Stratégie IA pour les banques : une feuille de route sur trois ans

Un pilote IA bancaire qui impressionne le conseil puis s'enlise en revue du risque de modèle, c'est une histoire connue. Une stratégie IA solide pour les banques l'évite en avançant en quatre étapes, des données gouvernées jusqu'aux agents qui font un vrai travail.

Dans le cadre de mon rôle chez DXC, j'ai travaillé avec des banques au Moyen-Orient et en Afrique. L'ambition leur fait rarement défaut.

Le problème, ce sont les données. Les informations sur les clients, les comptes et les transactions sont réparties entre un core banking, une plateforme cartes, un CRM et une douzaine de tableurs. Chacun a sa propre idée de ce qu'est un client.

Cette feuille de route fonctionne avec toute plateforme de core banking, tout cloud ou tout fournisseur de modèles que votre régulateur accepte. Elle couvre la banque de détail, la banque des PME et la banque de financement des entreprises.

Trois ans, quatre étapes

1. 01

   Maintenant : socle de données

   Données clients, produits et risques sur une seule plateforme gouvernée, avec une traçabilité que les régulateurs peuvent suivre.

2. 02

   Année 1 : intelligence gouvernée

   Un langage métier unique pour les clients, les comptes et les transactions, une gouvernance de l'IA et les premiers gains rapides.

3. 03

   Année 2 : agents IA à l'échelle

   Des agents pour l'entrée en relation, le crédit, la fraude et l'AML, plus une relation client en quasi temps réel.

4. 04

   Année 3 : l'IA intégrée à grande échelle

   L'IA au cœur des fonctions clés, avec des personnes et des agents qui travaillent ensemble et chaque décision traçable.

Le socle se rentabilise par des données fiables et un reporting réglementaire plus propre. La première valeur de l'IA apparaît dès l'année un, et les gains les plus importants arrivent quand les agents commencent à faire un vrai travail, l'année deux.

Les banques savent déjà pourquoi les données comptent, parce que les régulateurs le leur ont appris. Les principes BCBS 239 sur l'agrégation des données de risque exigent des données de risque exactes, complètes et à jour, avec des responsables clairement identifiés. Un bon socle pour l'IA applique cette même discipline, étendue aux données clients et produits.

Voici le travail, dans l'ordre où je le mènerais.

1. Rassembler les données du core banking, des cartes, des paiements, des crédits, du CRM et des canaux digitaux sur une seule plateforme. C'est en général un lakehouse, un entrepôt unique pour les données brutes et nettoyées, dans le cloud ou dans le pays.
2. Ajouter un catalogue et une traçabilité (lineage), pour que chaque chiffre d'un état réglementaire et chaque donnée d'entrée d'un modèle remonte à son système source.
3. Donner aux équipes produits, risques et finance des rapports en libre-service construits sur les mêmes chiffres de clients et de soldes.

La partie la plus difficile est la vue client unique. Prenez une femme qui a un compte courant et une carte de crédit chez vous. Elle est aussi caution du prêt professionnel de son frère et administratrice de l'une de vos entreprises clientes.

Dans la plupart des banques, elle correspond à quatre fiches. Le core banking orthographie son nom d'une façon, la plateforme cartes d'une autre, et le dossier entreprise a son numéro de passeport mais pas sa date de naissance. Un agent IA qui vérifierait son exposition totale manquerait complètement la caution.

La solution est ingrate. Définissez des règles de rapprochement sur le numéro d'identité, la date de naissance et l'adresse, puis construisez une fiche de référence (golden record) avec un responsable métier nommé. Faites-le une fois dans le socle, et chaque modèle en hérite.

Voici un deuxième cas. Votre rapport de risque et votre grand livre affichent des expositions différentes pour la même entreprise cliente. La plateforme cartes comptabilise pendant la nuit, et le système de crédit à midi.

Avec la traçabilité en place, un analyste remonte les deux chiffres jusqu'à leur source et voit le décalage horaire. Sans elle, quelqu'un reconstruit le chiffre dans un tableur avant chaque conseil d'administration.

1. 01Core bankingComptes, soldes et transactions
2. 02Cartes et paiementsDépenses par carte, virements et salaires
3. 03Crédits et CRMPrêts, plafonds et historique des contacts
4. 04Zone d'atterrissageCopies brutes, traçables dès le premier jour
5. 05Vue client uniqueUne personne, tous les rôles qu'elle occupe
6. 06Rapports et états réglementairesDes chiffres produits, risques et réglementaires concordants

Des données fiables que vous pouvez retracer pour le régulateur

Le cœur de l'année un est une couche sémantique. C'est un langage métier unique, partagé par les personnes et les agents IA, où client, compte, produit, plafond, exposition, transaction et réclamation ont chacun une seule définition.

