Hautement dépendant des données, le secteur des services financiers a toujours fait partie des premiers à adopter les technologies d’IA. Dans une récente étude du secteur, 46 % des participants ont affirmé que l’IA avait amélioré l’expérience client, 35 % ont indiqué qu’elle avait permis des gains d’efficacité opérationnelle, et 20 % ont répondu qu’elle avait réduit le coût total de possession. Aujourd’hui, l’IA générative a gagné en importance et les entreprises ont commencé à investir massivement dans cette technologie. Ainsi, IDC estime que les dépenses globales consacrées à l’IA générative devraient passer de 16 milliards USD en 2023 à 143 milliards USD en 2027, avec un taux de croissance annuel composé (TCAC) de 73,8 %. Le secteur des services financiers devrait être parmi les premiers à l’adopter, avec un investissement attendu de 24,6 milliards USD en 2027, soit 17,2 % du marché total de l’IA générative.

Si les possibilités de l’IA générative et des grands modèles de langage (LLM) sont infinies, la mise en œuvre de l’IA pour générer du contenu original soulève toutefois plusieurs défis et risques en matière de données dont les responsables financiers doivent avoir conscience. L’accès à des données provenant de sources de haute qualité, des contrôles de gouvernance stricts et une sécurité renforcée sont indispensables. Selon IDC, « à terme, l’IA générative sera largement adoptée, à condition que les clients et les utilisateurs finaux puissent avoir confiance dans les données, les modèles et les applications qui l’utilisent ».

Voici comment une stratégie data solide peut aider votre entreprise de services financiers à surmonter les obstacles, afin d’obtenir un avantage concurrentiel grâce à l’IA générative.

Tout d’abord, parlons des cas d’usage actuels de l’IA générative. Pour l’instant, le secteur investit principalement dans trois domaines : 

• Expérience client : l’IA générative peut aider les entreprises de services financiers à se démarquer en proposant des expériences clients plus efficaces, dans un secteur réputé pour ses procédures lentes et chronophages. Par exemple, des institutions peuvent utiliser des chatbots et des robots‑conseillers pour répondre à des questions ciblées en matière d’investissements et fournir des conseils financiers basés sur des données comportementales en quelques secondes. Les agents d’assurance peuvent aussi utiliser des LLM pour analyser des données administratives et accélérer le traitement des déclarations de sinistres. 

• Publication d’informations en matière de risques et de conformité : la conformité réglementaire représente une tâche opérationnelle de plus en plus complexe. Selon Thomson Reuters, 73 % des équipes en charge des risques et de la conformité prévoient une augmentation de la quantité d’informations réglementaires publiées par les organismes de réglementation et les bourses de valeurs au cours de l’année à venir. L’IA générative peut accélérer le processus consistant à résumer, synthétiser et mettre en œuvre ces nouvelles réglementations. En outre, l’utilisation de données synthétisées par l’IA peut accélérer la réalisation de tests de résistance, ainsi que l’évaluation et la prédiction des risques d’exposition, notamment en lien avec les taux d’intérêt fluctuants et les défauts potentiels.

• Données relatives au marché et gestion de portefeuilles : l’IA générative peut aider à déduire l’état d’esprit du marché et les tendances financières, en analysant des données non structurées telles que des déclarations, des rapports et des articles de presse. Cette capacité permet aux banques et aux gestionnaires d’actifs de se préparer face aux changements inattendus sur le marché, afin de réévaluer et de modifier rapidement leurs stratégies. Des simulations algorithmiques améliorées, alimentées par des données prévisionnelles étendues, peuvent fournir des recommandations plus précises et plus fiables, basées sur des modèles de risques. L’IA générative est également capable de synthétiser des données financières pour aider les investisseurs à développer des stratégies de trading plus flexibles.

Les données qui servent à entraîner des modèles d’IA générative, ainsi que les technologies et l’infrastructure qui la soutiennent, sont essentielles au succès de ces cas d’usage. Les responsables financiers qui intègrent des modèles d’IA générative dans leurs feuilles de route dédiées aux analyses et à l’IA doivent garder à l’esprit les problèmes associés à la collecte, au stockage et au traitement des données qui alimentent ces modèles. 

• Qualité des données et accès : l’IA générative exige un accès facile et rapide à des données internes de l’entreprise, des données secondaires directes de partenaires et des données tierces de fournisseurs de données. Cependant, une part significative de ces données est non structurée, ce qui soulève des défis en termes de recherche, de catalogage et d’analyse. Si l’on considère que, d’après les estimations, environ 90 % de toutes les données sont non structurées, les entreprises qui seront capables d’exploiter cette nouvelle source d’informations distanceront leurs concurrents.

• Sécurité et gouvernance des données : une gouvernance minutieuse de l’entraînement des modèles est indispensable pour réduire les risques d’exposition de données sensibles, telles que des informations personnelles, des secrets commerciaux ou la propriété intellectuelle d’une entreprise. Il est important de noter que les droits de propriété intellectuelle sur du contenu généré par IA feront continuellement l’objet de discussions juridiques, réglementaires et politiques. Par conséquent, les entreprises de services financiers doivent construire un framework de gouvernance adaptatif pour l’IA générative, permettant de garantir la qualité, la fiabilité et la sécurité des données et des modèles utilisés, tout en préservant la confidentialité des données.

