Amine Khiat, Directeur ERI Genève, explore les défis de la maîtrise des données
Amine Khiat, Directeur ERI Genève, analyse les enjeux de l’IA bancaire: au-delà de la sophistication des modèles, la réussite repose sur l’accès à des données fiables, pertinentes, actualisées et correctement gouvernées.
De la performance des modèles à la maîtrise des données
Le véritable défi est-il aujourd’hui moins technologique que lié aux données?
Les progrès de l’IA sont considérables, mais dans la banque, un modèle performant ne suffit pas: sa valeur dépend de la qualité et du contexte des données exploitées. Les banques détiennent un patrimoine informationnel immense, souvent dispersé entre core banking, CRM, paiements ou conformité. Les plateformes de core banking jouent alors un rôle structurant: elles garantissent la cohérence et la circulation des informations. L’enjeu est de les rendre accessibles et exploitables grâce à des architectures adaptées, une bonne interopérabilité et une gouvernance rigoureuse. L’avantage concurrentiel viendra de l’intégration intelligente de l’IA au patrimoine de données bancaire.
Pourquoi les banques peinent-elles encore à exploiter efficacement leurs données?
Historiquement, les systèmes bancaires ont été conçus pour des besoins métier spécifiques, multipliant applications, référentiels et flux peu interconnectés. Le problème n’est donc pas un manque de données, mais leur fragmentation, leur qualité inégale et la complexité de leur rapprochement. Pour détecter une fraude, il faut par exemple confronter une transaction à l’historique, aux habitudes du client et à des paramètres contextuels, parfois en temps réel. L’enjeu n’est pas de tout centraliser, mais d’exploiter les données de façon cohérente, sécurisée et adaptée à chaque besoin.
Gouvernance, sécurité et réglementation: les conditions de confiance
Comment la réglementation influence-t-elle ces exigences?
Dans la banque, l’innovation technologique ne peut être dissociée de la gouvernance, de la maîtrise des risques et de la protection des données. En Suisse, la FINMA a rappelé ses attentes sur l’usage de l’IA: gouvernance, gestion des risques, robustesse et explicabilité des modèles. La LPD, la lutte contre le blanchiment, la cybersécurité et la résilience opérationnelle forment également un cadre essentiel. Pour les établissements actifs à l’international, le RGPD, l’AI Act ou DORA peuvent aussi s’appliquer selon leurs activités et leur périmètre. Ces exigences ne sont pas de simples contraintes: elles créent les conditions d’une adoption responsable et durable de l’IA, permettant d’innover tout en gardant la maîtrise des données, des décisions et des risques.
Comment garantir la transparence et la traçabilité des résultats de l’IA?
La confiance dans l’IA repose sur la capacité à comprendre et contrôler son utilisation. En banque, il faut pouvoir identifier les données utilisées, leur provenance, les traitements effectués et les modèles mobilisés. La traçabilité doit aussi couvrir l’usage des recommandations et les décisions qui en découlent. Or, la qualité d’un résultat dépend des données qui l’alimentent: des données incomplètes ou biaisées peuvent fausser l’analyse, même avec des modèles performants. La supervision humaine, la validation des modèles et une évaluation régulière restent donc indispensables, avec un contrôle proportionné aux risques.
La sécurité et la confidentialité constituent-elles un frein à l’adoption de l’IA?
Je ne les considère pas comme un frein, mais comme des conditions indispensables à l’adoption de l’IA. Les banques gèrent des données très sensibles et doivent en garantir confidentialité, intégrité et disponibilité. L’IA exige donc une gestion rigoureuse des accès, une protection des données et une surveillance des opérations, tout en maîtrisant la dépendance aux fournisseurs cloud. Sécurité et confidentialité doivent être intégrées dès la conception.
Des nouveaux usages à l’IA agentique
Quels usages peuvent bénéficier d’un meilleur accès aux données?
Les opportunités sont nombreuses, mais elles doivent répondre à des besoins métier concrets. En conformité et lutte contre la fraude, l’IA peut repérer des comportements inhabituels, rapprocher des informations et analyser des situations complexes. Dans les opérations, elle aide à automatiser des tâches répétitives, accélérer les rapprochements, préparer des dossiers ou assister les contrôles. Le reporting, la collecte et la consolidation de données issues de plusieurs systèmes constituent un domaine prometteur. Enfin, elle peut améliorer la relation client en facilitant l’accès à l’information et en soutenant les conseillers. Les besoins varient toutefois fortement selon les métiers: un assistant conversationnel ne requiert pas la même contextualisation qu’un outil destiné à la gestion de fortune, où une vision cohérente et actualisée du client est essentielle, dans le respect de la confidentialité et des droits d’accès.
L’IA agentique change-t-elle la nature du défi?
Oui, et c’est probablement l’une des évolutions les plus intéressantes à suivre. Avec l’IA agentique, nous passons de systèmes produisant des analyses ou recommandations à des systèmes capables d’orchestrer et d’exécuter certaines actions: collecter des informations, préparer un dossier, effectuer des vérifications ou soumettre un résultat à validation. Cela ouvre de fortes perspectives d’automatisation bancaire, mais crée de nouvelles responsabilités. Il faut définir le périmètre de chaque agent, ses accès, ses opérations autorisées et les étapes nécessitant une validation humaine. Plus l’autonomie augmente, plus les contrôles doivent être robustes: l’objectif est le niveau d’automatisation adapté à chaque processus et à ses risques.
Passer à l’échelle: intégration, compétences et retour sur investissement
Quels sont les principaux obstacles au déploiement de l’IA à grande échelle?
Le premier défi est l’intégration: les banques combinent souvent applications historiques et technologies récentes. Introduire l’IA sans créer de nouveaux silos ni fragiliser l’existant exige une architecture cohérente et une bonne maîtrise des échanges de données. Le deuxième défi est organisationnel: l’IA transforme les méthodes de travail, les compétences et parfois les responsabilités. Les collaborateurs doivent en comprendre les apports comme les limites. Enfin, la rentabilité dépasse le coût des modèles et infrastructures: elle inclut l’intégration, les données, la sécurité, la gouvernance, la maintenance et la formation. Le succès se mesure à la valeur concrète apportée aux opérations, aux collaborateurs et aux clients.
Quelles devraient être les priorités des banques?
Je distinguerais trois priorités. D’abord, identifier des cas d’usage à forte valeur ajoutée, avec des objectifs clairs et des résultats mesurables: l’IA doit répondre à un besoin réel, et non être déployée parce que la technologie existe. Ensuite, consolider les fondations: qualité des données, gouvernance, architecture, sécurité et interopérabilité. Enfin, adopter une démarche progressive, avec contrôle, suivi des performances et amélioration continue. Mieux vaut privilégier des projets ciblés démontrant rapidement leur utilité, afin de construire une capacité d’innovation durable plutôt que de multiplier des expérimentations sans perspective opérationnelle.
Conclusion
L’accès aux données est-il devenu le facteur différenciant de l’IA bancaire?
Oui, mais le facteur différenciant réside davantage dans l’exploitation intelligente des données que dans leur simple accessibilité. Les modèles d’IA devenant progressivement accessibles à tous, l’avantage viendra de la capacité à les intégrer aux processus, à mobiliser les données pertinentes et à maîtriser son environnement. L’avantage ne sera pas pour la banque qui utilise l’IA la plus sophistiquée, mais pour celle qui saura conjuguer IA, qualité des données, expertise métier et confiance.