L'IA, nouveau levier business pour le secteur de la fintech

L'IA est indéniablement en train de s'imposer dans la fintech. Dans tous les séminaires et conférences ou presque, il est désormais question de sa démocratisation et de sa capacité à transformer radicalement le modèle commercial et les pratiques des entreprises.

Un nouveau plan d’action

L’intelligence artificielle et le machine learning constituent le nouveau schéma directeur dans lequel le secteur de la fintech évolue. Néanmoins, force est de constater que malgré les efforts des fintechs pour vanter les mérites de l’IA auprès des entreprises, beaucoup de ces dernières n’en font toujours pas usage par incapacité à visualiser, intégrer et déployer ces nouvelles technologies.

Depuis quelque temps, le potentiel de ces technologies met en émoi de très nombreux secteurs d’activité. Néanmoins, une étude menée par Salesforce nous apprend que 59% des dirigeants d’entreprise rencontrent des difficultés à mettre en œuvre et à déployer les nouvelles technologies mises à leur disposition[1].

Il ne faut pas voir là le reflet d’une incompréhension de l’importance qu’elles peuvent avoir dans l’atteinte des priorités stratégiques des entreprises. En effet, trois dirigeants sur quatre sont convaincus qu’ils ont au maximum cinq ans pour déployer l’IA à l’échelle de leur entreprise, sous peine de risquer la faillite pure et simple.

Reste qu’il subsiste un gouffre entre l’attrait de la modernité et la réalité du déploiement. En pratique, moins de 5% des entreprises sont parvenues à industrialiser leur intelligence artificielle, là où 80 à 85% s’en tiennent à des études de faisabilité isolées, où la puissance de l’IA et du machine learning est déconnectée des résultats commerciaux ou des impératifs stratégiques. En somme, beaucoup n’exploitent qu’insuffisamment le potentiel de ces technologies émergentes, ce qui bride l’impact que ces dernières peuvent avoir sur leur activité.

De par la richesse de ses données historiques et la façon dont elles sont structurées, la fintech est propice à l’utilisation de l’intelligence artificielle et du machine learning pour créer des produits et solutions sur mesure, conçus pour aider les entreprises à accroître leur rentabilité tout en réduisant leurs coûts.

Alors, pourquoi les entreprises mettent-elles tant de temps à adopter, mettre en place et déployer à grande échelle les technologies émergentes dans leurs stratégies à court, moyen et long terme ?

Profiter de la puissance de l’IA et du machine learning

Si tant d’entreprises mettent du temps à passer à l’IA et au machine learning, c’est avant tout par manque d’expertise technique, tant concernant les modalités de leur intégration que par méconnaissance de l’atout que ces technologies peuvent représenter pour leur activité.

Il est essentiel que les entreprises collaborent avec les bonnes personnes autour de la mise en service des produits et solutions dotés de capacités d’IA et de machine learning pour que ceux-ci produisent des résultats concrets et susceptibles de changer la donne auprès des clients.

En tant qu’ancien spécialiste des technologies de la Silicon Valley et ingénieur-chercheur pour une grande entreprise du secteur, j’ai pu voir combien ces technologies pouvaient jouer un rôle déterminant dans tous les départements d’une entreprise. Elles leur permettent d’identifier des opportunités de réduction des coûts tout en accroissant leur efficacité, aidant ainsi le directeur financier à mieux assumer sa fonction de contributeur clé à la croissance de l’entreprise.

En alliant intelligence artificielle et machine learning, les entreprises peuvent identifier des possibilités inexploitées pour accélérer leurs activités et processus quotidiens. Ces technologies permettent aux clients de prendre des décisions plus pertinentes et de gagner en efficacité. En parallèle, les technologies émergentes apporteront de nouvelles opportunités de croissance qui favoriseront le développement des échanges commerciaux dans le monde, permettant ainsi aux entreprises de prospérer dans un environnement international.

Selon les études les plus récentes, ce ne sont pas les contraintes budgétaires que les cadres dirigeants invoquent pour justifier leur difficulté à déployer l’IA à l’échelle de l’entreprise, mais plutôt les difficultés opérationnelles liées à l’intégration de ces technologies à leurs processus métiers actuels. L’incapacité à mettre en place une structure organisationnelle qui faciliterait l’opération, l’absence de capacités de traitement des données, et la faible adoption de l’IA par les employés sont autant d’obstacles à l’exploitation de l’intelligence artificielle et du machine learning au sein d’une organisation.