• Ressources de calcul : la clé du succès de la mise en œuvre de l’IA générative implique de sélectionner le modèle de langage adapté, entraîné et peaufiné sur des données spécifiques aux domaines et aux cas d’usage voulus. Cette approche suppose d’entraîner des modèles comptant des milliards de paramètres, ce qui nécessite un stockage évolutif, de la mémoire et une puissance de calcul importante. Une plateforme technologique capable d’offrir des performances élevées en termes de capacité et de flexibilité revêt donc une importance stratégique. Néanmoins, il est difficile de disposer de la puissance de traitement et de l’espace de stockage nécessaires pour gérer d’énormes quantités de données structurées et non structurées, car l’acquisition et la gestion de ces ressources s’avèrent souvent onéreuses. De plus, le recrutement de professionnels de l’IA, tels que des data scientists, des data engineers ou encore des responsables de produits d’IA, reste encore mission impossible ou presque.

• Conformité réglementaire : le code généré par IA générative doit respecter les normes du secteur ainsi que la législation, en particulier s’il exploite des données d’entreprise. La SEC a récemment proposé l’instauration de nouvelles règles concernant l’IA pour les courtiers et les conseillers en investissements, afin de contrer les biais et conflits d’intérêts potentiels liés à l’utilisation de l’IA générative. Enfin, les entreprises actives au sein de l’Union européenne devront se conformer à la Loi sur l’IA de l’UE, qui entrera en vigueur en 2024 et pourrait avoir un impact sur certains cas d’usage de l’IA impliquant les consommateurs. Outre la formation et la sensibilisation aux questions éthiques liées à l’IA dans l’ensemble de l’entreprise, il est important d’avoir une plateforme sécurisée et gouvernée qui protège la confidentialité des données tout en se conformant aux lois et réglementations applicables. 

Pour exploiter l’IA générative sans tomber dans ces écueils, les entreprises de services financiers ont besoin d’une stratégie data claire et complète, couvrant trois objectifs clés : 

• L’élimination des obstacles autour des données : la démocratisation des modèles de données permet aux leaders de la finance de consulter et d’analyser des données sans faire appel à des data scientists, ce qui représente une opportunité révolutionnaire. Pour pouvoir la saisir, il est nécessaire d’abattre les silos de données au sein de l’entreprise, mais aussi avec les partenaires et les entités externes. Il faut également permettre un accès direct à des données brutes et sélectionnées dans des formats ouverts ou provenant de tiers. Or, pour les entreprises de services financiers qui ont recours à d’anciennes solutions on‑premise, la collecte, l’unification et le partage de données ne seront pas des tâches aisées.

• Une infrastructure de données moderne : l’IA générative nécessite la convergence d’énormes quantités de données entre différents systèmes et clouds, ainsi que le provisionnement transparent d’importantes ressources de calcul et capacités de stockage. Une plateforme data moderne peut fournir la puissance nécessaire pour gérer ces tâches. Elle peut également offrir l’infrastructure de LLM gérée indispensable pour allouer des ressources de manière dynamique, ainsi que pour exécuter, paramétrer et construire des LLM avec des modèles open source et tiers. Il devient ainsi possible de construire et d’exploiter efficacement les modèles et de les faire évoluer au fur et à mesure de l’augmentation du volume de données. Une plateforme moderne peut également fournir des composantes intégrées pour l’IA/le ML, afin de mettre l’IA générative et le ML à la disposition de tous les membres de l’entreprise, et pas seulement des experts de l’IA.

• Une gouvernance et une sécurité solides : les entreprises de services financiers ont besoin d’un environnement unifié, gouverné et sécurisé, qui prend en charge le développement de l’IA de bout en bout. En 2022, chaque violation de données a coûté en moyenne près de 6 millions USD aux entreprises de services financiers. La mise en œuvre de l’IA générative sans mesures de sécurité robustes pourrait exposer les entreprises à des risques de sécurité accrus. Sans contrôles de gouvernance appropriés, les entreprises s’exposent à des risques de violation de la confidentialité, de non‑conformité aux réglementations et d’atteinte à la réputation. Des contrôles de gouvernance stricts sont également nécessaires pour s’assurer que les décisions prises par des systèmes d’IA générative sont éthiques, justes et en accord avec les valeurs et les exigences réglementaires de l’entreprise. 

En conclusion, l’IA générative apporte aux entreprises de services financiers une multitude d’avantages concurrentiels. Pour ne pas manquer le tournant que celle‑ci représente en termes d’opportunités, les entreprises doivent comprendre les défis liés aux données et adopter une stratégie data complète dans toute l’organisation. 
Pour découvrir comment Snowflake peut aider votre entreprise de services financiers à exploiter l’IA générative pour améliorer ses résultats commerciaux, consultez notre section dédiée au Data Cloud des services financiers de Snowflake. Pour obtenir plus de conseils sur la planification et l’exécution d’une stratégie d’IA d’entreprise, téléchargez notre livre blanc Introduction de l’IA générative dans les entreprises de services financiers.