Rapport Mastercard Signals - L'IA Générative : la transformation du secteur bancaire
L'IA générative émerge comme une force transformatrice dans le secteur bancaire. Le dernier rapport de Mastercard explore le vaste potentiel de cette technologie pour améliorer les opérations bancaires. L’IA générative promet de simplifier le traitement des données, de renforcer les compétences du personnel, et de proposer des expériences et services plus personnalisés aux clients.
Cependant, le rapport met en lumière des défis tels que les inquiétudes liées à la confidentialité des données, les biais et la désinformation, qui freinent la route vers une future utilisation de l'IA dans le secteur bancaire. Face à ces obstacles, les utilisateurs précoces qui déploient l'IA générative la mettent d'abord en œuvre de manière prudente pour des fonctions internes comme le développement de logiciels et la recherche documentaire. L'adoption plus large de cette technologie va dépendre de la capacité de l'industrie à garantir des résultats précis, à mettre en place des mesures de protection et des normes éthiques, et à se conformer à la réglementation.
Perspectives
Les banques vont évoluer progressivement, des expérimentations actuelles en intelligence artificielle générative vers un déploiement complet. À court terme, les applications internes à faible risque d'aujourd'hui laisseront place à celles destinées aux consommateurs, mais avec des ambitions relativement limitées. À plus long terme, des solutions plus profondément transformatives devraient émerger.
Cas d'usage émergents
Les cas d'usage possibles de l'IA générative dans le secteur bancaire au cours des cinq à sept prochaines années sont les suivants :
- Gestion des connaissances et perspectives — Les professionnels de la banque ayant des solutions d'IA générative à leur disposition constateront que la recherche d'informations autrefois chronophage pourra désormais être effectuée en quelques minutes. Lorsqu'ils auront besoin de vérifier des réglementations complexes, le recours à l'IA générative leur donnera accès à des résumés pertinents au lieu de simples citations ou liens vers des textes de loi ou autres documents bruts.
- Technologies de l’information — L'IA générative pourrait aider dans plusieurs domaines, allant de la rédaction de cahiers des charges de projets au débogage de code, en passant par la création de données synthétiques pour tester les systèmes de détection de fraude et de risque de nouvelles solutions. Au quotidien, les développeurs pourraient bénéficier de conseils étape par étape dans leur activité en ayant recours à l'IA générative.
- Cybersécurité et prévention de la fraude — Les grands modèles linguistiques, ou LLM, pourraient être particulièrement adaptés aux tâches liées à la cybersécurité. Ces LLM pourraient réagir aux menaces et synthétiser des données complexes en directives claires à suivre. Les capacités de reconnaissance des modèles de l'IA générative pourraient potentiellement améliorer les capacités de surveillance des versions antérieures d'IA.
- Gestion des talents — Les solutions d'IA générative, capables de traiter des données non structurées, pourraient repérer et présenter aux responsables des ressources humaines des candidats qui, bien que n'ayant pas de parcours professionnel traditionnel dans la banque, présentent un fort potentiel.
- Intégration des clients — L'IA générative pourrait améliorer la gestion de la conformité, et des documents, relative à la connaissance du client. En analysant rapidement les informations sur les clients, elle pourrait identifier les risques et automatiser les formalités administratives, accélérant ainsi le retour sur investissement.
- Banque conversationnelle — L'IA générative promet des chatbots, ou agents conversationnels, capables de répondre aux demandes des clients de manière contextuellement appropriée. L'image du client bancaire tentant de contourner un système de chat afin de contacter un opérateur humain pourrait devenir obsolète.
- Conseil en gestion de patrimoine — Les solutions d'IA générative qui synthétisent les données pourraient offrir des conseils dépourvus d'émotions ou de vœux pieux. Les conseillers financiers et leurs clients pourraient utiliser des simulations alimentées par l'IA pour approfondir leur compréhension des stratégies d'investissement complexes.
- Octroi de crédit — L'IA générative pourrait réduire les délais de traitement des prêts et les coûts associés en proposant aux demandeurs un accompagnement conversationnel étape par étape. Des procédures de prêt simplifiées pourraient inciter davantage d'entreprises et de particuliers à postuler, augmentant ainsi le nombre de bénéficiaires.
- Programmes de fidélité — L'IA générative pourrait doter les responsables de programmes de fidélité d’un outil pour communiquer en temps réel avec les participants et mieux cerner leurs souhaits, assurant ainsi une meilleure adéquation entre les personnes et les récompenses. Ses capacités conversationnelles pourraient également guider les utilisateurs dans des programmes de fidélité parfois complexes.
- Marketing et communication — Outre l'utilisation de l'IA générative pour des tests dynamiques et la création de mails et de publications sur les réseaux sociaux, les responsables marketing pourraient acquérir une meilleure compréhension des réactions des consommateurs en associant ses capacités de génération de contenu aux outils d'analyse de sentiment et d'écoute sociale.
Les défis à relever
L'IA générative présente également des défis spécifiques auxquels les banques doivent faire face :
- Confidentialité des données — Pour préserver la confidentialité, les banques pourraient recourir à des modèles d'IA générative à la fois issus de sources fermées et ouvertes. Elles devraient mettre en place des méthodes de sécurisation allant des pares-feux de données aux protocoles d'ingénierie de requêtes, et utiliser la tokenisation des données. Dans l'idéal, elles pourraient même créer leurs propres LLM à partir de zéro.
