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 promotion des fournisseurs, mais où se trouvent les applications concrètes déjà mises en œuvre ?
Au cours des deux dernières années, le secteur financier mondial est lentement entré dans l'ère de l'IA générative. Cependant, ce processus n'est pas homogène, mais présente un schéma distinct entre l'intérieur et l'extérieur : le déploiement discret des outils internes, les expérimentations prudentes destinées aux clients, ainsi que quelques innovations audacieuses, redessinent progressivement l'architecture interne des banques.
Commencez par l'intérieur, puis étendez 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. Des assistants analystes de JPMorgan analysant des recherches sur les actions, aux outils alimentés par GPT de Morgan Stanley soutenant les conseillers en gestion de patrimoine, l'accent initial a été mis sur l'autonomisation des acteurs bancaires plutôt que sur leur remplacement.
Goldman Sachs développe 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 ; le « SC GPT » de Standard Chartered est désormais en ligne pour ses 70 000 employés, couvrant tous les aspects, de la rédaction de propositions aux questions de ressources humaines.
Étant donné que nous évoluons dans un environnement fortement 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, il est évident que "la prudence est de mise" est un choix plus sage.
Observation de la ligne de business : où est la valeur ?
Les progrès des applications d'IA varient d'un département à l'autre. Les différents départements métiers présentent des différences dans la vitesse d'adoption de l'IA générative. Parmi eux, la banque de détail se positionne en tête en termes de volume de transactions. Dans ce domaine, les 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 machine traditionnelles. Par exemple, Erica de Bank of America fonctionne davantage comme un « Turc mécanique » (Mechanical Turk, signifiant créer une illusion d'automatisation par une intervention humaine). Cela dit, ce qui est important, ce sont ces expériences elles-mêmes, et non 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 donc entre les deux. Les outils d'IA de Morgan Stanley ne dialoguent pas directement avec les clients, mais s'assurent que les conseillers sont 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 tête comme prévu. Les banques américaines, telles que JPMorgan, Capital One, Wells Fargo, Citi et RBC, ont transformé l'IA en moteur de productivité. Grâce à leur collaboration avec OpenAI et Microsoft, elles ont été 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 des outils d'IA en interne et ont mis en place davantage de mesures de sécurité. Le Règlement général sur la protection des données (RGPD) a un impact considérable. 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 au stade précoce du développement de l'IA, mais les progrès sont rapides. Nubank au Brésil se distingue par sa collaboration avec OpenAI, déployant d'abord des outils d'IA en interne, puis en élargissant à la service client. En Afrique du Sud, Standard Bank et Nedbank mènent des projets pilotes dans le domaine de l'IA, couvrant le contrôle des risques, le support et le développement.
Chine : construire une pile technologique AI autonome
Les banques en Chine n'utilisent pas seulement l'IA, elles construisent également une pile technologique d'IA.
La Banque industrielle et commerciale de Chine (ICBC) a lancé « Zhi Yong », 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, prenant en charge 200 scénarios d'affaires allant de l'analyse de documents à l'automatisation du marketing. Cela ne se limite pas à une application d'outils internes, mais représente un changement fondamental dans la manière dont la banque opère.
Ant Group a lancé deux grands modèles de langage dans le domaine financier : Zhixiaobao 2.0 et Zhixiaozhu 1.0. Le premier s'adresse aux utilisateurs ordinaires d'Alipay, visant à expliquer les produits financiers ; le second fournit un soutien aux conseillers en gestion de patrimoine, capable de résumer des rapports de marché et de générer des insights sur les portefeuilles d'investissement.
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 choisissent une voie à plus long terme : construire une IA personnalisée capable de s'adapter à la réglementation nationale, aux langues et aux environnements de marché. De plus, la Chine dispose d'une densité de talents suffisante, permettant aux banques de développer elles-mêmes des modèles de base, ce qui pourrait être une réalisation unique à l'échelle mondiale.
Qui fournit le support technique ?
Certaines entreprises bien connues sont fréquemment présentes dans le monde entier : Microsoft est de loin la plateforme la plus courante avec Azure OpenAI. De nombreuses banques, de Morgan Stanley à Standard Chartered, exécutent leurs modèles dans l’environnement de bac à sable sécurisé de Microsoft.
Le LLM de Google (modèle de langage de grande taille) est également utilisé, par exemple, la Wells Fargo utilise Flan pour son soutien. En Chine, on s'appuie principalement sur les technologies locales, comme DeepSeek et Hunyuan.
Certaines banques, comme JPMorgan Chase, la Banque industrielle et commerciale de Chine et le groupe Ping An, sont en train de former leurs propres modèles. Mais la plupart des banques procèdent plutôt à des ajustements sur des modèles existants. La clé n'est pas de posséder le modèle lui-même, mais de maîtriser le niveau des données et le fonctionnement coordonné des modèles.
Exploration de la diversité des applications de l'IA dans le monde
L'image originale est 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 j’étais membre du conseil d’administration d’une banque, je demanderais : « Combien d’expériences faisons-nous ? » Combien d’informations générons-nous ?
Pour vraiment mesurer les progrès, il faut revenir aux principes fondamentaux de la transformation de la plateforme. Votre stratégie IA 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 des écosystèmes ? 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 AI est arrivée, elle va créer 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.
