Le rôle de l'IA dans les paiements et les services bancaires
L'intelligence artificielle améliore la détection des fraudes, l'évaluation des risques, le service client dans le domaine bancaire. Xavier Lavayssière explore l'impact potentiel et les défis de l'IA.
Temps de lecture: 10 min
Vous venez de regarder une vidéo inspirante sur une enseignante extraordinaire qui construit une école au Mali. Ému par ses efforts, vous décidez de faire un don pour soutenir sa cause. Vous ouvrez votre application bancaire, saisissez les coordonnées de l'organisme à but non lucratif et appuyez sur envoyer. Mais vous êtes-vous déjà demandé comment votre banque s’assure que votre geste généreux contribue effectivement à l’éducation des enfants et ne finance pas par inadvertance une arnaque ou un groupe armé dans la région ? Les banques et les « fintechs »jouent un rôle essentiel dans la protection de nos transactions financières. Elles ont développé des technologies permettant de vous identifier ainsi que le destinataire, de détecter les schémas de transaction et d’évaluer les risques. L’intelligence artificielle (IA) révolutionne ces processus, mais nous devons d’abord comprendre les méthodes employées jusqu’à présent.
Comment l'IA s'intègre-t-elle aux outils actuels des banquiers ?
Modèles statistiques : la base
La première étape consiste à évaluer les risques. Par exemple, y a-t-il plus de fraudes par carte de crédit ou par virement bancaire ? Pour cela, les statistiques sont depuis longtemps des alliées du secteur bancaire. Au début de la Renaissance, le banquier et homme d'État florentin, Giovanni Villani, utilisait déjà des méthodes statistiques pour évaluer les tendances démographiques, éducatives et commerciales. Dans le domaine des paiements, les modèles statistiques permettent d'évaluer la probabilité de transactions frauduleuses. Si une transaction répond à certains critères, elle peut être signalée pour une analyse plus approfondie ou même bloquée. Les analystes décident ensuite de la marche à suivre. Cependant, l'identification des critères statistiques pour les risques, l'application de méthodes basées sur des règles et leur contrôle manuel peuvent être lents et coûteux à mettre en œuvre et à exécuter.
Méthodes basées sur des règles : l'approche traditionnelle
Une fois les risques identifiés, la mise en correspondance basée sur des règles devient un élément essentiel des opérations bancaires. Par exemple, lors du traitement des remboursements de prêts, les banques ont souvent du mal à faire correspondre les paiements entrants aux prêts appropriés.Lors de mon premier stage dans une banque de développement internationale, j'ai créé un programme qui analysait les paiements SWIFT entrants et la liste des paiements attendus pour les faire correspondre. J'ai observé dans la base de données les erreurs et les fautes d'orthographe les plus probables afin de créer des règles permettant d'automatiser le processus de mise en correspondance : les paiements étaient plus susceptibles d'être en retard qu'en avance, les montants pouvaient être légèrement différents des paiements attendus en raison des conversions de devises et les numéros de contrat pouvaient apparaître dans n'importe quel champ du paiement.
L'IA : un outil révolutionnaire
La force de l’IA réside dans sa capacité à identifier des modèles sans programmation explicite. Grâce à l’apprentissage automatique, l’IA peut analyser de vastes quantités de données transactionnelles, auparavant étiquetées comme légitimes ou frauduleuses, pour identifier des indicateurs subtils de fraude potentielle. Par exemple, l’IA peut remarquer que les transactions frauduleuses se produisent souvent dans une séquence spécifique ou ont des caractéristiques particulières en commun.La logique sous-jacente n’est pas si différente de l’analyse statistique et des approches basées sur des règles. Cependant, contrairement aux méthodes traditionnelles, l’IA peut s’adapter aux nouveaux schémas de fraude en temps réel, traiter de gros volumes de données rapidement et efficacement, apprendre et améliorer continuellement sa précision au fil du temps.L’apprentissage profond (ou deep learning) et les grands modèles de langage (LLM, large language models) vont encore plus loin. Imitant le fonctionnement d’un cerveau humain, ils fournissent des interfaces étendues qui permettent à quiconque d’interagir avec eux dans un langage plus naturel. Ils peuvent utiliser davantage de données non structurées. L’essor de l’IA générative a suscité l’intérêt du grand public et déclenché une nouvelle vague d’applications de l’IA dans le secteur bancaire.
