La région de l'Amérique du Nord est en tête comme prévu.
Rédigé par : Samora Kariuki
Compilation : Deep Tide 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 : comment les plus grandes banques du monde utilisent-elles l'IA générative ? Ce n'est pas le potentiel futur, ni la publicité des fournisseurs, mais où se trouvent les applications concrètes déjà mises en œuvre ?
Au cours des deux dernières années, l'industrie financière mondiale a lentement fait son entrée dans l'ère de l'IA générative. Cependant, ce processus n'est pas uniforme, mais présente un schéma distinct entre l'intérieur et l'extérieur : le déploiement discret d'outils internes, des expérimentations prudentes axées sur le client, et quelques innovations audacieuses qui commencent à remodeler la structure interne des banques.
Commencer de l'intérieur, puis s'étendre progressivement.
L'application de l'IA a un point commun : elle commence par des outils de productivité internes.
Les principales applications de l'IA générative se concentrent sur l'amélioration de la productivité interne - ces outils aident les employés à accomplir plus de travail avec moins de ressources. De l'assistant analyste de JPMorgan qui analyse la recherche sur les actions, aux outils alimentés par GPT de Morgan Stanley qui soutiennent les conseillers en gestion de patrimoine, l'accent initial était mis sur l'autonomisation des professionnels de la banque plutôt que sur leur remplacement.
Goldman Sachs construit un assistant IA pour les développeurs ; l'outil de résumé IA 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 tout, de la rédaction de propositions aux questions de ressources humaines.
Compte tenu de l’environnement très réglementé dans lequel nous vivons, le déploiement d’outils internes prend tout son sens. Cela permet aux banques d’expérimenter et d’améliorer les capacités de l’IA sans toucher aux lignes rouges réglementaires. Si l’on se réfère aux récentes actions de la CBN (Banque centrale du Nigeria) contre Zap, alors « la prudence prévaut » est clairement le choix le plus judicieux.
Observation de la ligne de métier : où est la valeur ?
Les progrès des applications d'IA varient d'un département à l'autre. Il existe des différences dans la vitesse d'adoption de l'IA générative entre les différents départements commerciaux. Parmi eux, la banque de détail est 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 des centaines de millions d'interactions chaque année. 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 s'appuient 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 le biais d'une opération humaine). Néanmoins, il est important de se concentrer sur ces expériences elles-mêmes, et non sur les étiquettes technologiques.
Dans la banque de financement et d’investissement, la transformation est plus implicite. Les outils internes de JPMorgan soutiennent principalement les équipes de recherche et de vente, plutôt que directement au client. Deutsche Bank utilise l’IA pour analyser les journaux de communication des clients, qui ne sont pas du service client, mais des données, aidant les banquiers à comprendre et à servir les clients plus rapidement et mieux.
La gestion de patrimoine se situe entre les deux. Les outils d'IA de Morgan Stanley ne dialoguent pas directement avec les clients, mais veillent à ce que les conseillers soient bien préparés avant chaque réunion. Deutsche Bank et First Abu Dhabi Bank pilotent 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 avance 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 leurs collaborations avec OpenAI et Microsoft, elles ont été les premières à accéder aux modèles d'IA les plus avancés.
L'Europe est donc plus prudente. Banco Bilbao Vizcaya Argentaria (BBVA), Deutsche Bank et HSBC testent des outils d'IA en interne et mettent en place davantage de mesures de sécurité. Le Règlement général sur la protection des données (RGPD) a un impact profond sur eux. 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 en sont encore aux premiers stades du 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 élargissant à la clientèle. En Afrique du Sud, Standard Bank et Nedbank mènent des projets pilotes dans le domaine de l'IA, couvrant le contrôle des risques, les services de soutien et le développement.
Chine : Construire une pile technologique AI autonome
Les banques chinoises n'utilisent pas seulement l'IA, elles construisent également une pile technologique d'IA.
La Banque industrielle et commerciale de Chine (ICBC) a lancé "Zhiyong", un modèle de langage de grande taille avec 1000 milliards de paramètres, développé en interne. Ce modèle a été appelé plus d'un milliard de fois et prend en charge 200 scénarios d'affaires, allant de l'analyse de documents à l'automatisation du marketing. Ce n'est pas seulement une application d'outil interne, mais un changement fondamental dans les méthodes opérationnelles de la banque.