Rédaction : Samora Kariuki
Compilation : TechFlow de Shenchao
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 promotion des fournisseurs, mais où se trouvent les applications concrètes déjà mises en œuvre ?
Au cours des deux dernières années, le secteur financier mondial est lentement entré dans l'ère de l'IA générative. Cependant, ce processus n'est pas homogène, mais présente un schéma distinct entre l'intérieur et l'extérieur : le déploiement discret des outils internes, les expérimentations prudentes destinées aux clients, ainsi que quelques innovations audacieuses, redessinent progressivement l'architecture interne des banques.
Commencez par l'intérieur, puis étendez 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. Des assistants analystes de JPMorgan analysant des recherches sur les actions, aux outils alimentés par GPT de Morgan Stanley soutenant les conseillers en gestion de patrimoine, l'accent initial a été mis sur l'autonomisation des acteurs bancaires plutôt que sur leur remplacement.
Goldman Sachs développe 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 ; le « SC GPT » de Standard Chartered est désormais en ligne pour ses 70 000 employés, couvrant tous les aspects, de la rédaction de propositions aux questions de ressources humaines.
Étant donné que nous évoluons dans un environnement fortement 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, il est évident que "la prudence est de mise" est un choix plus sage.
Observation de la ligne de business : où est la valeur ?
Les progrès des applications d'IA varient d'un département à l'autre. Les différents départements métiers présentent des différences dans la vitesse d'adoption de l'IA générative. Parmi eux, la banque de détail se positionne en tête en termes de volume de transactions. Dans ce domaine, les 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 machine traditionnelles. Par exemple, Erica de Bank of America fonctionne davantage comme un « Turc mécanique » (Mechanical Turk, signifiant créer une illusion d'automatisation par une intervention humaine). Cela dit, ce qui est important, ce sont ces expériences elles-mêmes, et non 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 donc entre les deux. Les outils d'IA de Morgan Stanley ne dialoguent pas directement avec les clients, mais s'assurent que les conseillers sont 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 tête comme prévu. Les banques américaines, telles que JPMorgan, Capital One, Wells Fargo, Citi et RBC, ont transformé l'IA en moteur de productivité. Grâce à leur collaboration avec OpenAI et Microsoft, elles ont été 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 des outils d'IA en interne et ont mis en place davantage de mesures de sécurité. Le Règlement général sur la protection des données (RGPD) a un impact considérable. 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 au stade précoce du développement de l'IA, mais les progrès sont rapides. Nubank au Brésil se distingue par sa collaboration avec OpenAI, déployant d'abord des outils d'IA en interne, puis en élargissant à la service client. En Afrique du Sud, Standard Bank et Nedbank mènent des projets pilotes dans le domaine de l'IA, couvrant le contrôle des risques, le support et le développement.
Chine : construire une pile technologique AI autonome
Les banques en Chine n'utilisent pas seulement l'IA, elles construisent également une pile technologique d'IA.
La Banque industrielle et commerciale de Chine (ICBC) a lancé « Zhi Yong », 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, prenant en charge 200 scénarios d'affaires allant de l'analyse de documents à l'automatisation du marketing. Cela ne se limite pas à une application d'outils internes, mais représente un changement fondamental dans la manière dont la banque opère.
Ant Group a lancé deux grands modèles de langage dans le domaine financier : Zhixiaobao 2.0 et Zhixiaozhu 1.0. Le premier s'adresse aux utilisateurs ordinaires d'Alipay, visant à expliquer les produits financiers ; le second fournit un soutien aux conseillers en gestion de patrimoine, capable de résumer des rapports de marché et de générer des insights sur les portefeuilles d'investissement.
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 choisissent une voie à plus long terme : construire une IA personnalisée capable de s'adapter à la réglementation nationale, aux langues et aux environnements de marché. De plus, la Chine dispose d'une densité de talents suffisante, permettant aux banques de développer elles-mêmes des modèles de base, ce qui pourrait être une réalisation unique à l'échelle mondiale.
Qui fournit le support technique ?
Certaines entreprises bien connues sont fréquemment présentes dans le monde entier : Microsoft est de loin la plateforme la plus courante avec Azure OpenAI. De nombreuses banques, de Morgan Stanley à Standard Chartered, exécutent leurs modèles dans l’environnement de bac à sable sécurisé de Microsoft.
Le LLM de Google (modèle de langage de grande taille) est également utilisé, par exemple, la Wells Fargo utilise Flan pour son soutien. En Chine, on s'appuie principalement sur les technologies locales, comme DeepSeek et Hunyuan.
Certaines banques, comme JPMorgan Chase, la Banque industrielle et commerciale de Chine et le groupe Ping An, sont en train de former leurs propres modèles. Mais la plupart des banques procèdent plutôt à des ajustements sur des modèles existants. La clé n'est pas de posséder le modèle lui-même, mais de maîtriser le niveau des données et le fonctionnement coordonné des modèles.
Exploration de la diversité des applications de l'IA dans le monde
L'image originale est 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 j’étais membre du conseil d’administration d’une banque, je demanderais : « Combien d’expériences faisons-nous ? » Combien d’informations générons-nous ?
Pour vraiment mesurer les progrès, il faut revenir aux principes fondamentaux de la transformation de la plateforme. Votre stratégie IA 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 des écosystèmes ? 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 AI est arrivée, elle va créer 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.