Quelles sont les applications potentielles de l'IA dans les paiements et les services bancaires ?
Surveillance et prévention des fraudes
Dans le cadre de la surveillance et de la prévention des fraudes, les ordinateurs associés à l’IA peuvent vérifier l'authenticité des documents d'identité et même de leur propriétaire, simplifiant ainsi les processus de connaissance du client (KYC) (Know your customer).Pour la vérification préalable des contreparties, l'IA peut analyser les données afin d'évaluer la fiabilité et le risque associés aux partenaires commerciaux ou aux clients potentiels.
Traitement des prêts et évaluation des risques
Les demandes de prêt peuvent être facilitées par l'IA. La technologie peut traiter et extraire rapidement les informations pertinentes de divers documents liés aux prêts, réduisant ainsi considérablement le temps de traitement. Les modèles de notation des risques basés sur l'IA peuvent intégrer des sources de données non traditionnelles afin d'évaluer la solvabilité, ce qui pourrait élargir l'accès au crédit pour les populations qui en bénéficient rarement. Ces modèles d'IA peuvent également aider les banques à adapter les conditions de prêt aux profils individuels des clients et à réduire les risques de défaut de remboursement.
Relations avec les clients
Les chatbots et les assistants virtuels, basés sur le traitement du langage naturel (TLN), savent gérer un large éventail de requêtes et de transactions provenant des clients. Ces interfaces pilotées par l'IA fournissent un service 24 h/24 et 7 j/7, améliorant l'expérience client et réduisant la charge de travail du personnel.Les systèmes basés sur l'IA peuvent également fournir des conseils financiers personnalisés, en analysant les habitudes de dépenses et les objectifs financiers d'un client pour proposer des recommandations de produits et des stratégies d'épargne sur mesure.
Quels sont les risques liés à l'utilisation de l'IA dans le secteur bancaire et les paiements ?
Erreurs et comportement imprévisible
L'une des principales préoccupations concernant l'IA dans le secteur bancaire est son potentiel d'erreurs et son comportement imprévisible. Contrairement aux systèmes traditionnels basés sur des règles, les modèles d'IA, en particulier les grands modèles de langage, produisent parfois des résultats illogiques ou incorrects. De plus, si un LLM manque d'informations, il « hallucine » (c’est-à-dire invente), générant des informations plausibles mais entièrement fictives. Dans un contexte financier, de telles erreurs peuvent avoir de graves conséquences. La complexité des systèmes d'IA rend souvent leurs processus décisionnels opaques, créant un effet de « boîte noire ». Ce manque de transparence est problématique pour les banques, qui ont besoin de systèmes prévisibles à des fins de conformité. L'incapacité à expliquer pleinement comment une IA est parvenue à une décision particulière peut poser des problèmes lors des audits réglementaires ou lors de la justification des décisions auprès des clients.
Problèmes de partialité et d'équité
Un autre risque important est que l'IA puisse perpétuer, voire amplifier, les biais existants. Actuellement, les scores de crédit aux États-Unis sont réglementés pour garantir un accès équitable au crédit. Seuls certains types de données sont utilisés et les personnes concernées peuvent corriger les informations. Ces règles garantissent l'équité, mais aussi que les prêts remplissent leur rôle de création de richesse individuelle et collective en prêtant à des projets valables.Si un modèle d'IA est formé sur des données historiques qui reflètent les biais sociétaux et utilise de grandes quantités d’informations, il peut reproduire ces biais dans ses décisions. Par exemple, un système d'approbation de prêt alimenté par l'IA pourrait pénaliser injustement des personnes en fonction de facteurs tels que leur quartier ou leur origine sans tenir compte de leur comportement financier réel ou de leur potentiel. De plus, une IA pourrait ne pas reconnaître que l'historique financier non conventionnel d'un demandeur est dû à des circonstances atténuantes plutôt qu'à une mauvaise gestion financière. Par exemple, une IA aurait-elle accordé un prêt à un Kylian Mbappé de 18 ans, vivant à Trappes, avec une carrière incertaine dans le football ? Une IA évaluant les prêts ne prendrait pas en compte le potentiel du sportif, mais uniquement le risque de ne pas être remboursé.
