Les erreurs du secteur bancaire dans son approche IA

Décryptage avec Michael Curry, President, Data Modernization Business Unit chez Rocket Software sur les limites de l’IA générative dans les environnements bancaires, les conditions pour déployer des usages fiables, et les impacts sur les opérations, la résilience et la maîtrise des risques.

Pourriez-vous vous présenter rapidement ?

Je suis Michael Curry, président de la division modernisation des données chez Rocket Software. Mon rôle est d’accompagner les entreprises internationales dans la valorisation de leurs données en modernisant la manière dont celles-ci sont accessibles, gouvernées et mises à la disposition des modèles d’IA, des systèmes d’information et du cloud.

Rocket Software, leader de la modernisation des systèmes informatiques, est un partenaire de confiance pour de nombreuses grandes entreprises à travers le monde. Nous aidons nos clients à maximiser la valeur de leurs données, de leurs applications et de leur infrastructure afin qu’elles puissent assurer les services indispensables au fonctionnement de l’économie moderne. Du mainframe aux environnements cloud hybrides, notre mission est de rendre cette modernisation fiable, sécurisée et accessible à l’ensemble de nos clients.

Si vous deviez conseiller le PDG d’une banque aujourd’hui, quelle serait votre première mise en garde en matière de données et d’IA ?

L’erreur la plus importante que commettent actuellement les banques est de traiter leur programme d’IA comme une initiative distincte du reste de leurs projets et budgets informatiques. D’ici quelques années, l’IA agentique sera intégrée à tous les processus et aux applications métiers. Pour que cela se déroule correctement, les entreprises devront faire monter en compétence l’ensemble de leurs équipes et adapter leurs méthodes de travail.

Ce conseil vaut tout particulièrement pour la gestion des données. La capacité de mettre à la disposition des agents IA des données propres et fiables provenant de tous les domaines d’activité d’une entreprise est essentielle au bon fonctionnement de ces agents. En effet, les données sont le carburant de l’IA. Bien sûr, cela nécessite un cadre permettant de protéger et de régir les données ainsi que leur utilisation dans le cadre de ces nouvelles interactions agentiques.

Michael Curry, President, Data Modernization Business Unit chez Rocket Software

En matière d’IA et de données, quelle est la capacité que les banques devraient privilégier au cours des 12 à 18 prochains mois et pourquoi ?

Les banques doivent donner la priorité à la mise en place d’une fondation de données unifiée et conçue pour l’IA faisant le lien en temps réel entre le mainframe, le cloud et les systèmes distribués. À elle seule, cette démarche permettra d’accélérer l’ensemble des processus en fournissant un socle de données adapté à l’IA agentique.

Ce socle doit assurer la gouvernance des données utilisées lors des interactions agentiques. Il nécessite également une fonction de traduction sémantique pour convertir les données techniques sous-jacentes complexes en termes compréhensibles par les utilisateurs professionnels. Une fois en place, il pourra être utilisé pour de nouveaux cas d’utilisation de l’IA allant de la détection des fraudes à la production de rapports réglementaires, en passant par le déploiement de copilotes, car les modèles bénéficieront de données complètes et fiables.

Dans quels domaines pensez-vous que les banques surestiment les capacités de l’IA ?

De nombreuses entreprises, y compris en dehors du secteur bancaire, surestiment les capacités actuelles de l’IA. Face aux résultats remarquables de cette technologie en matière de compréhension, de génération et de traduction de code, certains responsables espèrent pouvoir l’utiliser pour refactoriser à peu de frais leurs systèmes centraux.

Malheureusement, ces systèmes sont bien trop complexes pour qu’une telle approche soit réaliste.

Que peut-on attendre d’une exploitation optimale des données par l’IA dans une banque ?

Lorsque l’IA et les données fonctionnent bien ensemble, les banques opèrent avec plus de résilience, de rapidité et de contrôle. Les incidents sont résolus plus rapidement grâce à des interactions en langage naturel ; les outils analytiques et les LLM s’exécutent sur des données gouvernées et actualisées en temps réel ; les migrations s’effectuent sans interruption ; et la sécurité est intégrée à chaque couche grâce à un accès Zero Trust.

Ainsi, les opérations se simplifient, les coûts baissent, la disponibilité s’améliore et le risque de non-conformité diminue.

Quelle est la décision la plus difficile à prendre en matière d’IA et de données dans le secteur bancaire ?

Selon Gartner, 70 à 90 % des données d’entreprise sont non structurées. Pour que les modèles d’IA soient pleinement efficaces, il faut leur permettre d’accéder aux données non structurées en plus des données structurées. Cependant, l’accès aux données non structurées (par exemple, l’exploitation des documents d’ouverture de compte contenant des données clients sensibles) soulève certaines difficultés.

L’IA générative est particulièrement intéressante pour l’analyse, la compréhension et l’exploitation de ces données non structurées, mais il reste très difficile de rendre celles-ci accessibles sans s’exposer à de nouveaux risques.