Les entreprises évoluent rapidement à mesure que l’intelligence artificielle (IA) passe de simples projets pilotes à une mise en œuvre à plus grande échelle. Ce déploiement plus large de l’IA transforme les industries, stimule l’innovation et améliore l’efficacité opérationnelle dans les différentes activités de l’entreprise.

L’importance de la mise à l’échelle l’IA

Le passage des PoC (démonstrations de faisabilité) à l’application de l’IA à grande échelle est un moment charnière pour les entreprises. Alors que les premiers projets mettent en évidence un certain potentiel sans parvenir à produire un impact significatif, l’IA déployée à l’échelle de l’entreprise améliore quant à elle considérablement l’efficacité, la prise de décision et constitue un véritable avantage concurrentiel. Prenons l’exemple d’un retailer européen spécialisé dans la vente de produits électroniques : il peut s’appuyer sur l’IA pour prédire les taux de conversions des acheteurs en ligne et déclencher des interventions et actions adaptées lors de leur navigation. Autre exemple : un média européen peut utiliser l’IA pour évaluer le sentiment des lecteurs en se basant sur les commentaires et les critiques afin d’améliorer les futurs articles.

Cependant, selon le rapport “Global AI Adoption Index”, les entreprises européennes sont réticentes concernant l’adoption de l’IA pour des raisons de réglementation et de sécurité. La Cour des comptes européenne a confirmé que les investissements de l’UE dans l’IA étaient inférieurs à ceux des leaders mondiaux. Pour remédier à cette situation, l’UE a proposé un règlement européen sur l’IA (EU AI Act), qui impose des utilisations spécifiques de l’IA, réduit les charges administratives et financières et confie la responsabilité de la conformité aux fournisseurs de solutions d’IA, étant donné que de nombreuses entreprises ne disposent pas de l’expertise nécessaire en matière d’IA.
L’AI Innovation Package et le Coordinated Plan on AI visent également à stimuler l’investissement dans l’IA au sein de l’Union Européenne.
Comme les entreprises en Europe estiment que l’adoption des technologies d’IA à grande échelle est de plus en plus lucrative, elles espèrent tirer des bénéfices significatifs en termes d’efficacité interne et d’innovation sans courir de grand risque réglementaire.

Efficacité interne, innovation et succès

Autre avantage du déploiement à grande l’échelle de l’IA : il améliore l’efficacité interne en automatisant les tâches à faible risque, ce qui permet de se concentrer davantage sur les activités stratégiques. Par exemple, l’IA peut gérer les demandes d’un Service clients, la logistique complexe de la chaîne d’approvisionnement ou encore l’évaluation du risque de crédit. Prenons l’exemple d’une grande banque européenne : elle utilise l’IA pour analyser les dossiers des clients et effectuer des évaluations du risque de crédit, et ce même dans les langages dits à faibles ressources (langages disposant de peu de données numériques). Les conseillers bancaires conservent bien entendu le pouvoir de décision, la solution d’IA jouant le simple rôle d’assistant.

La mise à l’échelle de l’IA favorise aussi l’innovation, permet d’identifier des données clefs et de prendre des décisions plus pertinentes. Dans le domaine des biens de consommation, l’IA peut stimuler l’engagement en ligne en analysant les termes de recherche et les descriptions de produits par rapport à la concurrence sur des places de marché tierces. Elle permet de mettre en évidence les caractéristiques principales des produits et les mots clés appropriés dans leurs descriptions. Ces informations sont également utilisées pour le Développement produit.

