Les règles jouent toutefois toujours un rôle important. Elles couvrent les schémas connus, les seuils réglementaires et les politiques internes, tandis que les modèles ajoutent une analyse probabiliste et aident à prioriser les activités les plus susceptibles de justifier une intervention. Dans les programmes de lutte contre le blanchiment de capitaux et le financement du terrorisme (LCB-FT), l'IA peut aussi révéler des relations entre comptes et entités, classer les alertes et assister les enquêteurs face à des volumes importants de transactions. Une enquête conjointe de la Banque d’Angleterre et de la Financial Conduct Authority a identifié la LCB-FT et la prévention de la fraude parmi les domaines qui tirent aujourd'hui le plus de bénéfices de l'IA.
La contrainte opérationnelle est la vitesse. Un score de fraude doit parfois être rendu avant l'autorisation d'un paiement, ce qui laisse peu de place à des données en retard ou à une revue prolongée. Le système doit également consigner les résultats des enquêtes afin que les équipes puissent déterminer si la performance du modèle est conforme aux attentes, si elle se dégrade ou si elle répond à des schémas que les criminels ont abandonnés.

VALID Systems
VALID Systems utilise Snowflake ML et Snowpark Container Services pour soutenir ses décisions de détection de fraude en temps réel et de disponibilité des fonds pour les établissements financiers. En reconstruisant sa couche d'inférence dans Snowflake, VALID conserve les variables, les données d'entraînement, les modèles et l'inférence dans un même environnement gouverné, produit des décisions de risque en moins de 100 millisecondes sur les dépôts en direct et automatise les contrôles de conformité à chaque mise à jour de modèle. Résultats : 15 à 17 % de pertes de fraude potentielles détectées en plus, une baisse de 7 à 10 % du taux de perte sur les décisions de disponibilité des fonds, et une refonte complète de la plateforme ML en environ trois mois.
Décision de crédit et évaluation des risques
L’IA peut élargir l’analyse utilisée dans les décisions de crédit : elle aide les prêteurs à évaluer la capacité de remboursement, le risque de défaut et les conditions adaptées à chaque demandeur. Les modèles peuvent s'appuyer sur les informations de crédit classiques, ainsi que sur d'autres données légalement admissibles, et faire apparaître des relations que des scores simples ne détectent pas.
Au-delà de la souscription individuelle, le ML peut aider les établissements à suivre leurs portefeuilles et à repérer les signes précoces d'une dégradation des conditions de crédit. D'autres modèles soutiennent l'analyse des risques de marché, de liquidité et opérationnels, même si chacun repose sur des données, des horizons temporels et des définitions d'un résultat défavorable différents. Considérer l’« évaluation des risques » comme un problème technique unique peut masquer ces différences.
La décision de crédit illustre aussi la façon dont des données historiques peuvent reconduire des décisions passées dans un nouveau système. Une revue de la littérature de la FCA a révélé que les décisions passées, l’exclusion historique et les problèmes d’échantillonnage constituent des sources potentielles majeures de biais dans le ML supervisé. Le biais peut également s’introduire via la sélection des variables, les choix de modélisation et la façon dont les personnes interprètent les prédictions ou agissent en fonction de celles-ci. C'est pourquoi l'atténuation technique doit être associée à une analyse contextuelle et à une revue humaine.
Dans l'Union européenne, le règlement sur l'intelligence artificielle (EU AI Act) classe les systèmes d'évaluation de la solvabilité et de notation de crédit des personnes physiques parmi les systèmes d'IA à haut risque, soumis à des exigences de gestion des risques, de qualité des données, de documentation et de contrôle humain.
Lorsqu'une décision de crédit repose exclusivement sur un traitement automatisé, l'article 22 du Règlement général sur la protection des données (RGPD) donne à la personne concernée le droit d'obtenir une intervention humaine et de contester la décision.
Les établissements doivent pouvoir identifier les informations qui ont influencé une décision, vérifier si la performance varie selon les groupes concernés, et observer le comportement du modèle lorsque les conditions économiques changent. Ces exigences affectent le développement, la validation et le suivi des modèles, ainsi que la manière de communiquer et de réexaminer une décision défavorable.
PIÈGE COURANT
Une erreur courante consiste à remplacer entièrement les règles par le machine learning. Les règles restent utiles pour les schémas connus, les seuils réglementaires et les politiques internes, tandis que les modèles aident à faire émerger des schémas moins évidents.
