AI for Finance Summit par Artefact - 17 septembre 2024 - Paris

Principaux enseignements de la table ronde avec Anne-Gaëlle Chasles, vice-présidente IBM et Managing Director Financial Services chez IBM, Emmanuel Sardet, directeur informatique adjoint du groupe et directeur technique du groupe Crédit Agricole, Su Yang, responsable de l'IA pour la banque transactionnelle et responsable de l'IA et de l'innovation informatique chez BNP Paribas, et Jérémie Cornet-Vuckovic, directeur du conseil Data - Stratégie et projet IA chez Artefact.

Introduction et objectif

La table ronde a commencé par poser les bases d'une discussion sur le rôle de l'IA dans l'amélioration de l'efficacité opérationnelle, la création de valeur et la mesure de l'impact. L'objectif était d'explorer les stratégies, les facteurs de réussite et les défis liés à la mise en œuvre de l'IA, en se concentrant particulièrement sur les cas d'utilisation pratiques et leurs résultats mesurables. Parmi les intervenants, des dirigeants de BNP Paribas, d'IBM et d'autres secteurs financiers et technologiques ont partagé leurs points de vue.

AI chez BNP Paribas

Su Yang a souligné que l'IA est au cœur de la stratégie commerciale de la banque. Pour suivre l'impact de l'IA, la banque utilise trois types de mesures : financières (économies de coûts, retour sur investissement), perceptuelles (satisfaction des utilisateurs, score de promoteur net) et d'utilisation (par exemple, fréquence d'utilisation des outils d'IA). L'implication de tous les acteurs concernés, y compris les chefs d'entreprise et les professionnels de l'informatique, dans le suivi de ces mesures garantit une compréhension approfondie des effets de l'IA sur l'organisation.

Orientation stratégique et leadership chez BNP Paribas

Une perspective complémentaire a mis en évidence l'importance de la concentration et de l'engagement des dirigeants. La banque a donné la priorité à plus de 30 cas d'utilisation de l'IA, chacun étant supervisé par un membre du comité exécutif. Cela permet de s'assurer que la création de valeur est alignée sur les objectifs de l'entreprise, qu'il s'agisse d'opérations en contact avec les clients, d'améliorations de l'efficacité ou de croissance du chiffre d'affaires. Le leadership joue un rôle crucial dans le maintien de l'élan et la mesure du succès.

La transformation d'IBM en matière d'IA

IBM, malgré son statut de géant de la technologie, utilise également l'IA en interne pour améliorer l'efficacité, s'alignant ainsi sur ses offres externes en matière d'IA. L'entreprise utilise une approche structurée pour améliorer ses processus, en commençant par l'analyse comparative et en réunissant des équipes interfonctionnelles pour rationaliser les flux de travail. Par exemple, son système de support client alimenté par l'IA traite désormais 70% de demandes de manière autonome, tandis que son système d'IA pour l'approvisionnement a permis d'économiser 26 000 heures par an en fournissant un accès plus rapide aux informations critiques.

Cas d'utilisation dans la détection et la prévention de la fraude

BNP Paribas a partagé un cas d'utilisation notable dans la détection de la fraude, un domaine où l'IA a donné des résultats significatifs. L'IA permet de s'attaquer à la complexité des tactiques de fraude en constante évolution, en offrant des solutions qui s'adaptent rapidement et améliorent l'efficacité opérationnelle. Au-delà de la prévention de la fraude, l'IA générative devrait encore renforcer l'efficacité en aidant les développeurs et en améliorant la personnalisation des clients dans le secteur bancaire.

Défis et facteurs de réussite

Les principaux défis liés à l'adoption de l'IA consistent notamment à assurer la collaboration entre les entreprises, les services informatiques et les équipes scientifiques dès le départ. Des mesures appropriées sont essentielles pour hiérarchiser les projets et mesurer leur impact, tandis que des investissements suffisants et de l'ambition sont nécessaires pour réussir. Le perfectionnement des employés et l'adoption par les utilisateurs sont également essentiels pour que les projets d'IA apportent une valeur réelle et évitent les blocages de mise en œuvre.

Considérations éthiques, environnementales et sociales

Le débat s'est conclu par des réflexions sur les impacts plus larges de l'IA, notamment la durabilité, la confiance, l'inclusivité et la souveraineté européenne. La réduction de l'empreinte environnementale de l'IA, la garantie de pratiques éthiques, la promotion de la diversité et l'alignement sur les valeurs européennes ont été soulignés comme étant essentiels au déploiement responsable de l'IA. L'engagement d'IBM à utiliser des modèles plus petits et plus économes en énergie est un exemple de la manière dont les entreprises technologiques répondent à ces préoccupations.