Exemples de passage à l’échelle réussis

Pour comprendre la valeur ajoutée de l’IA à grande échelle, il faut analyser son déploiement et son impact au sein des différentes fonctions et services de l’entreprise :

• Service client
  Le centre d’appel d’une grande banque européenne utilise une solution d’IA pour aider les agents dans leurs missions en leur suggérant des solutions, en réacheminant les appels, en prédisant les intentions et en recommandant des éléments de langage. Intégrée à l’application du centre d’appel, la solution réduit la complexité de gestion du changement et a permis d’améliorer le taux de satisfaction des clients et de réduire la perte de clients.
• Ressources humaines
  L’utilisation de l’IA générative dans le domaine des ressources humaines comporte des risques car cette technologie peut diffuser les biais cognitifs inhérents aux méthodes de sélection. Toutefois, ces risques sont atténués grâce à des garde-fous qui évitent les flux de données PII au point d’entrée (en écartant le code postal, le nom, le sexe par exemple), et au masquage de style par le biais de résumés de candidatures plutôt que par la soumission de textes originaux. La suppression des biais et l’amélioration de la précision conduisent à une utilisation à grande échelle plus sûre.
• Gestion de la chaîne d’approvisionnement
  Une grande entreprise européenne de produits de grande consommation déploie un système alimenté par l’IA qui gère de manière autonome les prévisions de demande. Il regroupe automatiquement les produits en unités de prévision de demande (DFU), sélectionne les algorithmes optimaux, s’autocorrige en tenant compte des erreurs récentes et explique les variations exceptionnelles des prévisions pour plus de 20 000 combinaisons de magasin et de codes UGS, le tout sans personnalisation manuelle.
• Marketing
  Le site web est souvent considéré comme la vitrine numérique d’une marque. Les grandes enseignes de l’habillement tirent ainsi parti de l’IA pour rationaliser leur site web en élaborant du contenu à partir de diverses sources de données, telles que la base de données produits, les informations sur les fournisseurs, les PDF/PPT et les bibliothèques d’actifs numériques marketing, réduisant ainsi les délais de création de contenu. Ce contenu généré par l’IA réduit les délais de création et fait l’objet d’une révision et d’une approbation humaine avant toute publication.

Surmonter les obstacles

Si les avantages de l’IA déployée à l’échelle sont évidents, les entreprises doivent néanmoins relever plusieurs défis :

• Considérations éthiques
  Les systèmes d’IA doivent être conçus et déployés de manière éthique afin d’éviter les biais et garantir l’équité, comme dans le cas des ressources humaines. La loi européenne sur l’IA (EU AI Act) aidera les entreprises à adopter cette technologie de manière éthique en leur fournissant un cadre réglementaire.
• Infrastructure technologique
  Les entreprises doivent investir dans la technologie nécessaire pour répondre aux exigences des applications d’IA à grande échelle. L’IA responsable n’est pas seulement une question de réglementation, elle est aussi une question de budget. S’il est possible de générer du contenu marketing automatiquement, cette pratique n’est pas toujours conseillée.
• Gestion du changement
  La mise en place de stratégies efficaces de gestion du changement est cruciale pour assurer une transition fluide et obtenir l’adhésion des employés. Lorsqu’un agent de centre d’appel reçoit des instructions d’un outil d’IA et non plus d’un moteur de règles traditionnel, les réactions négatives sont réduites.

La révolution induite par le passage à l’échelle de l’IA est bien plus qu’une avancée technologique, il s’agit d’un impératif stratégique pour les organisations. L’IA responsable implique des dépenses, concerne les collaborateurs et doit prendre en considération les réglementations.

Voilà plusieurs décennies que le secteur des services financiers est un grand consommateur d’analyses avancées. Aujourd’hui, de nouvelles innovations en matière de solutions soutenues par l’IA ont fait leur apparition et permettent d’améliorer considérablement le service client, l’efficacité opérationnelle et la résilience. Pour cela, il est essentiel d’obtenir des cadres et des plateformes à la fois standardisées et cohérentes.

Le secteur de la finance est confronté à de nombreux défis, notamment l’environnement macroéconomique mondial, marqué par un risque de défaut de paiement dans un contexte de stagnation de la croissance mondiale. Par ailleurs, le secteur subit une pression grandissante pour se moderniser : les institutions financières doivent gagner en efficacité, améliorer leur service client, réduire les risques, lutter contre la criminalité financière, aborder la question de la durabilité et procéder à des changements réglementaires. L’adoption de l’IA jouera un rôle clé dans la réalisation de ces objectifs.

