Le monde financier a été parmi les premiers à recourir à l’intelligence artificielle (IA). Dès les années 1980, les banques se servaient déjà de modèles informatiques pour déceler les écarts de prix et en tirer avantage. Puis dans les années 1990, le recours à des systèmes d’IA basés sur des règles a accéléré la lutte contre la fraude et facilité les évaluations de crédit.
Au tournant du millénaire, l’apprentissage automatique a permis des gains d’efficacité en gestion du risque et en segmentation de la clientèle. Et plus récemment, la porte s’est ouverte sur de nouveaux outils performants d’évaluation de la solvabilité, des transactions à haute fréquence alimentées par l’IA et la détection en temps réel de fraudes.
Aujourd’hui, les modèles d’apprentissage profond sont porteurs d’innovation en service à la clientèle, en planification financière, en veille sectorielle et en développement d’applications de technologie financière : systèmes de paiement, plateformes de crédit, outils de conformité réglementaire…
Selon la société de conseil en gestion internationale McKinsey (article en anglais), l’IA générative pourrait accroître la productivité de 3 à 5 % dans le secteur bancaire et y réduire les dépenses d’exploitation de plusieurs centaines de milliards de dollars par an.
L’IA générative n’est pas sans faille. Il lui arrive en effet de fournir des renseignements inexacts ou incohérents. Un transporteur aérien l’a d’ailleurs appris à ses dépens en se faisant condamner à verser une indemnité à un client en raison de renseignements erronés communiqués par son robot conversationnel.
La transparence est aussi au cœur des préoccupations. Les données sont‑elles biaisées? Certains groupes ou individus sont‑ils désavantagés pour des raisons opaques? Qu’en est‑il des droits de propriété intellectuelle? Et la question qui tue dans le domaine bancaire : ces systèmes sont‑ils à l’abri des cyberpirates?
Si l’IA a fait ses preuves en finance, son utilisation n’est pas sans risque. Prudence est donc mère de sûreté.