Pourquoi est-ce important ? Demandez à trois équipes combien vous avez de clients actifs.

Le marketing compte toute personne qui a ouvert l'application dans les 90 derniers jours. La finance compte toute personne qui a un solde, et les risques toute personne qui détient un produit ouvert.

Un agent qui répond à cette question pour le conseil doit utiliser la définition du dossier du conseil. La couche sémantique est l'endroit où vous l'écrivez une fois pour toutes.

La gouvernance de l'IA arrive la même année, construite autour de votre régulateur. Aux Émirats arabes unis, cela signifie les lignes directrices conjointes destinées aux institutions financières qui adoptent des technologies habilitantes. Au Royaume-Uni, ce sont les principes de gestion du risque de modèle de la PRA (SS1/23).

Dans l'UE, l'AI Act classe à haut risque l'évaluation de la solvabilité des particuliers. Mon conseil est de tenir un registre unique des cas d'usage IA. Donnez à chacun un responsable, un niveau de risque, des résultats de tests et une étape de revue humaine, puis faites correspondre le registre à chaque règle à laquelle vous êtes soumis.

Visez ensuite des gains rapides que le personnel et les clients remarquent. Je choisirais parmi ceux-ci :

1. Un copilote pour le personnel, un assistant qui répond à partir des politiques internes, des conditions des produits et de l'historique client.
2. Des synthèses de réclamations qui donnent au gestionnaire toute l'histoire sur un seul écran.
3. Un conseiller de dépenses personnel dans l'application que les clients utilisent déjà.
4. Des alertes de rétention qui préviennent un chargé de clientèle quand un client semble prêt à partir.

Voici un copilote dans un centre de contact. Une cliente appelle au sujet de frais sur un paiement par carte effectué à l'étranger. Le copilote trouve la clause sur les frais, vérifie le niveau de sa carte et affiche la réponse en citant la clause.

Rembourser les frais à titre commercial reste la décision du conseiller, et je pense que cela doit rester ainsi.

Le conseiller de dépenses s'appuie sur des habitudes que les clients connaissent déjà. Disons qu'un salaire arrive le 25, que le loyer part le 1er et que les frais de scolarité tombent chaque septembre. Le conseiller suggère de mettre un peu de côté chaque mois pour septembre.

Les alertes de rétention lisent des signaux plus discrets, comme un salaire qui cesse soudain d'arriver le 25. Le chargé de clientèle l'apprend dans la semaine, quand il est encore temps d'appeler.

1. 01Le chargé de clientèle demandeLesquels de mes clients risquent de partir ?
2. 02Couche sémantiqueDéfinitions bancaires de client, de produit et d'actif
3. 03Données gouvernéesComptes, transactions et réclamations
4. 04Le copilote répondAvec la raison et la source de chaque cas
5. 05Le chargé vérifieAppelle le client ou écarte l'alerte

La même réponse que donnerait le dossier du conseil

Valeur métierÉlevéeMoyenneFaible

• Conseiller de dépenses personnel

• Alertes de rétention
• Tri des alertes AML

• Aide à la décision de crédit

• Copilote de politiques pour le personnel
• Synthèses de réclamations

FaibleMoyenÉlevéRisque réglementaire

• Faible
• Modéré
• Critique

L'année deux passe des assistants aux agents. Un assistant répond à la question d'une personne. Un agent accomplit une tâche dans les limites que vous fixez, puis la transmet à une personne.

En banque, les volumes et la valeur se concentrent à quatre endroits :

1. L'entrée en relation et le KYC, les vérifications de connaissance client qu'exige chaque nouveau compte.
2. Le crédit, de la collecte des documents à la rédaction de la note de crédit.
3. La fraude, où l'agent note les transactions par carte et les paiements en quasi temps réel.
4. L'AML (lutte contre le blanchiment), où les alertes s'accumulent plus vite que les enquêteurs ne peuvent les traiter.

Prenez l'entrée en relation d'une PME. Une société de négoce télécharge sa licence commerciale, ses statuts et les passeports de ses actionnaires. L'un des actionnaires est une société immatriculée dans un autre pays.

