Comment les banques utilisent-elles réellement l'IA générative ?
Si l'on met de côté les gros titres et le battage médiatique, la question essentielle est la suivante : comment les plus grandes banques du monde utilisent-elles l'IA générative ? Ce n'est pas le potentiel futur, ni la promotion des fournisseurs, mais où se trouvent les applications concrètes déjà mises en œuvre ?
Au cours des deux dernières années, le secteur financier mondial a discrètement pénétré dans l'ère de l'IA générative. Cependant, ce processus n'est pas uniforme, mais présente une configuration distincte entre l'intérieur et l'extérieur : le déploiement discret d'outils internes, des expérimentations prudentes axées sur les clients, et quelques innovations audacieuses redéfinissent progressivement l'architecture interne des banques.
Commencer par l'intérieur, puis étendre progressivement.
Les applications de l'IA ont un point commun : elles commencent par des outils de productivité internes.
L’application principale de l’IA générative est axée sur l’amélioration de la productivité interne – des outils qui aident les employés à faire plus avec moins. De l’assistant analyste de JPMorgan interprétant la recherche sur les actions à l’outil GPT de Morgan Stanley qui alimente les conseillers en gestion de patrimoine, l’accent a d’abord été mis sur l’autonomisation des banquiers, et non sur leur remplacement.
Goldman Sachs construit un assistant AI pour les développeurs ; l'outil de résumé AI de Citi aide les employés à traiter des mémos et à rédiger des e-mails ; "SC GPT" de Standard Chartered a été lancé auprès de ses 70 000 employés, pour couvrir tous les aspects, de la rédaction de propositions aux questions de ressources humaines.
Étant donné que nous évoluons dans un environnement hautement réglementé, le déploiement d'outils internes semble particulièrement raisonnable. Cela permet aux banques d'expérimenter et d'améliorer leurs capacités en IA sans franchir les lignes rouges réglementaires. Si l'on se réfère aux récentes actions de la CBN (Banque centrale du Nigeria) contre Zap, alors "la prudence avant tout" est clairement un choix plus sage.
Observation de la ligne d'affaires : où est la valeur ?
Les progrès des applications d'IA varient selon les départements. Il existe des différences dans la vitesse d'adoption de l'IA générative entre les différents départements commerciaux. Parmi eux, les banques de détail sont en tête en termes de volume de transactions. Dans ce domaine, des chatbots alimentés par l'IA générative, tels que Fargo de Wells Fargo et Erica de Bank of America, traitent chaque année des centaines de millions d'interactions. En Europe, Commerzbank a récemment lancé son propre chatbot, Ava.
Cependant, le problème est que certains de ces outils n'utilisent en réalité pas l'IA générative, mais reposent plutôt sur des techniques d'apprentissage automatique traditionnelles. Par exemple, Erica de Bank of America fonctionne davantage comme un « Turc mécanique » (Mechanical Turk, ce qui signifie créer une illusion d'automatisation par des opérations humaines). Néanmoins, il est important de se concentrer sur les expériences elles-mêmes plutôt que sur les étiquettes techniques.
Dans le domaine des entreprises et des banques d'investissement, la transformation est plus implicite. Les outils internes de JPMorgan soutiennent principalement les équipes de recherche et de vente, et non directement les clients. Deutsche Bank utilise l'IA pour analyser les journaux de communication des clients, ce qui n'est pas un service client, mais un renforcement des données, aidant les banquiers à comprendre et à servir les clients plus rapidement et plus efficacement.
La gestion de patrimoine se situe entre les deux. Les outils d'IA de Morgan Stanley ne dialoguent pas directement avec les clients, mais garantissent que les conseillers sont bien préparés avant chaque réunion. Deutsche Bank et First Abu Dhabi Bank testent des assistants destinés aux clients de premier plan, visant à répondre en temps réel à des questions d'investissement complexes.
Différences régionales : qui est en tête ?
