Article de 10 000 mots d'a16z : comment les services financiers peuvent-ils tirer parti de l'IA générative ?
TechFlow SélectionTechFlow Sélection
Article de 10 000 mots d'a16z : comment les services financiers peuvent-ils tirer parti de l'IA générative ?
Plongeons-nous dans les cinq objectifs que sont l'expérience personnalisée du consommateur, l'exploitation efficace, une meilleure conformité, une gestion des risques améliorée, ainsi que des prévisions et rapports dynamiques, pour voir comment les entreprises existantes et les startups utilisent l'IA générative.
Dédié à des analyses Web3 approfondiesRédaction : Angela Strange, Seema Amble et al., a16z
Traduction : InvestmentAI
À l’ère du développement accéléré des technologies, l’intelligence artificielle (IA) et l’apprentissage automatique (ML) sont déjà présents depuis plus de dix ans dans le secteur des services financiers, améliorant notamment la gestion des risques ou les systèmes de notation anti-fraude. Aujourd’hui, l’IA générative fondée sur les grands modèles linguistiques (Large Language Models, LLMs) représente un saut historique en avant, transformant des domaines tels que l’éducation, le jeu vidéo ou encore les entreprises. Contrairement à l’IA/ML classique, qui se base principalement sur des données existantes pour effectuer des prédictions ou classifications, l’IA générative est capable de créer du contenu entièrement nouveau.
Imaginez que nous puissions entraîner des quantités massives de données non structurées grâce à une puissance de calcul quasi infinie : cela pourrait provoquer la transformation la plus importante du marché des services financiers depuis des décennies. Contrairement aux transitions technologiques précédentes — comme celles vers Internet, le mobile ou le cloud — où les services financiers ont toujours été en retard, cette fois-ci, nous espérons voir les meilleures entreprises nouvelles et existantes adopter rapidement l’IA générative.
Les entreprises de services financiers disposent de vastes volumes de données financières historiques ; s'ils utilisent ces données pour affiner des LLM (ou même pour entraîner leurs propres modèles depuis zéro, comme BloombergGPT), ils pourront répondre instantanément à presque toute question financière. Par exemple, un LLM formé sur les conversations clients d'une entreprise ainsi que sur des spécifications produits supplémentaires devrait être capable de répondre immédiatement à toutes les questions concernant ses produits. Un autre LLM entraîné sur dix ans de rapports d'activités suspectes (SARs) devrait pouvoir identifier des séries de transactions révélatrices de blanchiment d'argent. Nous pensons que le secteur financier s'apprête à utiliser l'IA générative pour atteindre cinq objectifs clés : des expériences personnalisées pour les consommateurs, des opérations plus efficaces, une meilleure conformité réglementaire, une gestion des risques améliorée, et des prévisions et rapports dynamiques.
Dans la compétition entre acteurs établis et nouveaux entrants utilisant l’IA pour lancer de nouveaux produits ou optimiser leurs opérations, les entreprises existantes bénéficieront initialement d’un avantage grâce à leur accès à des données financières propriétaires, mais elles seront finalement freinées par des exigences strictes en matière de précision et de confidentialité. En revanche, les nouveaux venus commenceront probablement par utiliser des données financières publiques pour entraîner leurs modèles, mais ils généreront rapidement leurs propres données, qu’ils pourront ensuite exploiter comme levier pour distribuer de nouveaux produits.
Examinons donc en détail ces cinq objectifs, et voyons comment les entreprises existantes et les startups exploitent l’IA générative.
Expérience consommateur personnalisée
Bien que les fintechs grand public aient connu un immense succès au cours de la dernière décennie, elles n’ont pas encore tenu leur promesse la plus ambitieuse : optimiser sans intervention humaine le bilan et le compte de résultat des consommateurs.Cette promesse reste inaccomplie car les interfaces utilisateur ne parviennent pas à capturer pleinement le contexte humain influençant les décisions financières, ni à fournir des recommandations ou des ventes incitatives adaptées aux arbitrages personnels.
Un exemple peu évident de ce contexte humain est la manière dont les consommateurs hiérarchisent leurs paiements en période difficile. Lorsqu’ils prennent ce type de décision, ils tiennent compte à la fois de critères d’utilité et de marque, ce qui rend complexe la conception d’une expérience suffisamment riche pour refléter correctement cet arbitrage. Cela complique aussi la fourniture d’une éducation financière de qualité sans recourir à des conseillers humains. Bien que des plateformes comme Credit Karma permettent de couvrir 80 % du parcours client, les 20 % restants ressemblent à un gouffre mystérieux. Toute tentative supplémentaire de capturer le contexte devient souvent trop étroite ou repose sur une fausse précision, sapant ainsi la confiance des utilisateurs.