Cybersécurité et risques liés à la confidentialité
L’introduction de systèmes d’IA dans le secteur bancaire crée également de nouvelles vulnérabilités potentielles que les cybercriminels pourraient exploiter. Par exemple, des personnes malintentionnées pourraient tenter de manipuler les données d’entraînement des modèles d’IA pour influencer leurs décisions, une technique connue sous le nom d’attaque par empoisonnement des données. Les modèles d’IA eux-mêmes pourraient devenir des cibles de vol ou d’espionnage industriel. Ces nouveaux schémas d’attaque s’ajoutent aupérimètre déjà complexe de la cybersécurité pour les banques.Aussi, les informations utilisées pour entraîner les algorithmes, qu’il s’agisse de données de paiement ou de demandes de prêt, sont extrêmement sensibles. En raison des règles de confidentialité, le consentement doit être obtenu avant toute utilisation et il doit être garanti qu’aucune fuite ne sera observée pendant l’entraînement et l’utilisation.
Coûts économiques et environnementaux
La mise en œuvre et l’exploitation de grands modèles d’IA entraînent des coûts importants, à la fois financiers et environnementaux. Ces systèmes nécessitent des ressources informatiques importantes, ce qui implique de posséder du matériel et des centres de données spécialisés. La consommation énergétique et l’empreinte environnementale importante des grands modèles d’IA suscitent des inquiétudes alors que le secteur bancaire s’efforce de devenir durable.
De plus, toutes les institutions financières ne disposent pas de l’expertise interne nécessaire pour mettre en œuvre et gérer efficacement les systèmes d’IA. Ce déficit de compétences pourrait potentiellement créer une fracture concurrentielle dans le secteur, les petites institutions ayant du mal à suivre le rythme des innovations axées sur l’IA.
L’IA à long terme ?
Il ne fait aucun doute que l’IA apportera d’énormes avantages à la finance une fois que les usages inutiles auront été éliminés, que ses limites auront été comprises et que la gestion des risques nécessaire à tout moteur complexe aura été accompagnée.L’IA ne sera pas utilisée partout. Les systèmes basés sur des règles sont les mieux adaptés si nous souhaitons une application cohérente de règles claires, comme l’élimination des personnes sanctionnées. L’apprentissage automatique peut surveiller des tâches précises pour lesquelles nous avons formé des ensembles de données. Les grands modèles peuvent fonctionner pour des tâches complexes avec les garanties appropriées. Les collaborateurs, enfin, restent la garantie ultime pour superviser les machines dans tous leurs rôles, du backend aux relations clients.Les voitures sont soumises à de nombreuses règles. L’IA le sera aussi à terme. Mais la réglementation de l’IA est difficile en raison de la technicité, de la complexité et de la rapidité de l’innovation dans le domaine. Le développement de cadres réglementaires appropriés nécessitera une collaboration étroite entre les institutions financières, les experts en IA et les régulateurs.L’avenir des paiements et des services bancaires avec l’IA est prometteur, mais il nécessite une mise en œuvre réfléchie et une surveillance continue. Les institutions financières qui trouveront le juste équilibre pourfournir la meilleure qualité de service tout en préservant la sécurité et la confidentialité pourront prendre l’avantage sur la concurrence.
La banque N26
Chez N26 la sécurité est notre priorité. Découvrez une expérience bancaire 100 % mobile.
Chez N26, nous prenons la sécurité très au sérieux. Toutes les cartes Mastercard N26 sont protégées par la technologie 3D Secure et si vous repérez une activité suspecte sur votre compte, vous pouvez immédiatement bloquer votre carte depuis l’application. De plus, les notifications en temps réel vous offrent une visibilité sur toutes les activités de votre compte et vous permettent de garder l’esprit tranquille. Visitez la page de notre comparateur de compte pour trouver celui qui vous ressemble.
PAR XAVIER LAVAYSSIÈREExpert en finance numérique, conseillant les gouvernements et les banques centrales sur les infrastructures financières et les politiques technologiques