- Inexactitudes — L'IA générative peut parfois générer des « hallucinations » et autres inexactitudes. Dans un secteur financier qui doit s'appuyer sur des informations fiables, plusieurs mesures d'atténuation sont nécessaires, notamment des requêtes précises, un ajustement ciblé des modèles, une protection contre les attaques adverses, et surtout, une surveillance humaine constante.
- Intégrité des données — Il est crucial pour les banques de garantir l'exactitude, la crédibilité et l'absence d'erreurs ou de biais dans les données. Les résultats issus des algorithmes doivent être totalement traçables, explicables et dignes de confiance. Les pratiques classiques de gouvernance des données, le réglage fin des LLM, la consultation humaine et une surveillance continue peuvent aider les banques à atteindre ces objectifs.
- Disponibilité des données — Les barrières technologiques au sein des banques peuvent entraver l'accès aux données, bloquées dans des systèmes et des environnements de stockage inaccessibles. Mais les banques peuvent envisager le recours à des réseaux d’API étendus et à une infrastructure de plug-in en constante évolution, facilitant tous deux les flux de données.
Les incertitudes réglementaires
Les gouvernements tentent de rattraper leur retard en matière de réglementation de l'IA générative. Actuellement, cela se traduit par une mosaïque mondiale d'approches réglementaires qui reflètent les priorités et les stratégies des pays concernés.
Les juridictions réglementaires suivantes sont parmi les plus pertinentes :
- États-Unis — L'ordonnance exécutive du 30 octobre 2023 du président Biden représente la mesure la plus ferme du gouvernement américain en matière de régulation de l'IA.
- Union européenne — L'Union européenne a mis en place l'IA Act fondé sur les risques, visant à équilibrer les avantages de l'IA avec la protection de l'intérêt public.
- Royaume-Uni — La réglementation souple du Royaume-Uni vise à promouvoir l'innovation en proposant des orientations dans des situations spécifiques à chaque secteur.
- Inde — L'Inde adopte une approche encore plus libérale en matière de régulation de l'IA que le Royaume-Uni, visant la création d’un environnement favorable à l'industrie.
- Brésil — La loi brésilienne classe les solutions d'IA selon leur niveau de risque, les fournisseurs de solutions à risque élevé étant plus susceptibles de supporter la responsabilité des dommages potentiels.
Les prochaines étapes
Le passage de l'exploration au déploiement à grande échelle de l'IA générative se fera probablement par étapes calculées et progressives.
- Focus immédiat — expérimentation : Les banques se lancent dans l'IA générative avec des applications internes – copilotes, bots de connaissances, moteurs d'efficacité opérationnelle - qui servent de bancs d'essai.
- Court terme — établissement des fondations : La prochaine phase implique probablement la construction de l'architecture nécessaire à la mise en place d’initiatives plus ambitieuses, telles que des solutions complètes d'intégration de clients - tout en restant dans un contexte de preuve de concept pour valider les résultats.
- Moyen à long terme — expansion : Les initiatives prévues incluent des applications qui redéfinissent les interactions avec les clients, comme des conseillers financiers d'IA en face-à-face avec les clients. Une réglementation appropriée est essentielle : les développeurs voudront connaître les règles du jeu, étant donné les risques associés à l'IA générative.
Les défis pouvant freiner le déploiement de l'IA générative
- La pénurie de talents en IA — Rassembler les compétences, les ressources matérielles et financières pour élaborer des LLM propriétaires pourrait limiter ces initiatives aux grandes institutions. Cette pénurie pourrait stimuler des entreprises spécialisées dans le développement et le soutien des capacités d'IA générative pour d'autres organisations.
- L'évolution de la réglementation — À mesure que la réglementation évolue, elle devrait garantir que l'adoption de l'IA générative est à la fois éthique et conforme, favorisant un environnement sécurisé pour l'innovation.
- Un plateau technologique - Les leaders de l'Industrie comme OpenAI pourraient bientôt atteindre un plateau en termes de puissance de calcul pour leurs produits. Cependant, d'autres entreprises d'IA ont de la marge pour améliorer leurs LLM, élargissant ainsi les choix disponibles.
Contacts media
À propos de Mastercard : www.mastercard.com
Mastercard est une société technologique mondiale dans l’industrie des paiements. Notre mission consiste à connecter et alimenter une économie numérique inclusive, qui bénéficie à chacun et partout, en permettant des transactions sûres, simples, intelligentes et accessibles. Nous nous appuyons sur des données et des réseaux sécurisés, nos partenariats et notre passion, nos innovations et nos solutions pour donner aux particuliers, aux institutions financières, aux gouvernements et aux entreprises les moyens de réaliser tout leur potentiel. Notre quotient de décence (QD) façonne notre culture et chacune de nos activités, au sein de notre entreprise comme en externe. Présents dans plus de 210 pays et territoires, nous bâtissons un monde durable pour ouvrir à chacun un horizon riche en possibilités priceless inestimables.
Vous pouvez nous suivre sur Twitter : @MastercardFR, @MastercardNews et accéder à notre actualité sur notre Engagement Bureau.