Les technologies bancaires ont généralement servi à numériser les transactions et à accélérer les processus. L’intelligence artificielle (IA) agentique pourrait changer l’ampleur de cette transformation : les agents peuvent interpréter l’information, planifier, agir et coordonner des activités entre différents systèmes. Ces capacités permettent de repenser des processus de travail entiers, tout en soulevant des questions sur les données, les responsabilités et les étapes où l’intervention humaine demeure nécessaire.

Dans la première partie d’un entretien en deux volets consacré à la banque à l’ère de l’IA agentique, Andy Schmidt, responsable mondial du secteur bancaire chez CGI, s’entretient avec Mehmet Eryilmaz et Katharina Dubberke, également de CGI. Ensemble, ils explorent les domaines où les banques peuvent mettre l’IA à profit, les conditions nécessaires pour aller au-delà des projets pilotes et les moyens de la déployer à grande échelle tout en préservant la confiance.

Key takeaways

  • L’IA agentique peut transformer des processus de travail bancaires complets.
  • Les processus répétables à grand volume peuvent favoriser le déploiement de l’IA à grande échelle.
  • Des données fiables, une gouvernance solide et une préparation opérationnelle adéquate rendent ce déploiement possible.
  • Les risques et les répercussions sur la clientèle déterminent les situations où la supervision humaine est nécessaire.
  • Les attentes régionales influencent la confiance envers l’adoption de l’IA.

Comment l’IA agentique peut transformer des processus de travail bancaires complets

Les vagues technologiques précédentes visaient surtout à numériser les processus et à automatiser les transactions. L’IA agentique élargit ces possibilités à des tâches qui nécessitent de l’interprétation, de la planification, du raisonnement et des actions. Pour Mehmet, elle marque une évolution qui va au-delà de l’automatisation de transactions individuelles. Les agents d’IA peuvent intervenir dans plusieurs systèmes et coordonner des activités, ce qui donne aux banques l’occasion de repenser des processus de travail et des modèles opérationnels entiers. Comme il l’explique, « nous pouvons désormais interpréter l’information, générer du contenu et formuler des recommandations ». C’est cette capacité à accomplir des tâches cognitives qui distingue cette nouvelle vague.

« Nous pouvons désormais interpréter l’information, générer du contenu et formuler des recommandations. » (Mehmet Eryilmaz)

À mesure que ces capacités se développent, les stratégies et les modèles opérationnels doivent eux aussi évoluer. Katharina souligne l’importance de définir clairement les pouvoirs décisionnels, de disposer de plateformes réutilisables et de s’appuyer sur des interfaces de programmation d’application (API) robustes qui permettent de relier les systèmes de façon sécuritaire. Un constat concret ressort de la discussion : des données fiables et un modèle opérationnel bancaire solide sont essentiels à une mise en œuvre réussie de l’IA.

Comment les processus répétables à grand volume peuvent favoriser le déploiement de l’IA à grande échelle

Les banques commencent à concentrer leurs investissements en IA sur des processus répétables à grand volume qui font appel à d’importantes quantités d’information non structurée. Mehmet cite plusieurs domaines qui retiennent leur attention : les enquêtes sur la criminalité financière, l’entrée en relation avec la clientèle, les processus de connaissance du client (KYC), l’octroi de prêts, la souscription, le service à la clientèle et le financement du commerce international.

Ces cas d’utilisation offrent des occasions d’améliorer l’expérience client tout en mesurant l’évolution de la rapidité de traitement, de l’efficacité et des taux de conversion. Pour choisir le bon modèle ou la bonne plateforme, il faut d’abord comprendre le problème d’affaires à résoudre et la valeur que la banque souhaite en tirer.

« Nos clients doivent se laisser guider par leur problème d’affaires, et non par les tendances technologiques. » (Katharina Dubberke)

Andy, Mehmet et Katharina discutent également de l’importance d’adapter la taille du modèle à la tâche. Pour certaines applications, un modèle de langage de plus petite taille peut être plus économique. Les coûts d’exploitation doivent donc faire partie de l’analyse de rentabilité.

