Comment les entreprises du secteur financier peuvent maximiser leurs investissements dans l'IA grâce à une meilleure intégration des données
Par
Virginie Brard, Sales Director France & Benelux chez Fivetran
Le secteur financier - notamment les banques et les compagnies d’assurance - a fait des progrès impressionnants dans la mise en œuvre de l'IA au cours des dernières années. Selon une étude récente, 51 % des entreprises de ce secteur ont déjà pleinement mis en œuvre l'IA générative, dépassant de loin les autres secteurs d'activité.
Cette tendance souligne la reconnaissance par le secteur de la capacité de l'IA à faire émerger des informations cruciales à une vitesse sans précédent, renforçant ainsi la capacité de conseil et d’innovation des équipes opérationnelles. Toutefois, la concrétisation du plein potentiel de l'IA et le maintien d'un avantage concurrentiel exigent des efforts concertés.
IA : entre potentiel et défis
L'IA crée de l’engouement dans le secteur financier ; de nombreux cas d'utilisation démontrent déjà la valeur qu'elle peut apporter aux activités. Par exemple, les sociétés de gestion de patrimoine exploitent l'IA générative pour adapter les recommandations d'investissement et améliorer la satisfaction et la fidélité de leurs clients ; les compagnies d'assurance, quant à elles, accélèrent le tri des demandes d'indemnisation grâce à l'IA.
L'IA générative inspire également confiance : près de 8 entreprises sur 10 jugent ses résultats crédibles. Il n’est donc pas surprenant que les entreprises investissent, en moyenne 13 % de leur chiffre d’affaires annuel global dans les programmes d’IA.
Pourtant, les entreprises de ce secteur sont encore confrontées à des défis
considérables pour maximiser les opportunités offertes par l’IA. Cette étude a
mis en évidence que les problèmes de qualité des données et l’utilisation
inefficace des ressources des data scientists sont deux facteurs majeurs qui
entravent les progrès. Les entreprises du secteur financier déclarent perdre ainsi
en moyenne 6 % de leur chiffre d’affaires annuel mondial en raison de
programmes d’IA peu performants et utilisant des données peu fiables.
Adoption de l'IA : quand la technologie devient un obstacle
Pour découvrir la source du problème, une approche plus nuancée est nécessaire. L’étude révèle que les salariés occupant des postes techniques font beaucoup moins confiance aux résultats de l’IA que ceux occupant des postes non techniques. Cela pourrait s'expliquer par le fait qu'ils sont plus conscients que des processus inefficaces créent des obstacles dans le flux des données. Par exemple, plus de la moitié des sociétés financières considèrent que leurs systèmes informatiques obsolètes constituent le principal obstacle à l’adoption.
Lorsque les banques ou les compagnies d’assurance s’appuient sur des
technologies anciennes et des processus de données inadaptés, ce n’est pas
seulement le potentiel d’intelligence artificielle qui est affecté. Des données
inaccessibles et cloisonnées entraînent des retards et cela se traduit par des
informations obsolètes, des résultats analytiques peu fiables, des problèmes de
conformité et des opportunités manquées. Dans la mesure où la grande majorité
des entreprises s’appuient encore sur des pratiques manuelles, il n’est
malheureusement pas surprenant que les data scientists consacrent 67 % de
leur temps à la préparation des données plutôt qu’à l’élaboration de modèles. En
d’autres termes, les entreprises ont des dépenses inutiles et font peser des
charges supplémentaires sur leurs spécialistes en matière de données.
Le rôle crucial de l’automatisation des flux de données
Étant donné le coût élevé des mauvaises pratiques de gestion des données, les entreprises du secteur financiers n’ayant pas encore consolidé leurs bases en matière de gestion des données doivent s'y atteler sans délai. Et contrairement aux programmes d'IA qui nécessitent une intervention humaine, la circulation des données peut être entièrement automatisée aujourd'hui, apportant une multitude d'avantages aux entreprises.
L'automatisation de la circulation des données leur permet en effet de centraliser de manière transparente et sécurisée des sources de données disparates provenant de tous les départements de l’entreprise, créant ainsi une référence unique pour les données. Ainsi, les équipes peuvent effectuer des analyses en utilisant les données les plus récentes et les transmettre aux modèles d'IA en étant assurées de la fiabilité des résultats.
Les organisations qui remplacent leurs infrastructures informatiques obsolètes par une "data stack" moderne peuvent tirer parti de cette automatisation pour dynamiser leur prise de décision et s'assurer qu'elles conservent une visibilité et un contrôle complets sur leurs pipelines de données. Alors que l'on s'attend à ce que l'utilisation de l'IA soit de plus en plus réglementée, la capacité à maintenir et à démontrer de bonnes pratiques en matière de gouvernance des données sera primordiale, en particulier dans le secteur financier.
Préparer les bases de l'innovation
Le succès de l'IA dépend de la capacité des organisations à créer un accès illimité à des données propres, récentes et fiables. Pour rester à la pointe de l'adoption de l'IA, elles doivent s'assurer que leurs programmes sont suffisamment robustes pour résister à l'augmentation des volumes de données et à la surveillance des régulateurs.
En adoptant l'automatisation et en donnant aux spécialistes des données les moyens de se concentrer sur des tâches à plus forte valeur ajoutée, les banques et compagnies d’assurance obtiendront non seulement un meilleur retour sur leurs investissements dans l'IA, mais aussi une meilleure collaboration et une plus grande innovation dans tous les domaines de leurs organisations.