Trading algorithmique et analyse d'investissement
Le trading algorithmique dépend fortement de la latence et de la synchronisation des marchés. Les systèmes de trading utilisent des modèles quantitatifs pour détecter des signaux, gérer l’exécution des ordres ou réagir aux conditions de marché. Leur efficacité dépend de prix actualisés, de positions exactes et d’horodatages homogènes ; un retard ou une incohérence des données peut donc modifier le résultat. L’analytique des investissements s’inscrit généralement dans des horizons temporels plus longs : elle aide les professionnels à évaluer les titres, les portefeuilles, les tendances de marché et les scénarios économiques.
La recherche d'investissement exige des sources traçables, une sémantique financière rigoureuse et une distinction claire entre les faits récupérés, l'analyse produite par un modèle et le jugement professionnel qui leur est appliqué. L'IA générative peut faciliter cette recherche en rendant plus simple la navigation dans de grands ensembles de documents. Les analystes l'utilisent déjà pour résumer les rapports annuels et les conférences de résultats, comparer des rapports ou interroger des informations en langage naturel. De plus en plus d'organisations intègrent aussi des agents IA pour coordonner plusieurs étapes de recherche, en s'appuyant sur la récupération de données, des modèles analytiques et d'autres outils pour préparer un résultat soumis à revue.
À mesure que ces workflows couvrent davantage de sources et de systèmes, la qualité du résultat dépend de plus en plus de la capacité de l'agent à interpréter l'information dans le bon contexte financier. Comme l’écrivent Jonathan Regenstein et Tony Yiu dans leur analyse de l’IA agentique dans les services financiers, « les agents ne valent que ce que valent les données et le contexte qui leur sont fournis ». Les informations financières combinent des données de marché et de positions structurées, des rapports semi-structurés et des travaux de recherche non structurés. Un système peut récupérer les bons enregistrements et pourtant mal en saisir la portée lorsque les définitions, les relations ou le contexte métier sont incohérents.
Service client et conseil financier personnalisé
L’IA générative permet aux clients et aux collaborateurs d’interagir avec les informations de façon conversationnelle. Les assistants destinés aux clients peuvent répondre aux questions sur les produits, expliquer l'activité d'un compte et guider l'utilisateur dans les démarches courantes. Les assistants internes peuvent récupérer les politiques approuvées, résumer les échanges précédents et aider un conseiller à traiter une demande sans consulter plusieurs systèmes déconnectés.
La personnalisation peut s'appuyer sur les besoins du client, ses produits détenus, ses critères d'éligibilité et ses interactions passées pour recommander une information pertinente ou une étape suivante. Le système doit disposer d'une vision exacte de la relation et des choix de consentement en cours : une recommandation fondée sur un portefeuille incomplet, des règles d'éligibilité obsolètes ou l'activité d'un autre client peut causer des dommages importants.
L'IA agentique étend l'assistance à des tâches de service en plusieurs étapes, comme recueillir des informations, vérifier que les pièces requises sont présentes ou préparer un dossier pour examen par un collaborateur. À chaque action ajoutée, l'identité, les droits et les limites d'approbation deviennent plus importants.
Dans une enquête conjointe, la Banque d'Angleterre et la FCA ont constaté que 55 % des cas d'usage de l'IA déclarés dans les services financiers impliquaient un certain degré de décision automatisée, mais que seuls 2 % reposaient sur des décisions entièrement automatisées. Ces chiffres suggèrent que de nombreux établissements automatisent tout en gardant l'humain dans les cas ambigus ou à fort enjeu.
Prévisions financières, de liquidité et de scénarios
Le ML peut aider les établissements financiers à prévoir les flux de trésorerie, les besoins de liquidité, les pertes de crédit et d'autres évolutions de leur performance ou de leur exposition au risque. Les modèles de ML peuvent mettre à jour les projections à mesure que de nouvelles données arrivent, estimer des plages de résultats possibles et identifier les variables associées à une évolution des anticipations.
Les mêmes techniques servent à la planification et à l'analyse financières (FP&A), même si la prévision d'entreprise n'est qu'une partie de l'enjeu. Les trésoreries doivent modéliser le financement et la liquidité dans différentes conditions, tandis que les équipes risques évaluent la réaction des portefeuilles à la hausse des taux, aux défauts ou à la volatilité des marchés. L'IA générative facilite l'exploration de ces analyses en résumant les écarts, en répondant aux questions sur les hypothèses et en rédigeant les récits de scénarios.
