L’informatisation a transformé l’industrie bancaire et financière depuis les années 1980. Les banques sont agiles par instinct de survie. L’intelligence artificielle (IA) générative n’est qu’un nouveau défi, représentant autant d’opportunités que de menaces pour le secteur. Les banques s’en sont naturellement emparées (voir tableau).
L’IA peut être un atout de taille pour le secteur bancaire étant donné l’importance de l’expérience client dans le capital confiance et compte tenu du nombre croissant de règles et de procédures auxquelles les établissements sont soumis aujourd’hui.
Aux origines de l’activité bancaire
Pour mieux comprendre, pourquoi les banques sont des early-adopters de l’IA, il est nécessaire de revenir aux origines de l’activité bancaire. Les banques commerciales sont une réponse institutionnelle à l’imperfection de l’information. Elles ont émergé pour offrir des services de liquidité – gestion des paiements − et de prêts aux particuliers et aux entreprises. Leur activité d’intermédiation se justifie économiquement par l’asymétrie d’information, qui génère deux types de problème : l’antisélection et l’aléa moral. L’antisélection s’explique ex-ante par la difficulté à discriminer correctement entre projets risqués et moins risqués, qui peut aboutir au rationnement du crédit. L’aléa moral, au contraire, se réalise ex-post. Le risque est de voir l’emprunteur utiliser les fonds à d’autres fins que celles prévues dans le projet.
Les banques ont développé instruments et techniques afin de pallier ces risques à un coût moindre par rapport aux investisseurs individuels : c’est leur avantage comparatif. Cependant, la révolution informatique, avec une capacité de traitement de données et de calcul élevée, l’a remis en cause. Les modèles financiers sophistiqués nourris par des bases de données toujours plus raffinées offrent l’occasion de « pricer » plus facilement. Les banques ne sont plus l’intermédiaire incontournable pour gérer les problèmes d’asymétrie d’information. Les marchés financiers sont également venus s’y confronter – le marché monétaire notamment, concurrent frontal des banques commerciales dans la gestion de la liquidité.
Si la technologie accentue la pression concurrentielle sur les banques, elle leur offre cependant de nouvelles opportunités pour y répondre.
Selon un sondage de The Economist Intelligence Business Unit réalisé en 2020, 66 % des banques interrogées estiment que l’IA, le machine learning, la blockchain et la réalité virtuelle auront l’impact le plus significatif. 77 % pensent que la capacité à valoriser l’IA sera un facteur discriminant de succès.
D’ores et déjà, des cas d’usage de l’IA − plus précisément les modèles linguistiques basés sur l’IA (Large Language Models, LLM) − permettent d’améliorer la relation client. C’est un sujet important : 86 % des consommateurs (sondage réalisé par Emplify Research) sont prêts à abandonner la marque à laquelle ils étaient fidèles dès lors qu’ils ont vécu deux ou trois mauvaises expériences.
L’IA contribue à la fois à réduire les coûts et à augmenter le volume d’affaires, grâce à un meilleur ciblage des besoins. Les chatbots donnent la possibilité aux clients de suivre leur compte, réaliser des virements, d’automatiser des paiements, d’aider à soumettre un dossier de prêts, de prendre des décisions d’investissement avisées, etc. Avec l’IA, le service client est disponible 24h/24h, à l’écoute grâce à des chatbots conversationnels pouvant répondre à des problématiques récurrentes simples.
Par ailleurs, la fraude peut être prévenue grâce à la détection de transactions inhabituelles, qui bloque le paiement en amont. Avec sa capacité de traitement de l’information, l’IA favorise une réduction significative de la fraude à moindre coût.
Selon une étude Mac Kinsey Global Institute (juin 2023), l’IA pourrait générer entre 200 milliards et 340 milliards de dollars, les gains les plus importants sont attendus dans les activités corporate, retail, la gestion juridique et du risque (voir graphique).
Ces résultats confirment la gestion plus efficace de la relation client, corporate ou retail, de façon moins onéreuse. L’IA concourt à une personnalisation des produits et des services. Elle rend aussi possible l’individualisation du prix, notamment le taux d’intérêt dans le cadre d’un prêt. Jusque-là, le calcul d’intérêt d’un prêt – particulier ou entreprise – se base essentiellement sur le score du client, à partir de statistiques sur le risque de défaut de la catégorie à laquelle il appartient. L’IA − en particulier le machine learning − développe des modèles prédictifs incorporant des relations non linéaires caractéristiques du risque de crédit.
L’apport du machine learning à la gestion du risque
Dans leur article « Corporate default forecasting with machine learning1 », Moscatelli et al. étudient les conséquences de l’utilisation de règles d’attribution de crédit en se basant sur les ratings générés par le machine learning sur l’offre de crédit et le nombre d’emprunteurs. Ces modèles donnent la possibilité aux établissements d’accorder des crédits à des emprunteurs moins risqués et dans une plus grande quantité. Ce qui résulte pour les prêteurs en une moindre exposition au risque de perte. La capacité des modèles à intégrer les relations non linéaires est une grande avancée dans la gestion du risque de défaut, en particulier sur le plan systémique, afin de mieux juguler les crises.
Certes, ces modèles désavantagent les mauvais profils en termes de prix mais ils conduisent à une meilleure gestion du problème d’antisélection généré par l’asymétrie d’information.
De même, les potentiels emprunteurs seraient incités à adopter des profils peu risqués afin de diminuer l’aléa moral et bénéficier d’un taux d’intérêt réduit. Si les modèles capturent le comportement vertueux de l’emprunteur individuel, il aura intérêt à l’être afin de bénéficier d’un taux d’intérêt plus faible. L’aléa moral serait donc maîtrisé. Le machine learning aide à mieux prendre en compte les relations non linéaires caractéristiques du risque de crédit.
Comme le montrent les chiffres de l’étude Mc Kinsey Global Institute, les banques attendent également beaucoup de l’IA dans la gestion juridique et des risques. En effet, l’IA peut systématiser les procédures à moindre coût et surtout avec moins d’erreur. L’automatisation des procédures est une source d’économie non négligeable. En diminuant le coût de la conformité, elle ouvrirait le secteur à une plus grande concurrence. Elle rendrait la gestion de la réglementation moins lourde et permettrait de réorienter les ressources humaines vers des activités à plus forte valeur ajoutée. À ce titre, l’IA pose un réel défi en matière de gestion des talents.
Dans ces conditions, les banques n’ont d’autre choix aujourd’hui que de prendre l’IA à bras-le-corps avant qu’elle ne s’empare d’elles et ne réduise leur activité à une succession de tâches automatiques sous fond de crise de cybersécurité.