Le groupe Ant (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 les 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 à plus long terme : construire une intelligence artificielle sur mesure capable de s'adapter à la réglementation domestique, aux langues et aux environnements de marché. De plus, la Chine dispose d'une densité de talents suffisante permettant aux banques de développer de manière autonome des modèles fondamentaux, ce qui pourrait être une réalisation unique à l'échelle mondiale.
Qui fournit le support technique ?
Certaines entreprises bien connues apparaissent fréquemment dans le monde entier : Microsoft, via Azure OpenAI, est actuellement la plateforme la plus courante. De Morgan Stanley à Standard Chartered, de nombreuses banques exécutent leurs modèles dans l'environnement sécurisé de Microsoft.
Les LLM (modèles de langage de grande taille) de Google sont également utilisés, par exemple Wells Fargo utilise Flan pour son service Fargo. En Chine, on s'appuie principalement sur des technologies locales, comme DeepSeek et Hunyuan.
Certaines banques, comme JPMorgan, la Banque industrielle et commerciale de Chine et le Groupe Ping An, entraînent leurs propres modèles. Mais la plupart des banques effectuent des ajustements sur 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 des modèles.
Exploration de la diversité des applications de l'IA dans le monde
Image originale voir texte original, compilation : Deep Tide 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 j’étais membre 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 est essentiel de revenir aux principes fondamentaux de la transformation de la plateforme. Votre stratégie d'IA doit répondre aux questions suivantes :
« Notre stratégie AI a-t-elle reconstruit l'architecture centrale ? 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 grâce à l’utilisation 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 d’IA est arrivée, et elle créera des gagnants. Il ne s’agit pas de se concentrer sur les perdants, mais de savoir comment les gagnants ont une part de marché importante dans un domaine particulier. Le succès de Stripe dans le domaine des paiements, par exemple, en est un bon exemple. Ces premières percées mènent souvent à des gains de parts de marché dans des segments adjacents, tels que l’activité de cartes de crédit de Nubank, qui est devenue un acteur important dans le secteur des PME et de la banque de détail.
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 sino-américains adoptent l'IA générative.
Rédigé par : Samora Kariuki
Compilation : Deep Tide 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 : comment les plus grandes banques du monde utilisent-elles l'IA générative ? Ce n'est pas le potentiel futur, ni la publicité des fournisseurs, mais où se trouvent les applications concrètes déjà mises en œuvre ?
Au cours des deux dernières années, l'industrie financière mondiale a lentement fait son entrée dans l'ère de l'IA générative. Cependant, ce processus n'est pas uniforme, mais présente un schéma distinct entre l'intérieur et l'extérieur : le déploiement discret d'outils internes, des expérimentations prudentes axées sur le client, et quelques innovations audacieuses qui commencent à remodeler la structure interne des banques.
Commencer de l'intérieur, puis s'étendre progressivement.
L'application de l'IA a un point commun : elle commence par des outils de productivité internes.
Les principales applications de l'IA générative se concentrent sur l'amélioration de la productivité interne - ces outils aident les employés à accomplir plus de travail avec moins de ressources. De l'assistant analyste de JPMorgan qui analyse la recherche sur les actions, aux outils alimentés par GPT de Morgan Stanley qui soutiennent les conseillers en gestion de patrimoine, l'accent initial était mis sur l'autonomisation des professionnels de la banque plutôt que sur leur remplacement.
Goldman Sachs construit un assistant IA pour les développeurs ; l'outil de résumé IA 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 tout, de la rédaction de propositions aux questions de ressources humaines.
Compte tenu de l’environnement très réglementé dans lequel nous vivons, le déploiement d’outils internes prend tout son sens. Cela permet aux banques d’expérimenter et d’améliorer les capacités de l’IA sans toucher aux lignes rouges réglementaires. Si l’on se réfère aux récentes actions de la CBN (Banque centrale du Nigeria) contre Zap, alors « la prudence prévaut » est clairement le choix le plus judicieux.
Observation de la ligne de métier : où est la valeur ?