Des lacunes similaires persistent dans la gestion moderne de patrimoine et la préparation fiscale.Dans la gestion de patrimoine, les conseillers humains surpassent les solutions fintech, même celles très spécialisées sur certains actifs ou stratégies, car les individus sont profondément influencés par des espoirs, rêves et peurs uniques. C’est pourquoi les conseillers humains ont traditionnellement su mieux adapter leurs recommandations aux besoins de leurs clients que la plupart des systèmes fintech. En fiscalité, malgré les logiciels modernes, les Américains passent chaque année plus de six milliards d’heures à gérer leurs impôts, commettent douze millions d’erreurs, omettent souvent des revenus ou renoncent à des avantages inconnus, comme la déduction possible des frais de déplacement professionnel.
Les grands modèles linguistiques (LLMs) offrent une solution élégante à ces problèmes en comprenant et en naviguant mieux les décisions financières des consommateurs. Ces systèmes peuvent répondre à des questions (« Pourquoi ai-je une partie de mon portefeuille en obligations municipales ? »), évaluer des arbitrages (« Comment dois-je peser le risque de durée contre le rendement ? »), et intégrer progressivement le contexte humain dans la prise de décision (« Pouvez-vous élaborer un plan assez flexible pour m’aider financièrement à soutenir mes parents âgés à un moment donné ? »). Ces capacités devraient transformer les fintechs grand public, passant d’un ensemble d’usages à forte valeur mais limités à des applications capables d’aider les consommateurs à optimiser toute leur vie financière.
Opérations efficaces
Dans un monde où des outils d’IA générative seraient disponibles dans les banques, Sally bénéficierait d’une évaluation de crédit continue, et disposerait d’un prêt hypothécaire préapprouvé dès lors qu’elle déciderait d’acheter une maison.
Pourtant, ce monde n’existe pas encore, pour trois raisons principales :
-
Premièrement, les informations des consommateurs sont dispersées dans plusieurs bases de données distinctes. Cela rend extrêmement difficile la vente incitative et la prédiction des besoins des clients.
-
Deuxièmement, les services financiers sont des achats fortement émotionnels, avec des arbres décisionnels complexes et difficiles à automatiser. Cela oblige les banques à employer de nombreux agents de service client pour répondre aux multiples questions des clients selon leur situation personnelle.
-
Enfin, les services financiers sont fortement régulés. Cela implique que des employés humains — comme les gestionnaires de prêts — doivent intervenir à chaque étape du cycle des produits disponibles (comme les prêts immobiliers), afin de garantir la conformité avec des lois complexes et non structurées.
L’IA générative multipliera par mille l’efficacité des tâches intensives en main-d’œuvre, telles que l’extraction de données provenant de multiples sources, ou la compréhension du contexte personnel non structuré et des réglementations de conformité. Par exemple :
-
Agents de service client : Dans chaque banque, des milliers d’agents doivent connaître en détail les produits bancaires et les exigences réglementaires associées afin de répondre aux clients. Imaginez maintenant un nouvel agent pouvant utiliser un grand modèle linguistique (LLM) entraîné sur les dix dernières années d’appels au service client de la banque. Il pourrait générer instantanément la réponse correcte à n’importe quelle question, approfondir ses discussions sur une gamme plus large de produits, tout en réduisant son temps de formation. Les entreprises existantes voudront s’assurer que leurs données propriétaires et les informations personnelles de leurs clients ne soient pas utilisées pour améliorer des LLM généraux accessibles à d’autres sociétés. Les nouveaux entrants devront faire preuve de créativité dans la construction de leurs jeux de données.
-
Gestionnaires de prêts : Les gestionnaires actuels doivent souvent extraire des données de près d’une douzaine de systèmes différents pour produire un dossier de prêt. Un modèle d’IA générative entraîné sur toutes ces données permettrait à un gestionnaire de simplement saisir le nom d’un client pour que le dossier soit généré instantanément. Bien qu’un contrôle humain reste nécessaire pour garantir une exactitude totale, le processus de collecte de données deviendrait bien plus efficace et précis.
-
Contrôle qualité : Une grande partie du travail de contrôle qualité dans les banques et fintechs consiste à assurer la conformité stricte aux nombreuses réglementations. L’IA générative peut accélérer considérablement ce processus. Par exemple, Vesta pourrait utiliser un modèle d’IA générative entraîné sur le guide de vente de Fannie Mae pour alerter immédiatement les gestionnaires de prêts sur des manquements réglementaires. Étant donné que de nombreux guides réglementaires sont publics, cela pourrait offrir une porte d’entrée intéressante aux nouveaux acteurs. Toutefois, la véritable valeur ira aux entreprises possédant des moteurs de flux de travail performants.