Une prévision précise en apparence peut toutefois masquer des données incohérentes. Les entreprises calculent parfois différemment le chiffre d'affaires, l'exposition ou la valeur client, et leurs systèmes sources se mettent à jour selon des calendriers incompatibles. Les relations historiques peuvent aussi s'affaiblir lorsque les conditions de marché ou le comportement des clients changent.
Une prévision efficace exige donc plus qu'un modèle entraîné sur un grand jeu de données. Les établissements ont besoin de définitions convenues, d'hypothèses explicites et d'un processus de comparaison entre prévisions et résultats réels. Les sorties de scénarios doivent aussi exprimer l'incertitude, plutôt que de réduire une plage de résultats possibles à un chiffre unique qui semble faire autorité.
Reporting réglementaire et conformité
L'IA peut aider les équipes conformité à rechercher dans les textes réglementaires, classer des documents, comparer des versions de politiques et surveiller l'activité susceptible de nécessiter une investigation. Les modèles génératifs peuvent résumer des textes longs ou rédiger une première version de rapport, tandis que le ML soutient la priorisation des alertes LCB-FT et la surveillance des transactions.
La supervision humaine est particulièrement importante lorsqu'un workflow combine récupération, génération et action. Les établissements doivent savoir quelle source étaye une affirmation, quel modèle a produit l'analyse et qui a approuvé le résultat. Toute correction doit être consignée dans le dossier final, et non rester cantonnée à une conversation isolée avec un assistant IA.
Les réglementations sur la résilience opérationnelle ajoutent une autre dimension. DORA, en vigueur dans l’UE depuis janvier 2025, établit des exigences en matière de gestion des risques liés aux TIC, de signalement des incidents, de tests de résilience et de risques technologiques liés aux tiers pour les entités financières concernées. L’IA peut aider les entreprises à analyser les risques et la documentation, mais son infrastructure, ses dépendances et ses scénarios de défaillance font eux-mêmes partie de l’environnement que ces institutions doivent gérer.
ASTUCE
Conservez les sources récupérées, les versions des modèles et des prompts, les modifications et les approbations dans le dossier final, et pas seulement dans l'historique de conversation de l'assistant IA.
Pourquoi l’IA dans les services financiers dépend d’un socle data unifié et d’une gouvernance de l’IA
L’accès aux modèles avancés s’élargit. L'actif le plus difficile à reproduire reste les données propres de l'établissement, avec les définitions, les relations et les contrôles qui les rendent exploitables.
Le lien entre la gouvernance des données et l’avantage concurrentiel lié à l’IA est particulièrement direct dans les services financiers, où les informations propriétaires incluent souvent des données clients sensibles, des transactions, des positions, des politiques internes et des évaluations de risques. Dans l’étude Omdia commandée par Snowflake, 57 % des répondants des services financiers soulignent que la fragmentation des systèmes et les silos de données freinent les initiatives d’IA, tandis que 89 % identifient le data engineering comme un facteur important de réussite des projets d’IA (EN).
Un contexte financier partagé
Une plateforme unifiée peut rassembler des données issues du cœur bancaire, des paiements, des marchés, des systèmes clients et de fournisseurs externes. La simple consolidation physique ne crée toutefois pas une base fiable pour l'IA : les données doivent aussi avoir une identité, une signification et des relations cohérentes.
Par exemple, un même client peut apparaître sous plusieurs identifiants dans les systèmes de dépôt, de crédit et de gestion de patrimoine. Les termes « compte », « exposition » ou « chiffre d'affaires » peuvent désigner des calculs différents selon l'unité métier. Un système d'IA doit disposer d'un contexte sémantique suffisant pour distinguer ces sens et choisir la source correcte pour la question ou le workflow.
Des définitions partagées réduisent aussi le risque que différents modèles agissent sur des versions incompatibles de l'activité. Lorsqu'un agent consulte une politique, interroge une transaction et invoque un modèle de risque, chaque étape du workflow doit interpréter de la même façon les clients, les produits et les mesures financières.
Une fraîcheur adaptée à la décision
Le « temps réel » est souvent présenté comme une exigence universelle, mais la fraîcheur appropriée dépend de la décision. Une autorisation de transaction exige par exemple des informations actuelles et une réponse en moins d'une seconde, tandis qu'un modèle de trading infrajournalier a besoin de données de marché et de positions synchronisées. Un reporting de gestion mensuel peut tolérer un délai plus long, à condition que les utilisateurs sachent quand les données ont été mises à jour et quelle période comptable elles représentent.
