Aujourd’hui, les institutions financières sont confrontées à de nombreux défis. Elles doivent notamment mettre en œuvre de nouvelles réglementations, réduire les risques et lutter contre la criminalité financière. L’adoption de l’IA peut être un outil essentiel dans ce processus et de nombreuses entreprises spécialisées dans les services financiers sont actuellement en pleine phase d’évaluation ou de proof-of-concept (POC). Elles explorent ainsi toutes les utilisations potentielles de l’IA, même si la plupart d’entre elles n’ont pas encore pris de décision définitive quant à son déploiement.
Cela n’a rien de surprenant, puisque la plupart des dernières avancées en matière d’IA, en particulier l’IA générative, en sont encore à leurs balbutiements et nécessitent une approche mûrement réfléchie pour être mises en œuvre. Comme pour toute nouvelle technologie, avant de mettre en œuvre l'IA, une entreprise doit d’abord définir les objectifs qu’elle souhaite atteindre, avant de développer une approche stratégique concernant son déploiement. Tant qu’aucune planification détaillée n’est élaborée pour garantir une cohérence avec les objectifs de l’entreprise et avec les exigences réglementaires en vigueur, aucun investissement majeur ne doit être engagé.
Une large gamme d’applications
De nombreux cas d’utilisation capables de tirer parti des grands modèles de langage (LLM) et de l’IA agentique sont activement explorés dans le domaine des paiements.L’un d’eux concerne l’utilisation de l’IA dans le cadre de procédures intelligentes de paiement, permettant de gérer et de distribuer n’importe quel type de paiement vers le système approprié en toute simplicité. Le système peut ensuite analyser le paiement et optimiser son flux de manière dynamique pour maximiser les taux de réussite des transactions et minimiser les coûts. Il peut analyser divers facteurs tels que les données clients, la localisation géographique et le profil de risque afin de déterminer le meilleur parcours pour chaque transaction.
Un autre domaine critique est celui du risque : de nombreuses entreprises étudient des possibilités d’amélioration apportées par l’IA à leurs systèmes d’évaluation des risques et de souscription. L’IA peut, par exemple, être utilisée pour repérer plus efficacement et plus rapidement des anomalies dans la détection de la fraude ou dans le blanchiment d’argent. Les algorithmes d’IA offrent la possibilité d’analyser de grandes quantités de données et d’identifier des transactions suspectes en temps réel. En parallèle, ils peuvent également reconnaître des schémas plus précis, ce qui peut minimiser le taux de faux positifs.
L’IA peut également prendre en charge l’automatisation des processus manuels et des processus sujets aux erreurs afin de réduire les coûts, de gagner en rapidité et d’améliorer la qualité des workflows. La correction des données de paiement en est un parfait exemple : une étape de pré-validation et d’évaluation permet de minimiser le recours à l’intervention manuelle. Dans le cas contraire, l’agent du service client peut collaborer avec l’IA générative afin de simplifier – et potentiellement d’accélérer – le processus de remédiation.
Même si l'IA offre d’immenses possibilités, il faut garder à l’esprit que le marché des paiements est extrêmement réglementé et que la sécurité, la transparence et la fiabilité des systèmes utilisés doivent être une priorité absolue. Cela vaut particulièrement pour les réglementations et les directives issues de la loi européenne sur l’intelligence artificielle (AI Act). Dans ce contexte, trois approches spécifiques gagnent en importance : l’open source, les petits modèles d’IA et les environnements de cloud hybride.