L'agent traite le dossier étape par étape :

1. Il lit chaque document et en extrait les noms, les dates et les numéros d'immatriculation.
2. Il vérifie la licence auprès du registre des sociétés et passe chaque nom au crible des listes de sanctions et de surveillance.
3. Il remonte la chaîne de l'actionnaire étranger pour trouver le bénéficiaire effectif, la personne réelle qui possède l'entreprise.
4. Il trouve une correspondance approchante sur une liste de sanctions pour un administrateur, avec le même nom et une date de naissance différente.
5. Il prépare le dossier avec cette correspondance signalée et les éléments de preuve joints.

Une responsable conformité examine le signalement et décide. L'agent a fait la collecte, et c'est elle qui juge.

Le crédit fonctionne de la même façon. Pour une PME qui demande une ligne de fonds de roulement, l'agent rassemble les relevés bancaires, les comptes audités et le rapport du bureau de crédit. Il présente les chiffres dans le format standard de la banque (les équipes crédit appellent cela le spreading) et rédige la note de crédit.

Il peut signaler que la plupart des ventes vont à un seul acheteur. La décision reste à l'analyste crédit.

La fraude va plus vite. Quelqu'un utilise une carte dans un magasin de son pays, puis en ligne dans un autre pays quarante minutes plus tard. L'agent bloque le second paiement, demande au client de confirmer dans l'application et montre à un analyste pourquoi il a agi.

L'AML est plus lente. Des dépôts d'espèces arrivent sans cesse juste sous le seuil de déclaration, dans différentes agences. L'agent rassemble l'historique et rédige le récit du dossier, et l'enquêteur décide s'il faut déposer une déclaration de soupçon.

La même année apporte une relation client en quasi temps réel. Le dirigeant d'une petite entreprise voit une prévision de trésorerie une semaine avant l'échéance d'un gros paiement fournisseur.

Le modèle opérationnel change aussi. Chaque agent a besoin d'un responsable, d'une limite claire sur ce qu'il peut faire, d'une surveillance et d'un bouton d'arrêt. Les équipes de risque de modèle doivent examiner les agents avec le même soin que les modèles.

1. 01AlerteLa surveillance des transactions lève une alerte
2. 02RassemblerComptes, contreparties, historique et résultats de filtrage
3. 03ÉvaluerNote l'alerte au regard des dossiers passés
4. 04RédigerRédige le récit du dossier avec les preuves
5. 05DéciderL'enquêteur classe ou fait remonter
6. 06ApprendreLes résultats affinent le tri suivant

Le risque de modèle examine l'agent comme un modèle

À l'année trois, l'IA est présente dans le crédit aux particuliers, les cartes, la banque des PME, la trésorerie, les opérations et les risques. Les personnes et les agents travaillent côte à côte, et chaque circuit de décision a un responsable nommé et une piste d'audit.

Le partage de données élargit ce que les agents peuvent voir. Les API d'open banking permettent aux clients de partager, avec leur consentement, des comptes détenus ailleurs. ISO 20022, la norme plus récente pour les messages de paiement, transporte des informations plus riches sur qui a payé qui et pourquoi.

Prenez une entreprise cliente qui reçoit des centaines de paiements par jour. Un agent rapproche chacun d'eux de la bonne facture grâce aux informations de remise ISO 20022. Il signale le reste à l'équipe trésorerie du client.

Le back-office change aussi. En fin de mois, un agent rapproche ligne par ligne les comptes nostro de la banque (ses comptes auprès d'autres banques, en devises). Un analyste des opérations ne traite que les écarts que l'agent ne sait pas expliquer.

Les partenaires se branchent sur la même couche gouvernée et utilisent vos définitions et vos contrôles. Un concurrent ne peut pas copier rapidement trois ans de tuyauterie.

1. Directeur des opérationsResponsable du portefeuille d'agents et de ses résultats
   Risque de modèle et conformitéValidation, surveillance et bouton d'arrêt
2. Responsables de métiersResponsables des agents de leur ligne métier

• Agent d'entrée en relationSous la responsabilité du responsable de l'entrée en relation
• Agent créditSous la responsabilité du directeur des risques de crédit
• Agent fraudeSous la responsabilité du responsable de la fraude
• Agent AMLSous la responsabilité du MLRO

1. 04Agents et copilotes IAAgents d'entrée en relation, de crédit, de fraude, d'AML et de relation client, avec des points de validation humaine
2. 03Couche d'intelligence gouvernéeModèle sémantique des clients, des comptes, des produits et des transactions, plus le registre IA
3. 02Socle de donnéesLakehouse avec traçabilité, catalogue et qualité des données, dans le pays si nécessaire
4. 01Systèmes centrauxCore banking, cartes, paiements, crédits, CRM et canaux digitaux

Quatre engagements traversent toute stratégie IA pour les banques.