Toutes ces avancées constituent des étapes vers ce monde où Sally obtiendrait instantanément un prêt hypothécaire potentiel.
Meilleure conformité réglementaire
À l’avenir, si les départements de conformité adoptent sérieusement l’IA générative, les 800 milliards à 2 000 milliards de dollars de blanchiment d’argent illégal chaque année pourraient être efficacement contrés. Le trafic de drogue, le crime organisé et diverses activités illicites pourraient connaître leur plus forte baisse depuis des décennies.
Nous dépensons actuellement des centaines de milliards de dollars par an en conformité, mais nous arrêtons seulement 3 % des flux de blanchiment. La majorité des logiciels de conformité reposent sur des règles « codées en dur ». Par exemple, les systèmes antifraude permettent aux responsables de conformité d’appliquer des règles comme « marquer toute transaction supérieure à 10 000 $ » ou de rechercher d'autres activités suspectes prédéfinies. Mais l’application de ces règles s’avère souvent inefficace, car de nombreuses institutions financières sont légalement tenues d’enquêter sur un grand nombre de faux positifs, souvent complexes et fastidieux à traiter. Pour éviter de lourdes sanctions, les départements de conformité emploient des milliers de personnes, représentant parfois plus de 10 % du personnel total d’une banque.
Avec l’adoption de l’IA générative, le scénario futur changera :
-
Filtrage plus efficace : Les modèles d’IA générative pourront rassembler rapidement les informations clés d’un individu provenant de multiples systèmes, les présentant directement aux agents de conformité afin d’accélérer l’évaluation du risque d’une transaction.
-
Meilleure prédiction des blanchisseurs : Imaginez un modèle entraîné sur les rapports d’activités suspectes (SARs) des dix dernières années, capable, sans instruction explicite, d’identifier de nouveaux schémas et de définir lui-même les comportements typiques du blanchiment.
-
Analyse plus rapide des documents : Les départements de conformité doivent veiller au respect interne des politiques et des exigences réglementaires. L’IA générative peut analyser des volumes massifs de documents — contrats, rapports, e-mails — et signaler les anomalies ou zones nécessitant une investigation approfondie.
-
Formation et éducation : L’IA générative peut également servir à créer des supports pédagogiques, simuler des scénarios réels, et former les agents à identifier les risques potentiels et les comportements non conformes.
Les nouvelles entreprises peuvent tirer parti des données publiques de conformité provenant de dizaines d’institutions, rendant la recherche et l’intégration plus rapides. Quant aux grandes entreprises disposant de longues archives de données, elles devront concevoir des fonctionnalités adéquates de protection de la vie privée.
Gestion des risques améliorée
Bien qu’Archegos et « London Whale » semblent sortir d’un mythe grec, ils incarnent en réalité des échecs majeurs de gestion des risques ayant coûté des milliards de dollars aux plus grandes banques mondiales. Avec l’exemple récent de la Silicon Valley Bank, il devient évident que la gestion des risques reste un défi majeur pour de nombreuses institutions financières de premier plan.
Bien que les progrès de l’IA ne puissent pas éliminer complètement les risques de crédit, de marché, de liquidité ou opérationnels, nous pensons que cette technologie peut jouer un rôle clé pour aider les institutions à détecter, planifier et réagir plus rapidement face à ces risques inévitables. Plus précisément, voici les domaines où l’IA peut améliorer significativement la gestion des risques :
-
Traitement du langage naturel : Des modèles LLM comme ChatGPT peuvent analyser d’importantes quantités de données non structurées — articles de presse, rapports de marché, études d’analystes — offrant ainsi une vision plus complète des risques de marché et de contrepartie.
-
Informations en temps réel : Une connaissance immédiate des conditions de marché, des événements géopolitiques et autres facteurs de risque permet aux entreprises d’adapter plus vite leurs stratégies.
-
Analyse prédictive : La capacité à exécuter des scénarios plus complexes et à fournir des alertes précoces aide les entreprises à anticiper activement les risques.
-
Intégration : Réunir des systèmes isolés et utiliser l’IA pour consolider les informations permet d’obtenir une vision plus complète de l’exposition aux risques et simplifie les processus de gestion.