Concevoir chaque pipeline pour la latence la plus faible possible ajoute des coûts et de la complexité sans améliorer nécessairement le résultat. Il vaut mieux définir les exigences de fraîcheur au niveau de chaque cas d'usage, vérifier qu'elles sont respectées et empêcher un modèle ou un agent de présenter des données périmées comme actuelles.
Traçabilité et contrôles proportionnés des risques liés aux modèles
Pour les applications à fort enjeu, les établissements financiers doivent parfois reconstituer la façon dont un résultat a été produit. Ce dossier peut comprendre les données sources, les transformations, les versions des modèles et des prompts, les documents récupérés, les politiques, les appels d'outils et les approbations humaines.
Le niveau de contrôle doit refléter la finalité et l’importance du système. Un outil qui résume des travaux de recherche interne n'exige pas la même validation ni la même supervision qu'un modèle de crédit ou un système de trading. Appliquer des contrôles identiques à chaque cas d'usage créerait des frictions inutiles, tandis que des contrôles faibles autour d'un système à fort enjeu créent un risque.
Les cadres de gestion du risque modèle permettent de faire ces distinctions. En France, l'Autorité de contrôle prudentiel et de résolution (ACPR) suit de près l'usage de l'IA par les banques et les assureurs, notamment sur la gouvernance des algorithmes, leur explicabilité et la validation des modèles.
Collaboration contrôlée avec des données externes
L'IA financière repose souvent sur des données qui proviennent de l'extérieur de l'établissement. Les flux de marché, les indicateurs économiques, les données de consortium et les informations de partenaires peuvent améliorer l'analyse de fraude, les modèles de risque ou la recherche en investissement.
L’échange de données traditionnel crée des copies supplémentaires qui doivent être sécurisées, mises à jour et régies. Le partage sécurisé et les data clean rooms offrent une alternative, permettant aux participants de collaborer tout en contrôlant les données et les requêtes auxquelles chaque partie peut accéder. Lorsqu'une analyse requiert des tendances agrégées plutôt que des enregistrements individuels, des techniques de protection de la vie privée comme la confidentialité différentielle (differential privacy) peuvent ajouter une couche de protection.
Les établissements financiers doivent toujours définir des finalités claires, des droits sur les données, des normes de qualité et des contrôles sur ce qui peut être dérivé ou exporté. L'architecture doit faire respecter ces décisions, plutôt que de compter sur chaque application en aval pour les mettre en œuvre séparément.
Comment Snowflake prend en charge l’IA dans la finance et les services financiers
L’AI Data Cloud des services financiers de Snowflake offre aux établissements un environnement pour travailler avec des données financières internes et externes, développer des modèles prédictifs et construire des applications génératives et agentiques.
Pour les applications prédictives, comme la détection de fraude, le risque de crédit et les prévisions financières, Snowflake ML prend en charge le cycle de vie des modèles aux côtés des données d’entreprise gouvernées. Snowflake Feature Store aide les équipes à définir, gérer et réutiliser les variables fournies aux modèles, tandis que Snowflake Model Registry enregistre les versions des modèles, leurs métriques et leurs métadonnées, et contrôle qui peut les gérer ou les exécuter. Ces capacités aident les établissements à maintenir la cohérence entre le développement et la production, sans recréer les variables et les contrôles dans des systèmes séparés.
Snowflake Cortex AI étend le même environnement à l'IA générative et agentique. Cortex Search récupère les informations pertinentes dans les contenus non structurés, tandis que Cortex Analyst permet aux applications de répondre à des questions en langage naturel sur les données structurées. Les Cortex Agents peuvent coordonner la récupération, les modèles et les outils dans des workflows à plusieurs étapes, et les Cortex AI Functions peuvent analyser, classer et extraire des informations de documents tels que des dossiers, des rapports et des formulaires. Snowflake CoWork offre aux utilisateurs métier une interface gouvernée pour interroger les données d’entreprise, recevoir des réponses sourcées et accomplir leur travail au sein des outils connectés.
Snowflake Horizon Catalog applique du contexte et de la gouvernance à l’ensemble de ces ressources data et IA. Les vues sémantiques établissent des définitions alignées sur le métier, tandis que la surveillance de la qualité des données et le lignage au niveau des colonnes aident à remonter une réponse générée par l'IA jusqu'à ses sources. La classification des données sensibles, les politiques de masquage, les contrôles d'accès au niveau des lignes et les garde-fous IA contribuent à délimiter ce que les personnes, les applications et les agents peuvent récupérer ou divulguer. Comme ces contrôles s'exercent au niveau des données et des requêtes, les établissements financiers n'ont pas nécessairement à recréer un cadre de politiques distinct pour chaque interface d'IA.