Gagner en transparence grâce à une approche open source
Les politiques, les technologies et les solutions open source reposent avant tout sur la collaboration et la transparence. Dans le contexte de l’IA, par exemple, cela se traduit par des données accessibles et fiables, ainsi que par des prises de décisions transparentes, de préférence avec la capacité de contribuer au développement du modèle. Tout cela constitue la base d’une IA « fiable », dont les lignes directrices sont l’explicabilité, l’équité, la robustesse et la contrôlabilité des modèles d’IA. Ce type d’IA est essentiel pour les institutions financières, dans la mesure où l’AI Act, la BaFin (l’autorité fédérale de supervision financière en Allemagne), le dispositif MaRisk (exigences minimales pour la gestion des risques) et le cadre BAIT (exigences de supervision pour l’informatique dans les institutions financières) ont déjà établi des lignes directrices fondamentales dans ce domaine.Les avantages des petits modèles de langage (SLM) et de l’IA agentique
Les fournisseurs de services financiers sont également confrontés à un défi lorsqu’ils doivent choisir le modèle d’IA le plus adapté à leurs besoins. Il est devenu évident que les institutions ne s’appuieront pas uniquement sur les LLM, mais qu’elles se tourneront vers des modèles plus petits (SLM) entraînés pour des cas d’utilisation spécifiques – par exemple, les SLM dotés de milliards de paramètres plutôt que les LLM dotés de plusieurs billions de paramètres.Les SLM offrent de multiples avantages. Leur implémentation ne nécessite que peu de ressources, ce qui permet de réduire les coûts et la consommation énergétique, et ils prennent également en charge l’intégration continue de nouvelles données, en particulier celles spécifiques à une institution ou à un domaine. Ainsi, les cycles d’entraînement peuvent être effectués beaucoup plus rapidement. Enfin, en utilisant des SLM sous licence open source, les entreprises peuvent gagner en indépendance vis-à-vis des fournisseurs et bénéficier d’une plus grande flexibilité dans le choix des solutions qui offrent une visibilité sur les algorithmes, les données d’entraînement et la pondération des modèles.
Dans le même temps, l’IA agentique est en passe de devenir un nouveau paradigme dans la mise en œuvre des modèles d’IA. Ces agents d’IA peuvent analyser les tendances, prendre des décisions en une fraction de seconde et ajuster les stratégies de manière dynamique en s’appuyant sur des données en temps réel et sur des informations récentes. Tout cela pourrait favoriser la création de systèmes beaucoup plus efficaces.
Le cloud hybride comme fondement de l’infrastructure
En termes de sécurité, les paiements constituent un domaine intrinsèquement critique, car ils impliquent des transactions financières, ainsi que le stockage et la gestion de données financières et personnelles extrêmement sensibles. C’est pourquoi les infrastructures appartenant aux entreprises et les serveurs sur site ont souvent été privilégiés pour héberger les données et les logiciels de paiement. Cependant, cette approche présente des limites, notamment un manque de flexibilité pour introduire des technologies innovantes telles que l’IA. Face à cette situation, le marché du cloud a évolué afin de proposer la meilleure solution possible : le cloud hybride.Celui-ci est généralement activé par l’intermédiaire d’une couche d’abstraction et d’une plateforme de gestion centrale, permettant aux entreprises de continuer à utiliser le stockage sur site pour les données sensibles tout en bénéficiant des avantages apportés par l’évolutivité du cloud public. Ces données peuvent circuler entre les différents fournisseurs de cloud public en fonction de leurs propres politiques, des demandes du marché, ou de la réglementation en vigueur, tout en continuant de répondre aux exigences de résilience opérationnelle.
Une approche de cloud hybride repose sur la portabilité des workloads et sur une gestion cohérente et sécurisée tout au long du cycle de vie des applications, depuis le développement et l’entraînement des modèles d’IA jusqu’à leur intégration dans une application de paiement. Les institutions financières ont la possibilité de développer et d’entraîner un modèle d’IA dans un cloud public grâce à des données accessibles au public ou à des données de tests synthétiques, avant de l’intégrer dans une application sur site. Elles peuvent également entraîner les modèles à l’aide de données confidentielles dans leur propre datacenter, puis de les exécuter sur un cloud public.
Même si l’IA soulève des questions relatives à la confidentialité, aux investissements et à l’élaboration d’une stratégie solide dès le départ, son impact potentiel dans le domaine des paiements est immense. Elle peut simplifier les processus, améliorer l’efficacité et stimuler l’innovation. Pour ce faire, il est impératif de disposer d’une infrastructure hybride et flexible, conçue pour offrir davantage de transparence et favoriser une meilleure forme de collaboration, et capable de s’adapter aux changements rapides qui caractérisent le monde de l’IA.
Par Ramon Villarreal, Global Architect and Payments Lead, Financial Services chez Red Hat