1. Des options d'IA hébergées dans le pays et souveraines. De nombreux régulateurs attendent que les données clients restent dans le pays. Choisissez des plateformes et des modèles capables d'y fonctionner, y compris des modèles ouverts que vous hébergez vous-même.
2. Une architecture ouverte et multiplateforme. Les modèles changent tous les quelques mois : laissez à la banque la liberté de changer de fournisseur d'IA.
3. Une gouvernance alignée sur votre régulateur. Un registre IA unique et un processus unique de risque de modèle, mis en correspondance avec chaque règle à laquelle vous êtes soumis.
4. Des équipes capables de travailler avec les agents. Les chargés de clientèle, les analystes et les enquêteurs doivent savoir quand faire confiance à un agent et quand passer outre.

Voici à quoi ressemble le fait de passer outre. Un agent AML classe une alerte en risque faible parce que les dépôts correspondent au salaire habituel du client. L'enquêtrice sait que l'employeur a fermé le mois dernier, alors elle rouvre le dossier.

La première erreur est de commencer par un chatbot face aux clients. Sans couche sémantique, il donne des réponses différentes à la même question.

Demandez deux fois votre plafond de carte et vous obtiendrez peut-être deux chiffres. L'un vient de la plateforme cartes, l'autre d'une copie périmée du CRM.

Je ferais démarrer la stratégie IA de votre banque à l'intérieur de la banque. Les copilotes du personnel et les agents d'opérations sont des terrains d'apprentissage plus sûrs, parce qu'une personne vérifie chaque réponse avant qu'un client ne la voie.

La deuxième erreur est de construire l'IA en dehors de la gestion du risque de modèle. Un pilote qui a sauté la validation ne peut pas passer en production, et l'équipe recommence. Impliquez les risques et la conformité dès le premier cas d'usage, même si cela paraît lent.

Ce qui échoueCe qui marche

1. 01Ce qui échoue: Un chatbot client comme premier projet→Ce qui marche: Copilotes internes et agents d'opérations d'abord
2. 02Ce qui échoue: Des pilotes construits hors de la gestion du risque de modèle→Ce qui marche: Le risque de modèle impliqué dès le premier cas d'usage
3. 03Ce qui échoue: Chaque modèle avec sa propre définition du client→Ce qui marche: Une vue client gouvernée unique pour tous les modèles
4. 04Ce qui échoue: Risques et conformité invités à la fin→Ce qui marche: Risques, conformité et métiers portent le sujet ensemble

Si vous voulez savoir à quelle étape se trouve votre banque aujourd'hui, réservez un appel avec moi. Apportez votre liste actuelle de cas d'usage IA, et je vous dirai par où je commencerais.

Que doit contenir la stratégie IA d'une banque ?

Une bonne stratégie IA pour les banques a besoin d'un socle de données gouverné, d'une couche sémantique et d'une gouvernance de l'IA alignée sur votre régulateur. Elle ajoute ensuite des agents pour l'entrée en relation, le crédit, la fraude et l'AML. Les options hébergées dans le pays, une architecture ouverte et la formation du personnel soutiennent l'ensemble.

Par où une banque doit-elle commencer avec l'IA ?

Commencez par le socle de données et par des cas d'usage internes. Les copilotes du personnel, les synthèses de réclamations et un conseiller de dépenses personnel apportent de la valeur avec un risque maîtrisable. Les décisions de crédit viennent plus tard, avec les contrôles les plus stricts et une personne qui valide chacune d'elles.

L'IA de notation de crédit est-elle à haut risque au titre de l'EU AI Act ?

Oui, l'EU AI Act classe à haut risque les systèmes d'IA qui évaluent la solvabilité des particuliers ou établissent leur note de crédit. La détection de la fraude fait exception. Les systèmes à haut risque exigent une gestion des risques, une gouvernance des données, une documentation, un contrôle humain et une surveillance.

Quelle différence entre agents IA et assistants IA dans la banque ?

Un assistant répond aux questions d'une personne. Un agent agit dans les limites que vous fixez, par exemple pour rassembler les documents KYC, trier les alertes ou rédiger une note de crédit. En banque, les agents doivent préparer les décisions, et une personne doit les valider.

Les banques peuvent-elles utiliser l'IA en gardant les données dans le pays ?

Oui. De nombreux fournisseurs de cloud proposent des régions dans le pays, et des modèles ouverts peuvent tourner sur des serveurs que la banque contrôle. Décidez quelles données peuvent sortir du pays avant de choisir les plateformes et les modèles.