Pour ceux qui ne sont pas familiers avec ce terme, l’acheminement intelligent fait référence à un ensemble de règles que les banques utilisent pour diriger de façon dynamique les transactions de paiement vers le système de paiement le plus approprié. Ces règles sont fondées sur les préférences du client qui effectue le paiement, telles que le coût, la rapidité, les taux de réussite et d’autres conditions en temps réel. L’objectif de l’acheminement intelligent est de s’assurer que la transaction est traitée à l’aide du système de paiement le plus approprié afin d’améliorer l’efficacité et la vitesse de transmission, de réduire les coûts et d’augmenter les chances de réussite du paiement.
Le bénéficiaire tire également avantage de l’acheminement intelligent en ce qui concerne la rentabilité (par exemple, l’utilisation de l’option de change la plus privilégiée), la fiabilité et plus encore. L’acheminement intelligent permet de diriger les paiements vers les passerelles qui ont historiquement de meilleurs taux d’autorisation pour un type de paiement particulier, ou de fournir une solution de rechange opérationnelle en cas d’arrêt ou d’échec d’une passerelle de paiement.
Comme l’a dit Gareth Lodge de Celent lors de l’événement EBAday 2024 : « L’acheminement intelligent se développe. Il ne s’agit pas seulement d’un ensemble de règles de gestion, mais d’un processus bien plus dynamique qui tient compte de la tarification et du moment de la journée pour favoriser les comportements des clients. » Nous réalisons que nous pouvons maintenant améliorer l’ensemble de la chaîne de paiement en innovant l’acheminement des paiements au-delà d’un ensemble de règles de base.
Comment l’IA entre-t-elle en jeu?
Bien que les règles complexes actuellement utilisées dans l’acheminement des paiements soient efficaces, elles sont mises en œuvre manuellement et sont relativement statiques une fois établies. L’intégration de l’IA dans le processus pourrait améliorer la rapidité et la souplesse de l’acheminement, ainsi que permettre la prise en compte dynamique de paramètres de traitement plus pertinents.
L’IA permet d’ajuster en temps réel et de manière dynamique les règles en fonction des données en cours, en déterminant continuellement la passerelle de paiement qui convient le mieux à tout moment. De plus, en analysant les données historiques sur les transactions, l’IA peut prédire quelles passerelles de paiement sont plus susceptibles d’approuver une transaction en fonction de facteurs comme la réglementation géographique, l’emplacement, l’heure de la journée et le comportement des clients.
L’IA peut aussi être utilisée pour analyser le coût total d’une transaction, y compris les frais liés aux paiements transfrontaliers, aux conversions de devises et aux taux d’interchange, et pour prévoir quel processeur de paiement offrira l’option la plus rentable dans n’importe quel scénario.
Dans l’ensemble, l’acheminement des paiements est exact et à jour grâce à l’utilisation du réseau de paiement le plus efficace pour chaque paiement. L’expérience client est ainsi améliorée étant donné que les décisions d’acheminement sont personnalisées en fonction des préférences et du comportement des clients. De plus, l’amélioration est continue, car les modèles d’IA analysent continuellement les transactions des clients et les décisions d’acheminement.
Obtenir des résultats grâce à vos modèles d’IA – Quatre stratégies clés
Comme la technologie de l’IA continue d’évoluer rapidement, bon nombre de nos clients choisissent d’effectuer une courte validation de concept avant d’investir davantage. Ces validations de concept mettent l’accent sur la recherche et le peaufinage des grands modèles de langage, l’évaluation des données auxquelles ils accèdent et la définition des meilleures requêtes (les questions que vous posez aux modèles). La création d’un environnement d’expérimentation est utile pour ces explorations.
La stratégie la plus importante est peut-être celle des données. Les modèles d’IA nécessitent une grande quantité de données de haute qualité – meilleures sont les données, meilleurs sont les modèles et leurs résultats. Au sein de nombreuses banques, les données sont réparties entre les systèmes, de sorte qu’il peut y avoir du travail à faire pour assurer la qualité des données et leur accès centralisé.
Une fois créés, les modèles doivent être entraînés et mis à jour régulièrement avec les données de transaction les plus récentes. Il est essentiel de surveiller la performance des modèles pour s’assurer qu’ils continuent de produire des résultats exacts et pertinents.
Stratégies clés pour obtenir des résultats
- Effectuer une validation de concept pour peaufiner les modèles et les données;
- Créer un environnement d’expérimentation pour l’exploration dans le cadre de la validation de concept;
- Assurer l’accès à des données centralisées de haute qualité;
- Assurer l’entraînement continu des modèles et une surveillance régulière de la performance.
Quelques précautions et considérations réglementaires
L’utilisation de l’IA pour améliorer l’acheminement des paiements n’est pas facile en raison de la nature sensible des données sur les paiements et de la complexité des systèmes de paiement. Toutefois, ces défis ne sont pas rédhibitoires. Nous devons simplement faire les bons choix et agir de la bonne façon.
Tout d’abord, nous devons nous conformer à la réglementation en matière de données (p. ex. le Règlement général sur la protection des données en Europe, la California Consumer Privacy Act aux États-Unis et d’autres règlements pertinents pour les territoires où votre banque exerce ses activités) en nous assurant que les données sont utilisées aux fins prévues. Les données personnelles, en particulier, ne doivent pas être collectées ou conservées illégalement.
De plus, il faut éviter la discrimination dans nos modèles. Dans le cas de l’acheminement des paiements, c’est peut-être moins pertinent que pour d’autres domaines, comme l’octroi de prêts. Toutefois, nous devons tout de même poser les bonnes questions pour nous assurer que tous nos clients sont traités équitablement.
En outre, les systèmes d’IA peuvent être des « boîtes noires », ce qui rend les décisions d’acheminement difficiles à interpréter. L’Autorité bancaire européenne (ABE), la Réserve fédérale des États-Unis et autres se préoccupent de plus en plus de la façon dont les décisions sont prises par les systèmes d’IA et du caractère explicable de ces décisions. Les décisions d’acheminement doivent être traçables et explicables, surtout lorsque des problèmes surviennent concernant l’exactitude d’un itinéraire de paiement ou le moment où il a lieu.
Enfin, nous devons savoir que l’IA présente de nouvelles couches de complexité de traitement, ce qui augmente le risque de défaillance technologique et de cyberattaques. Il est important de mettre en œuvre de solides tests de gestion des risques et de systèmes d’IA pour atténuer ces risques.
Explorer les possibilités d’un acheminement fondé sur l’IA
L’IA peut jouer un rôle clé dans l’acheminement intelligent, améliorant ainsi les résultats d’affaires des banques et de leurs clients. Bien que les possibilités soient prometteuses, il vous faut examiner attentivement l’ensemble de l’écosystème pour vous assurer que votre analyse de rentabilité n’est pas trop optimiste ou pessimiste.
CGI collabore avec plusieurs banques dans le cadre d’initiatives d’IA stimulantes, et nous faisons évoluer notre solution CGI All Payments pour tirer parti de cette technologie novatrice. Si vous souhaitez en savoir plus sur nos travaux en matière d’IA dans le domaine des paiements ou des services bancaires en général, n’hésitez pas à communiquer avec moi
À propos de l’auteur
Philip Skinner
Directeur, services-conseils
Phil est un expert en solution chevronné dans l’équipe mondiale des paiements de CGI. Il possède plus de 15 ans d’expérience dans la mise en œuvre réussie de stratégies et d’initiatives d’entreprise dans les secteurs des services bancaires de détail et commerciaux, ainsi que dans ...