Les organisations peuvent aussi enrichir leurs systèmes d'IA avec des informations externes. La Marketplace Snowflake et le partage de données sécurisé donnent accès à des données tierces que les organisations peuvent combiner avec leurs informations gouvernées, tandis que les Snowflake Data Clean Rooms permettent à plusieurs parties d'analyser des données combinées selon des contrôles approuvés, sans accès direct aux enregistrements bruts. Cette approche peut soutenir des workflows de recherche, de risque et de fraude qui dépendent de données de partenaires, de consortiums ou de fournisseurs commerciaux, tout en limitant les copies supplémentaires créées par les échanges classiques.
Ensemble, ces capacités relient le ML traditionnel, l'IA générative et les workflows agentiques à une fondation commune de données et de gouvernance. Les équipes peuvent choisir les modèles et les contrôles d'exploitation adaptés à chaque cas d'usage financier, tout en gardant les définitions métier, les politiques d'accès et le lignage connectés à mesure que les applications évoluent.
À RETENIR
Dans les services financiers, une IA évolutive exige davantage que de bonnes performances de modèle. Elle dépend de données fiables, de définitions partagées, de workflows traçables et d'une gouvernance qui suit le système depuis l'analyse jusqu'à l'action.
Foire aux questions
Les réponses des experts Snowflake à vos questions fréquentes sur l’IA dans la finance.
Quelle est la différence entre l’IA générative et l’IA agentique dans la finance ?
L'IA est une catégorie large, qui comprend les systèmes de machine learning qui prédisent, classent ou attribuent un score, comme les modèles de détection de fraude ou de risque de crédit. L'IA générative crée ou transforme du contenu, notamment des synthèses de recherche, des rapports et des réponses conversationnelles. L'IA agentique peut aussi utiliser des outils et des données pour accomplir des workflows définis en plusieurs étapes.
Quels sont les principaux risques de l’IA dans les services financiers ?
Les principaux risques sont des données inexactes ou obsolètes, les biais, la dérive des modèles, une explicabilité insuffisante, un accès inapproprié à des informations sensibles et une confiance excessive dans les contenus générés. Les systèmes agentiques ajoutent des risques supplémentaires : une erreur peut déclencher une action, modifier un enregistrement ou communiquer avec un client, au lieu de rester une simple sortie incorrecte. Les risques applicables varient selon le cas d'usage, la juridiction et le type d'établissement. Les organisations doivent faire appel à des conseillers juridiques qualifiés ainsi qu'à leurs équipes conformité et risques pour évaluer leurs obligations spécifiques.
Quelles données utilisent les systèmes d'IA financière ?
Les systèmes d'IA financière utilisent des données telles que les transactions, l'activité des comptes, l'historique de crédit, les cours de marché, les positions de portefeuille, les interactions avec les clients, les politiques, les dépôts réglementaires et les travaux de recherche. Selon le cas d'usage, ils peuvent combiner des données structurées, semi-structurées et non structurées avec les définitions métier, les droits, le lignage et les indicateurs de fraîcheur nécessaires pour les interpréter correctement.
Comment l'AI Act s'applique-t-il à l'IA dans la finance ?
L'AI Act classe certains usages financiers parmi les systèmes d'IA à haut risque, notamment l'évaluation de la solvabilité et la notation de crédit des personnes physiques. Ces systèmes doivent satisfaire à des exigences de gestion des risques, de qualité et de gouvernance des données, de documentation technique, de traçabilité et de contrôle humain. Les autres usages, comme les assistants de recherche ou la synthèse documentaire, relèvent surtout d'obligations de transparence.
Quels sont les exemples d'IA dans la banque ?
Les banques utilisent l'IA pour détecter la fraude en temps réel, prioriser les alertes LCB-FT, évaluer le risque de crédit, prévoir la liquidité, assister les conseillers et automatiser une partie du reporting réglementaire. L'IA agentique étend ces usages à des workflows en plusieurs étapes, comme la préparation d'un dossier client soumis à validation humaine.
Explorez les ressources sur l’IA
Explorez les sujets liés à l’IA
Une analyse approfondie de chaque aspect de l’intelligence artificielle