Les progrès des applications d'IA varient d'un département à l'autre. Il existe des différences dans la vitesse d'adoption de l'IA générative entre les différents départements commerciaux. Parmi eux, la banque de détail est 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 des centaines de millions d'interactions chaque année. 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 s'appuient 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 le biais d'une opération humaine). Néanmoins, il est important de se concentrer sur ces expériences elles-mêmes, et non sur les étiquettes technologiques.
Dans la banque de financement et d’investissement, la transformation est plus implicite. Les outils internes de JPMorgan soutiennent principalement les équipes de recherche et de vente, plutôt que directement au client. Deutsche Bank utilise l’IA pour analyser les journaux de communication des clients, qui ne sont pas du service client, mais des données, aidant les banquiers à comprendre et à servir les clients plus rapidement et mieux.
La gestion de patrimoine se situe entre les deux. Les outils d'IA de Morgan Stanley ne dialoguent pas directement avec les clients, mais veillent à ce que les conseillers soient bien préparés avant chaque réunion. Deutsche Bank et First Abu Dhabi Bank pilotent 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 avance 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 leurs collaborations avec OpenAI et Microsoft, elles ont été les premières à accéder aux modèles d'IA les plus avancés.
L'Europe est donc plus prudente. Banco Bilbao Vizcaya Argentaria (BBVA), Deutsche Bank et HSBC testent des outils d'IA en interne et mettent en place davantage de mesures de sécurité. Le Règlement général sur la protection des données (RGPD) a un impact profond sur eux. 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 en sont encore aux premiers stades du 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 élargissant à la clientèle. En Afrique du Sud, Standard Bank et Nedbank mènent des projets pilotes dans le domaine de l'IA, couvrant le contrôle des risques, les services de soutien et le développement.
Chine : Construire une pile technologique AI autonome
Les banques chinoises n'utilisent pas seulement l'IA, elles construisent également une pile technologique d'IA.
La Banque industrielle et commerciale de Chine (ICBC) a lancé "Zhiyong", un modèle de langage de grande taille avec 1000 milliards de paramètres, développé en interne. Ce modèle a été appelé plus d'un milliard de fois et prend en charge 200 scénarios d'affaires, allant de l'analyse de documents à l'automatisation du marketing. Ce n'est pas seulement une application d'outil interne, mais un changement fondamental dans les méthodes opérationnelles de la banque.
Le groupe Ant (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 les 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 à plus long terme : construire une intelligence artificielle sur mesure capable de s'adapter à la réglementation domestique, aux langues et aux environnements de marché. De plus, la Chine dispose d'une densité de talents suffisante permettant aux banques de développer de manière autonome des modèles fondamentaux, ce qui pourrait être une réalisation unique à l'échelle mondiale.
Qui fournit le support technique ?
Certaines entreprises bien connues apparaissent fréquemment dans le monde entier : Microsoft, via Azure OpenAI, est actuellement la plateforme la plus courante. De Morgan Stanley à Standard Chartered, de nombreuses banques exécutent leurs modèles dans l'environnement sécurisé de Microsoft.
Les LLM (modèles de langage de grande taille) de Google sont également utilisés, par exemple Wells Fargo utilise Flan pour son service Fargo. En Chine, on s'appuie principalement sur des technologies locales, comme DeepSeek et Hunyuan.
Certaines banques, comme JPMorgan, la Banque industrielle et commerciale de Chine et le Groupe Ping An, entraînent leurs propres modèles. Mais la plupart des banques effectuent des ajustements sur 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 des modèles.
Exploration de la diversité des applications de l'IA dans le monde
Image originale voir texte original, compilation : Deep Tide 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 j’étais membre 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 est essentiel de revenir aux principes fondamentaux de la transformation de la plateforme. Votre stratégie d'IA doit répondre aux questions suivantes :
« Notre stratégie AI a-t-elle reconstruit l'architecture centrale ? 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 grâce à l’utilisation 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 d’IA est arrivée, et elle créera des gagnants. Il ne s’agit pas de se concentrer sur les perdants, mais de savoir comment les gagnants ont une part de marché importante dans un domaine particulier. Le succès de Stripe dans le domaine des paiements, par exemple, en est un bon exemple. Ces premières percées mènent souvent à des gains de parts de marché dans des segments adjacents, tels que l’activité de cartes de crédit de Nubank, qui est devenue un acteur important dans le secteur des PME et de la banque de détail.
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.