Source : Evident AI Index
La région nord-américaine est en tête comme prévu. Les banques américaines, telles que JPMorgan, Capital One, Wells Fargo, Citi et la Banque Royale du Canada (RBC), ont transformé l'IA en moteur de productivité. Grâce à leur collaboration avec OpenAI et Microsoft, elles ont été parmi les premières à accéder aux modèles d'IA de pointe.
L'Europe est donc plus prudente. Banco Bilbao Vizcaya Argentaria (BBVA), Deutsche Bank et HSBC testent en interne des outils d'IA et mettent en place davantage de mesures de sécurité. Le Règlement général sur la protection des données (RGPD) a un impact profond à cet égard. Comme par le passé, l'Europe se concentre davantage sur la réglementation que sur les avancées technologiques, ce qui pourrait lui coûter cher.
L'Afrique et l'Amérique Latine sont encore à un stade précoce de développement de l'IA, mais les progrès sont rapides. Nubank au Brésil se distingue en collaborant avec OpenAI, d'abord en déployant des outils d'IA en interne, puis en les étendant au service client. En Afrique du Sud, Standard Bank et Nedbank réalisent des projets pilotes dans le domaine de l'IA, couvrant le contrôle des risques, le soutien aux services et le développement.
Chine : Construire une pile technologique d'IA autonome
Les banques en Chine n'utilisent pas seulement l'IA, elles construisent également une pile technologique d'IA.
L’Industrial and Commercial Bank of China (ICBC) a lancé « Zhiyong », un grand modèle de langage avec 100 milliards de paramètres, développé en interne. Le modèle a été appelé plus d’un milliard de fois et prend en charge 200 scénarios commerciaux, de l’analyse de documents à l’automatisation du marketing. Il ne s’agit pas seulement d’une application d’outils internes, mais d’un changement fondamental dans le mode de fonctionnement des banques.
Ant Group a lancé deux grands modèles de langage dans le domaine financier - Zhixiaobao 2.0 et Zhixiaozhu 1.0. Le premier est destiné aux utilisateurs ordinaires d'Alipay et vise à expliquer les produits financiers; le second soutient les conseillers en gestion de patrimoine, capable de résumer des rapports de marché et de générer des perspectives de portefeuille.
Ping An Group, un géant de la fintech qui intègre l’assurance, la banque et la technologie, est allé plus loin. Elle a développé AskBob, un assistant d’IA générative qui sert à la fois les clients et les gestionnaires de comptes. Pour les clients, AskBob peut répondre aux questions d’investissement et d’assurance en chinois naturel ; Pour les conseillers, il extrait et résume l’historique des clients, les données sur les produits et les supports marketing, transformant chaque agent en un expert financier numériquement amélioré. L’objectif de Ping An est de redéfinir le conseil financier grâce à l’IA, non seulement pour répondre aux questions, mais aussi pour anticiper la demande à l’avance.
En Chine, le cadre réglementaire encourage fortement la localisation des données et la transparence des modèles. Ces institutions ont choisi une voie plus à long terme : construire des IA personnalisées capables de s'adapter à la réglementation nationale, à la langue et à l'environnement du marché. De plus, la Chine dispose d'une densité de talents suffisante permettant aux banques de développer leurs propres modèles fondamentaux, ce qui pourrait être une réalisation unique à l'échelle mondiale.
Qui fournit le support technique ?
Certaines entreprises renommées apparaissent fréquemment à l'échelle mondiale : Microsoft est actuellement la plateforme la plus courante grâce à Azure OpenAI. De Morgan Stanley à Standard Chartered, de nombreuses banques exécutent leurs modèles dans l'environnement sécurisé de Microsoft.
Les LLM (grands modèles de langage) de Google sont également utilisés, par exemple, la Wells Fargo utilise Flan pour son service Fargo. En Chine, on compte principalement sur des technologies locales, telles que DeepSeek et Hunyuan.