Ce sont justement ces aspects qui distinguent les entreprises qui ont réussi à déployer à grande échelle des systèmes d’IA et de machine learning de celles qui s’en tiennent à des preuves de concepts cloisonnées. Les chefs d’entreprises ne doivent pas se contenter de se tourner vers l’IA et le machine learning dans le cadre de leur stratégie de mise en marché. Ils doivent aussi mettre les bouchées doubles pour intégrer et favoriser l’adoption de ces technologies dans le quotidien de l’entreprise.

Convertir les données en analyses

Toute la magie du tandem IA-machine learning tient en sa capacité à décrypter les données pour livrer des analyses auxquels les processus manuels d’hier étaient incapables d’aboutir. Il a aussi l’avantage de s’accommoder de toutes les tailles d’entreprises. En d’autres termes, le taux de réussite de la mise à l’échelle ou le retour sur investissement de l’IA et du machine learning ne dépendent nullement de l’envergure de l’organisation où ils sont déployés. Il importe donc davantage de s’efforcer d’introduire les bonnes capacités d’IA et de machine learning et la bonne mentalité dans la culture de votre structure. Qu’il s’agisse d’une start-up, d’une scale-up en pleine expansion ou d’une grande entreprise, IA et machine learning peuvent servir à en stimuler la croissance.

Les avantages commerciaux liés au déploiement massif de technologies émergentes stratégiques ne manquent pas. Les entreprises qui se prêtent au jeu affichent un taux de réussite près de deux fois supérieur à celles qui s’en tiennent à des projets cloisonnés, et elles amortissent trois fois mieux l’argent investi dans l’IA.

Les exemples d’entreprises ayant réussi à tirer parti de l’IA et du machine learning sont légion. Au Japon, une compagnie d’assurance-vie qui a décidé de s’appuyer sur l’IA pour calculer les paiements dus à ses assurés a vu sa productivité croître de 30 % et a réalisé près d’un million de dollars par an d’économies. Dans la même veine, une plateforme de souscription enrichie d’IA a permis à une société de crédit auto de réduire ses pertes annuelles de 23% et de prédire les risques avec une précision accrue. De même, une entreprise de cybersécurité capitalisant sur la puissance de l’intelligence artificielle a fourni ses services à plusieurs grandes banques américaines désireuses de distinguer les vrais clients des bots ; sa technologie de machine learning a permis à une institution bancaire de renom de protéger ses clients des tentatives de piratage tout en parvenant à détecter, dans sa première semaine d’utilisation, pas moins d’un million d’attaques de type credential stuffing[2]. Non seulement facteurs de croissance et de plus grande rentabilité, IA et machine learning peuvent aussi protéger une entreprise des opérations frauduleuses et des failles de sécurité qui pourraient lui porter préjudice à l’avenir.

Il est temps de passer à l’action

Pour que les entreprises récoltent les fruits de l’intelligence artificielle et du machine learning, elles doivent prendre du recul vis-à-vis de l’argumentaire marketing bien huilé pour se pencher de plus près vers la réalité de leur mise en place.

En tant qu’acteurs de cette industrie, nous devons moins parler et passer à l’action afin de tirer parti de l’impact commercial dont l’IA et le machine learning sont porteurs. Ces deux technologies ne doivent plus être considérées comme un plus ; elles font d’ores et déjà partie intégrante de tout modèle économique. Il importe donc de formuler un plan et une stratégie d’intégration qui définissent la façon dont votre entreprise compte faire usage de l’IA et du machine learning afin de réduire les risques de cybercriminalité et de fraude, tout en exploitant pleinement l’impact commercial très concret qu’elles peuvent avoir.

[1] Rapport annuel des tendances relatif aux PME (Salesforce)

[2] Le credential stuffing est un type de cyberattaque où des informations de comptes volées consistant généralement en des listes d'identifiants et les mots de passe associés (souvent obtenus de manière frauduleuse) sont utilisés pour obtenir un accès non autorisé à des comptes utilisateurs par le biais de demandes de connexion automatisée à grande échelle adressées à des applications Web.