L’IA comme moteur de la modernisation résiliente

Les technologies d’IA ont déjà été déployées dans le secteur financier, par exemple dans des chatbots interactifs dédiés au service client, dans l’analyse de documents ou dans l’identification d’anomalies dans les transactions de paiement pour la détection des fraudes. Les banques s’appuient depuis longtemps sur l’IA prédictive – en grande partie sur des solutions basées sur le Machine Learning – pour automatiser et rationaliser les processus. En outre, l’IA générative peut considérablement améliorer les capacités de nombreuses applications existantes, y compris dans le cadre d’enjeux environnementaux, sociaux et de gouvernance (ESG). Par exemple, le projet Gaia lancé par la BRI a démontré la capacité à automatiser l’extraction et l’analyse des données ESG des entreprises afin de rendre l’évaluation du risque climatique plus transparente et plus efficace.

Bien qu’il s’agisse de premières réalisations marquantes pour les institutions individuelles, les banques centrales et les autorités de régulation sont confrontées à un défi majeur : garantir la stabilité du système financier mondial. Les changements réglementaires à venir à l’échelle internationale, apportés de façon progressive, porteront sur de nouveaux types de risques systémiques potentiels, tels que les risques de concentration dans le cloud, l’utilisation de l’IA, le changement climatique et les futurs risques corrélés émergeant d’un système financier mondial en constante évolution.

Appliquer l’IA à l’automatisation des processus sera essentielle pour soutenir l’efficacité et la résilience du secteur. Par exemple, l’automatisation event-driven soutenue par l’IA aidera les institutions à répondre aux exigences de portabilité des applications pour les technologies d’information et de communication (TIC) critiques tierces. Démontrer régulièrement cette capacité est d’ailleurs une des exigences réglementaires clés de la réglementation DORA (Digital Operational Resilience Act) mise en place par l’Union européenne.

Concernant l’infrastructure, la priorité reste la modernisation des applications héritées – comme les systèmes bancaires centraux – pour leur permettre de gagner en agilité. Les plateformes centrales continueront d’être utilisées par certaines applications, tandis que d’autres workloads seront déplacées vers le cloud – ou deviendront cloud natives pour suivre le rythme rapide de développement moderne et gagner en portabilité pour pouvoir fonctionner dans des environnements cloud selon les besoins. Toutefois, le replatforming ou la réécriture des logiciels peut être un processus à la fois complexe et coûteux. C’est un domaine où l’IA générative peut aider, en traduisant les logiciels dans différents langages de programmation, ou en contribuant à la reconversion des équipes informatiques grâce à des assistants de codage capables de prendre en charge un plus large volume de tâches basiques. L’IA peut également optimiser les environnements où les applications sont déployées, en tenant compte des défis comme les mesures de durabilité, l’efficacité opérationnelle et les préoccupations liées aux coûts.

Par ailleurs, l’utilisation de l’IA apporte de sérieux avantages aux équipes opérationnelles et de service. À l’avenir, les assistants alimentés par l’IA seront en mesure de traiter des demandes et de répondre à des problématiques client bien plus complexes. En outre, l’utilisation de l’IA peut rationaliser les rapports financiers dans le secteur bancaire en automatisant l’agrégation et l’analyse de données pour obtenir des rapports plus précis dans les meilleurs délais.

L’IA jouera également un rôle déterminant dans la capacité d’une banque à gérer les risques issus de chocs macroéconomiques externes à court terme ou de changements transformateurs à plus long terme, à l’instar du changement climatique. Dans ces situations, l’IA a besoin d’accéder à de vastes ensembles de données qui peuvent apporter de nouvelles perspectives pour améliorer les capacités de prédiction.

Le potentiel des données synthétiques

Aujourd’hui, l’IA peut déjà accélérer le processus de prise de décision dans certaines situations. Au fur et à mesure de son développement, l’IA aura la capacité d’étendre et d’améliorer sensiblement les possibilités de nombreuses applications. Toutefois, le succès de l’IA sera freiné par l’absence de données de haute qualité. La pénurie de données résulte du silotage de ces dernières au sein des institutions à cause des exigences croissantes en matière de confidentialité des données, de propriété intellectuelle et de souveraineté des données.