Certaines banques, comme JPMorgan Chase, la Banque industrielle et commerciale de Chine et le groupe Ping An, entraînent leurs propres modèles. Mais la plupart des banques effectuent un ajustement fin sur la base des modèles existants. La clé n'est pas de posséder le modèle lui-même, mais de maîtriser la couche de données et le fonctionnement coordonné du modèle.
Exploration de la diversité des applications de l'IA dans le monde
L'image originale se trouve dans le texte original, traduit par : 深潮TechFlow
Et alors ?
Dans un secteur hautement réglementé, la prudence est cruciale, c’est pourquoi les banques utilisent l’IA plutôt que d’être directement en première ligne. Cependant, comme nous l’avons observé dans d’autres changements de plateformes, une prise de décision décisive et une expérimentation rapide sont essentielles. La réglementation ne devance jamais l’application, et il n’est pas sage d’attendre qu’elle soit en place avant d’expérimenter l’IA. Je me souviens avoir créé une banque d’agence il y a plus de dix ans dans un pays où il n’y avait pas de réglementation. Une fois que nous avons terminé, nous devenons ceux qui expliquent l’entreprise à la banque centrale. Si je faisais partie du conseil d’administration d’une banque, je demanderais : « Combien d’expériences faisons-nous ? » Combien d’informations générons-nous ? ”
Pour mesurer véritablement les progrès, il faut revenir aux principes fondamentaux de la transformation de la plateforme. Votre stratégie AI doit répondre aux questions suivantes :
« Notre stratégie AI a-t-elle reconstruit l'architecture de base ? A-t-elle réduit les coûts de 100 fois ? A-t-elle débloqué de nouveaux modèles de valeur ? A-t-elle stimulé la connexion de l'écosystème ? A-t-elle bouleversé le marché ? A-t-elle réalisé la démocratisation de l'accès ? »
La logique est claire : le scepticisme est nécessaire, mais la logique et les faits suggèrent que l’IA est un nouveau changement de plate-forme. En outre, la logique et les faits montrent également que les changements de plateforme passés ont souvent conduit à des changements révolutionnaires sur les marchés financiers. Citibank, par exemple, a considérablement développé ses activités de détail avec l’application de la technologie dans les années 70 et 80. Capital One s’est développée à partir de zéro pour devenir l’une des 10 premières banques du marché et a une forte présence dans des secteurs connexes tels que les prêts automobiles et les prêts hypothécaires. En Afrique, Equity Bank a saisi la vague de la technologie client-serveur pour devenir la plus grande banque d’Afrique de l’Est en termes de capitalisation boursière. De même, Access Bank, GT Bank et Capitec ont sauté sur la vague sur leurs marchés respectifs.
L'ère des plateformes AI est arrivée, elle créera des gagnants. L'accent n'est pas mis sur les perdants, mais sur la manière dont les gagnants occupent une part de marché significative dans des domaines spécifiques. Par exemple, le succès de Stripe dans le domaine des paiements est un cas typique. Ces percées initiales entraînent souvent une croissance de la part de marché dans des domaines adjacents, comme Nubank qui est devenu un acteur important dans le secteur des PME et des banques de détail grâce à son activité de cartes de crédit.
À mon avis, les gagnants de l’ère de l’IA se concentreront sur les coûts relationnels. Ce n’est plus seulement un jeu d’échange. Les transactions ont déjà eu lieu et sont maintenant un jeu d’expérience client et de gestion de la relation. C’est l’idée centrale sur laquelle les leaders des services financiers doivent se concentrer. Comment pouvez-vous multiplier par 100 l’expérience client et la banque relationnelle à une fraction du coût ? En tant que banque, comment pouvez-vous tirer parti de la technologie intelligente pour mieux aider les clients à gérer leurs finances, leurs affaires et leur vie ? Le joueur qui est capable de répondre et d’exécuter ces questions sera le gagnant ultime.
Voir l'original
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
Les géants bancaires américains et chinois adoptent l'IA générative.