Prévisions et rapports dynamiques
Outre la résolution de problèmes financiers, les LLM peuvent aussi aider les équipes de services financiers à améliorer leurs processus internes, en simplifiant les tâches quotidiennes des équipes financières. Même si tous les autres aspects du domaine financier ont fait des progrès importants, les processus opérationnels des équipes financières modernes continuent de reposer sur Excel, les courriels et des outils de business intelligence nécessitant une intervention manuelle. L’automatisation des tâches de base est freinée par le manque de ressources en science des données, tandis que les DAF et leurs équipes passent trop de temps sur des tâches fastidieuses de tenue de comptes et de reporting, au détriment de décisions stratégiques de haut niveau.
En général, l’IA générative peut aider ces équipes à puiser dans davantage de sources de données, et à automatiser la détection de tendances, la génération de prévisions et de rapports. Voici quelques cas d’usage concrets :
-
Prévisions : L’IA générative peut aider à rédiger des formules et requêtes dans Excel, SQL ou les outils BI, automatisant ainsi l’analyse. Elle peut aussi révéler des modèles, extraire des facteurs prédictifs à partir de jeux de données plus larges et complexes (comme les indicateurs macroéconomiques), proposer des ajustements facilitant l’adaptation des modèles, et fournir des éléments d’aide à la décision.
-
Rapports : Plutôt que d’extraire manuellement des informations pour produire des rapports (rapports de conseil d’administration, communications aux investisseurs, tableaux de bord hebdomadaires), l’IA générative peut créer automatiquement textes, graphiques et visualisations, en s’adaptant souplement à différents formats types.
-
Comptabilité et fiscalité : Les équipes comptables et fiscales passent beaucoup de temps à consulter la réglementation et à comprendre son application concrète. L’IA générative peut synthétiser, résumer et proposer des interprétations des lois fiscales et des possibilités d’allègements.
-
Achats et comptes fournisseurs : L’IA générative peut aider à générer et modifier automatiquement des contrats, bons de commande et factures, ainsi que des rappels.
Cependant, il convient de noter que l’IA générative actuelle présente encore des limites dans les domaines nécessitant un jugement ou des réponses précises — or, c’est justement ce que les équipes financières exigent. Bien que les modèles progressent constamment en puissance de calcul, nous ne pouvons pas encore nous fier entièrement à leur exactitude, et une vérification humaine reste indispensable. À mesure que les modèles s’améliorent rapidement, avec davantage de données d’entraînement et une intégration accrue de modules mathématiques, de nouvelles possibilités d’usage émergent.
Défis
Parmi ces cinq grandes tendances, les nouveaux entrants et les acteurs établis font face à deux défis majeurs pour concrétiser ce futur fondé sur l’IA générative.
-
Former des grands modèles linguistiques (LLM) sur des données financières : Les LLM actuels sont principalement entraînés sur des données web. Pour répondre aux besoins spécifiques des services financiers, ils doivent être affinés avec des données financières. Les nouvelles entreprises pourraient commencer par des données financières publiques d’entreprises, des documents réglementaires et autres sources facilement accessibles, puis progressivement intégrer leurs propres données collectées. Les acteurs existants, comme les banques ou les grandes plateformes possédant une division financière (ex. Lyft), peuvent tirer parti de leurs données propriétaires, ce qui leur donne un avantage initial. Toutefois, les institutions financières établies ont souvent une attitude conservatrice face aux transformations technologiques majeures, ce qui offre un avantage concurrentiel aux nouveaux entrants plus agiles.
-
Précision des sorties du modèle : Comme les réponses aux questions financières peuvent avoir des impacts sur les individus, les entreprises, voire la société entière, ces nouveaux modèles d’IA doivent être aussi précis que possible. Ils ne doivent pas inventer de fausses réponses, ni fournir des réponses erronées avec une apparence de certitude. Pour des questions critiques touchant aux impôts ou à la santé financière des particuliers, leur précision doit dépasser celle requise pour des requêtes culturelles ou des rédactions scolaires. Au début, un humain devra rester dans la boucle, validant les réponses générées par l’IA.
L’émergence de l’IA générative constitue indéniablement une transformation majeure pour les entreprises de services financiers. Elle pourrait offrir aux clients des solutions plus personnalisées, rendre les opérations plus rentables, améliorer la conformité et la gestion des risques, tout en permettant des prévisions et rapports plus flexibles. Sur ces deux défis clés que nous venons d’évoquer, les entreprises établies et les startups vont s’affronter.Si nous ignorons encore qui l’emportera, une chose est sûre :le grand vainqueur est déjà désigné : le consommateur des services financiers de demain.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
a16z