Heureusement, l’IA elle-même pourra contribuer à pallier ce manque de sources de données adaptées et de haute qualité en passant par la création de « données synthétiques ». Il s’agit de reproduire des sources de données existantes afin de les rendre anonymes pour des raisons de confidentialité et de simplification du partage de données. L’IA peut être utilisée pour créer des sources de données synthétiques plus robustes qui permettront à certaines applications d’outrepasser les limites des données purement historiques pour développer des perspectives plus pertinentes sur d’éventuelles situations émergentes.

La criminalité financière est un domaine d’application idéal pour les données synthétiques. Si un modèle de Machine Learning ou d’IA est construit à partir d’un ensemble de données contenant un nombre limité de cas d’un certain type de crime financier, il peut en prévoir la récurrence de manière extrêmement précise. Toutefois, cette précision prédictive est considérablement réduite lorsqu’il s’agit de saisir différentes variations de ce type de crime qui n’existent pas dans les données disponibles. Afin de faire gagner ce modèle en robustesse et d’avoir une longueur d’avance sur les menaces, les simulations basées sur l’IA peuvent générer des centaines de milliers ou de millions de scénarios synthétiques, fournissant un système de détection potentiellement plus robuste qui peut être validé par des inspections sur les nouvelles variations probables d’un certain type de crime financier. De cette manière, les données synthétiques générées par l’IA peuvent considérablement améliorer la détection de fraude. En outre, les modèles de réseaux antagonistes génératifs (GAN) et les simulations de modèles basés sur des agents (ABM) constituent deux approches de l’IA utilisées pour ces types de cas d’utilisation.

Le défi de l’IA explicable

Au-delà des données, de nombreux défis se posent pour rendre les modèles d’IA plus résilients et plus fiables. L’un des domaines clés est l’effort de recherche mondial mené pour développer des approches innovantes en matière d’IA explicable (XAI). L’objectif de l’XAI consiste à développer des cadres pour rendre le processus de prise de décision par l’IA plus transparent et responsable et d’améliorer la fiabilité, la prise de décision, et le respect des règlementations en vigueur.

Ces cadres développés par XAI vont devoir d’abord, pour être applicables et avoir un impact, relever trois défis majeurs : les solutions de boîte noire en raison de la complexité des modèles, les limites posées par un accès plus large aux données pour l’analyse des modèles en raison de la confidentialité des données, et un paysage réglementaire de l’IA en rapide et constante évolution.

Du côté de la réglementation, la récente initiative AI Act adoptée par l’Union européenne constitue le premier vrai effort pour établir un cadre réglementaire complet pour les systèmes d’IA. Cette réglementation adopte une approche fondée sur le risque : plus le niveau de risque est élevé, plus les réglementations liées à l’IA sont strictes. Les systèmes d’IA à haut risque doivent répondre à un large éventail d’exigences, parmi lesquelles l’explicabilité et la documentation, la gouvernance des processus basés sur l’IA, la gouvernance des données, la surveillance humaine, la gestion des risques et l’auditabilité. À mesure que des cadres réglementaires similaires axés sur l’IA seront mis en place dans d’autres régions et pays, il faudra garantir un certain degré de cohérence réglementaire mondiale fondée sur le risque afin d’encourager l’innovation continue en matière de capacités et de solutions d’IA.

Les possibilités créées par l’IA sont, en principe, presque illimitées, à condition que des équipes, des solutions et des processus adaptés soient mis en place. Comme de nombreux dirigeants d’entreprise envisagent d’adopter une stratégie de cloud hybride prise en charge par une plateforme commune et une couche d’automatisation afin de leur garantir davantage de liberté et de flexibilité, la même chose s’applique dans le cadre de l’IA. Il s’agit d’offrir à toutes les équipes de l’entreprise une expérience cohérente et centralisée lors de la formation, de la maintenance, de la mise au point et du déploiement de modèles d’IA en production. En outre, un environnement holistique (par opposition à un environnement siloté) évitera d’avoir trop de points de défaillance et aidera à normaliser les tests et la validation pour répondre aux exigences de contrôle et de transparence fondamentales pour pouvoir obtenir les approbations réglementaires et faire évoluer l’IA.