Auteur : Samora Kariuki
Compilation : Shenchao TechFlow
La vague mondiale de l'IA
Comment les banques utilisent-elles réellement l'IA générative ?
Si l'on met de côté les gros titres et le battage médiatique, la question essentielle est la suivante : comment les plus grandes banques du monde utilisent-elles l'IA générative ? Ce n'est pas le potentiel futur, ni la promotion des fournisseurs, mais où se trouvent les applications concrètes déjà mises en œuvre ?
Au cours des deux dernières années, le secteur financier mondial a discrètement pénétré dans l'ère de l'IA générative. Cependant, ce processus n'est pas uniforme, mais présente une configuration distincte entre l'intérieur et l'extérieur : le déploiement discret d'outils internes, des expérimentations prudentes axées sur les clients, et quelques innovations audacieuses redéfinissent progressivement l'architecture interne des banques.
Commencer par l'intérieur, puis étendre progressivement.
Les applications de l'IA ont un point commun : elles commencent par des outils de productivité internes.
L’application principale de l’IA générative est axée sur l’amélioration de la productivité interne – des outils qui aident les employés à faire plus avec moins. De l’assistant analyste de JPMorgan interprétant la recherche sur les actions à l’outil GPT de Morgan Stanley qui alimente les conseillers en gestion de patrimoine, l’accent a d’abord été mis sur l’autonomisation des banquiers, et non sur leur remplacement.
Goldman Sachs construit un assistant AI pour les développeurs ; l'outil de résumé AI de Citi aide les employés à traiter des mémos et à rédiger des e-mails ; "SC GPT" de Standard Chartered a été lancé auprès de ses 70 000 employés, pour couvrir tous les aspects, de la rédaction de propositions aux questions de ressources humaines.
Étant donné que nous évoluons dans un environnement hautement réglementé, le déploiement d'outils internes semble particulièrement raisonnable. Cela permet aux banques d'expérimenter et d'améliorer leurs capacités en IA sans franchir les lignes rouges réglementaires. Si l'on se réfère aux récentes actions de la CBN (Banque centrale du Nigeria) contre Zap, alors "la prudence avant tout" est clairement un choix plus sage.
Observation de la ligne d'affaires : où est la valeur ?
Les progrès des applications d'IA varient selon les départements. Il existe des différences dans la vitesse d'adoption de l'IA générative entre les différents départements commerciaux. Parmi eux, les banques de détail sont en tête en termes de volume de transactions. Dans ce domaine, des chatbots alimentés par l'IA générative, tels que Fargo de Wells Fargo et Erica de Bank of America, traitent chaque année des centaines de millions d'interactions. En Europe, Commerzbank a récemment lancé son propre chatbot, Ava.
Cependant, le problème est que certains de ces outils n'utilisent en réalité pas l'IA générative, mais reposent plutôt sur des techniques d'apprentissage automatique traditionnelles. Par exemple, Erica de Bank of America fonctionne davantage comme un « Turc mécanique » (Mechanical Turk, ce qui signifie créer une illusion d'automatisation par des opérations humaines). Néanmoins, il est important de se concentrer sur les expériences elles-mêmes plutôt que sur les étiquettes techniques.
Dans le domaine des entreprises et des banques d'investissement, la transformation est plus implicite. Les outils internes de JPMorgan soutiennent principalement les équipes de recherche et de vente, et non directement les clients. Deutsche Bank utilise l'IA pour analyser les journaux de communication des clients, ce qui n'est pas un service client, mais un renforcement des données, aidant les banquiers à comprendre et à servir les clients plus rapidement et plus efficacement.
La gestion de patrimoine se situe entre les deux. Les outils d'IA de Morgan Stanley ne dialoguent pas directement avec les clients, mais garantissent que les conseillers sont bien préparés avant chaque réunion. Deutsche Bank et First Abu Dhabi Bank testent des assistants destinés aux clients de premier plan, visant à répondre en temps réel à des questions d'investissement complexes.