Comment les données fiables, la gouvernance et la préparation opérationnelle permettent le déploiement à grande échelle

Le déploiement à grande échelle ne se limite pas au choix d’un modèle. Il repose sur des données fiables, une attribution claire des responsabilités, des contrôles d’accès et une gestion des risques liés aux modèles. Les banques doivent également disposer d’équipes opérationnelles outillées pour surveiller la performance, gérer les incidents et transmettre les problèmes à une personne au besoin.

Comment les risques et les répercussions sur la clientèle déterminent le besoin de supervision humaine

La discussion porte sur un éventail de possibilités, allant du travail dirigé par des personnes et assisté par l’IA aux processus entièrement automatisés qui ne nécessitent aucune intervention humaine. Le degré d’automatisation approprié dépend de la tâche, des risques en jeu et de la capacité de la banque à garder le contrôle.

Andy donne l’exemple de la correction des paiements, un processus qui pourrait être largement automatisé lorsque la règle enfreinte et la correction à apporter sont toutes deux bien comprises. Les décisions qui exigent davantage de jugement ou qui ont des répercussions plus importantes sur la clientèle nécessitent une intervention humaine accrue.

Pour prévenir les erreurs et les biais à grande échelle, il faut considérer l’IA comme une composante du processus d’affaires dans son ensemble. Katharina insiste sur l’importance de disposer de données représentatives, de règles de décision claires, de tests couvrant différents groupes d’utilisateurs et de moyens fiables pour examiner les résultats inhabituels.

Elle souligne que la gouvernance doit se poursuivre après la mise en service, puisque les modèles, les données et les comportements de la clientèle évoluent au fil du temps. La surveillance continue, le recours à une personne au besoin et la possibilité d’interrompre un processus piloté par l’IA aident les banques à maintenir leur supervision à mesure qu’elles élargissent leur utilisation de l’IA agentique.

Comment les attentes régionales influencent la confiance envers l’adoption de l’IA

Les différences régionales influencent la façon dont les banques abordent l’automatisation et la confiance de la clientèle. Mehmet décrit l’approche du Royaume-Uni comme étant axée sur les principes et les résultats, notamment la responsabilité, l’équité, la transparence et la robustesse.

« Les organisations demeurent responsables des décisions, même lorsque l’IA intervient. » (Mehmet Eryilmaz)

Il s’attend à ce que les banques étendent l’automatisation aux domaines où les risques sont mieux maîtrisés, tout en maintenant une supervision humaine dans les domaines sensibles, comme l’octroi de prêts, les décisions liées à la fraude et le règlement des différends. Du point de vue allemand, Katharina souligne les attentes en matière de protection de la vie privée, d’explicabilité, de fiabilité et de contrôle.

Répondre à ces attentes peut aussi donner aux banques des occasions de différencier leurs services. La confiance devient une composante de l’expérience client, soutenue par la façon dont la banque encadre et exploite ses capacités d’IA. Katharina attire également l’attention sur le rythme du changement :

« L’IA progresse beaucoup plus rapidement qu’au cours des années précédentes. De nombreuses stratégies bancaires sont déjà dépassées, et les modèles opérationnels peinent à suivre le rythme. »

Ce rythme rend indispensable la mise à jour des stratégies et des actifs technologiques des banques. Celles-ci doivent aussi continuer à apprendre à mesure que les capacités d’IA évoluent et déterminer les domaines dans lesquels elles peuvent se démarquer.

Écoutez l’épisode

Écoutez Andy Schmidt, Mehmet Eryilmaz et Katharina Dubberke discuter des moyens de déployer l’IA agentique à grande échelle tout en préservant la confiance. La deuxième partie explore les expériences et les interactions avec la clientèle reposant sur l’IA.

Découvrez plus d'épisodes De la Transactions à Confiance