Différences régionales : qui est en tête ?
Source : Evident AI Index
La région nord-américaine est en tête comme prévu. Les banques américaines, telles que JPMorgan, Capital One, Wells Fargo, Citi et la Banque Royale du Canada (RBC), ont transformé l'IA en moteur de productivité. Grâce à leur collaboration avec OpenAI et Microsoft, elles ont été parmi les premières à accéder aux modèles d'IA de pointe.
L'Europe est donc plus prudente. Banco Bilbao Vizcaya Argentaria (BBVA), Deutsche Bank et HSBC testent en interne des outils d'IA et mettent en place davantage de mesures de sécurité. Le Règlement général sur la protection des données (RGPD) a un impact profond à cet égard. Comme par le passé, l'Europe se concentre davantage sur la réglementation que sur les avancées technologiques, ce qui pourrait lui coûter cher.
L'Afrique et l'Amérique Latine sont encore à un stade précoce de développement de l'IA, mais les progrès sont rapides. Nubank au Brésil se distingue en collaborant avec OpenAI, d'abord en déployant des outils d'IA en interne, puis en les étendant au service client. En Afrique du Sud, Standard Bank et Nedbank réalisent des projets pilotes dans le domaine de l'IA, couvrant le contrôle des risques, le soutien aux services et le développement.
Chine : Construire une pile technologique d'IA autonome
Les banques en Chine n'utilisent pas seulement l'IA, elles construisent également une pile technologique d'IA.
L’Industrial and Commercial Bank of China (ICBC) a lancé « Zhiyong », un grand modèle de langage avec 100 milliards de paramètres, développé en interne. Le modèle a été appelé plus d’un milliard de fois et prend en charge 200 scénarios commerciaux, de l’analyse de documents à l’automatisation du marketing. Il ne s’agit pas seulement d’une application d’outils internes, mais d’un changement fondamental dans le mode de fonctionnement des banques.
Ant Group a lancé deux grands modèles de langage dans le domaine financier - Zhixiaobao 2.0 et Zhixiaozhu 1.0. Le premier est destiné aux utilisateurs ordinaires d'Alipay et vise à expliquer les produits financiers; le second soutient les conseillers en gestion de patrimoine, capable de résumer des rapports de marché et de générer des perspectives de portefeuille.
Ping An Group, un géant de la fintech qui intègre l’assurance, la banque et la technologie, est allé plus loin. Elle a développé AskBob, un assistant d’IA générative qui sert à la fois les clients et les gestionnaires de comptes. Pour les clients, AskBob peut répondre aux questions d’investissement et d’assurance en chinois naturel ; Pour les conseillers, il extrait et résume l’historique des clients, les données sur les produits et les supports marketing, transformant chaque agent en un expert financier numériquement amélioré. L’objectif de Ping An est de redéfinir le conseil financier grâce à l’IA, non seulement pour répondre aux questions, mais aussi pour anticiper la demande à l’avance.
En Chine, le cadre réglementaire encourage fortement la localisation des données et la transparence des modèles. Ces institutions ont choisi une voie plus à long terme : construire des IA personnalisées capables de s'adapter à la réglementation nationale, à la langue et à l'environnement du marché. De plus, la Chine dispose d'une densité de talents suffisante permettant aux banques de développer leurs propres modèles fondamentaux, ce qui pourrait être une réalisation unique à l'échelle mondiale.
Qui fournit le support technique ?
Certaines entreprises renommées apparaissent fréquemment à l'échelle mondiale : Microsoft est actuellement la plateforme la plus courante grâce à Azure OpenAI. De Morgan Stanley à Standard Chartered, de nombreuses banques exécutent leurs modèles dans l'environnement sécurisé de Microsoft.
Les LLM (grands modèles de langage) de Google sont également utilisés, par exemple, la Wells Fargo utilise Flan pour son service Fargo. En Chine, on compte principalement sur des technologies locales, telles que DeepSeek et Hunyuan.
Certaines banques, comme JPMorgan Chase, la Banque industrielle et commerciale de Chine et le groupe Ping An, entraînent leurs propres modèles. Mais la plupart des banques effectuent un ajustement fin sur la base des modèles existants. La clé n'est pas de posséder le modèle lui-même, mais de maîtriser la couche de données et le fonctionnement coordonné du modèle.
Exploration de la diversité des applications de l'IA dans le monde
L'image originale se trouve dans le texte original, traduit par : 深潮TechFlow
Et alors ?
Dans un secteur hautement réglementé, la prudence est cruciale, c’est pourquoi les banques utilisent l’IA plutôt que d’être directement en première ligne. Cependant, comme nous l’avons observé dans d’autres changements de plateformes, une prise de décision décisive et une expérimentation rapide sont essentielles. La réglementation ne devance jamais l’application, et il n’est pas sage d’attendre qu’elle soit en place avant d’expérimenter l’IA. Je me souviens avoir créé une banque d’agence il y a plus de dix ans dans un pays où il n’y avait pas de réglementation. Une fois que nous avons terminé, nous devenons ceux qui expliquent l’entreprise à la banque centrale. Si je faisais partie du conseil d’administration d’une banque, je demanderais : « Combien d’expériences faisons-nous ? » Combien d’informations générons-nous ? ”
Pour mesurer véritablement les progrès, il faut revenir aux principes fondamentaux de la transformation de la plateforme. Votre stratégie AI doit répondre aux questions suivantes :
« Notre stratégie AI a-t-elle reconstruit l'architecture de base ? A-t-elle réduit les coûts de 100 fois ? A-t-elle débloqué de nouveaux modèles de valeur ? A-t-elle stimulé la connexion de l'écosystème ? A-t-elle bouleversé le marché ? A-t-elle réalisé la démocratisation de l'accès ? »
La logique est claire : le scepticisme est nécessaire, mais la logique et les faits suggèrent que l’IA est un nouveau changement de plate-forme. En outre, la logique et les faits montrent également que les changements de plateforme passés ont souvent conduit à des changements révolutionnaires sur les marchés financiers. Citibank, par exemple, a considérablement développé ses activités de détail avec l’application de la technologie dans les années 70 et 80. Capital One s’est développée à partir de zéro pour devenir l’une des 10 premières banques du marché et a une forte présence dans des secteurs connexes tels que les prêts automobiles et les prêts hypothécaires. En Afrique, Equity Bank a saisi la vague de la technologie client-serveur pour devenir la plus grande banque d’Afrique de l’Est en termes de capitalisation boursière. De même, Access Bank, GT Bank et Capitec ont sauté sur la vague sur leurs marchés respectifs.
L'ère des plateformes AI est arrivée, elle créera des gagnants. L'accent n'est pas mis sur les perdants, mais sur la manière dont les gagnants occupent une part de marché significative dans des domaines spécifiques. Par exemple, le succès de Stripe dans le domaine des paiements est un cas typique. Ces percées initiales entraînent souvent une croissance de la part de marché dans des domaines adjacents, comme Nubank qui est devenu un acteur important dans le secteur des PME et des banques de détail grâce à son activité de cartes de crédit.
À mon avis, les gagnants de l’ère de l’IA se concentreront sur les coûts relationnels. Ce n’est plus seulement un jeu d’échange. Les transactions ont déjà eu lieu et sont maintenant un jeu d’expérience client et de gestion de la relation. C’est l’idée centrale sur laquelle les leaders des services financiers doivent se concentrer. Comment pouvez-vous multiplier par 100 l’expérience client et la banque relationnelle à une fraction du coût ? En tant que banque, comment pouvez-vous tirer parti de la technologie intelligente pour mieux aider les clients à gérer leurs finances, leurs affaires et leur vie ? Le joueur qui est capable de répondre et d’exécuter ces questions sera le gagnant ultime.