Banques et IA : le défi de devenir natif de l'IA

L'IA, une transformation au-delà de la simple adoption

L'intelligence artificielle (IA) ne se contentera pas de transformer les entreprises par sa simple mise en œuvre. C'est la refonte des modes de fonctionnement qui en fera un levier de changement. Cependant, les transformations échouent rarement au début, mais plutôt au milieu du processus, lorsque les organisations tentent de s'étendre.

Dans un précédent article, le concept de banque natif de l'IA a été défini : une banque où chaque décision, processus et interaction client est guidé par l'IA. Depuis, une question persiste : comment atteindre cet objectif ? Avant d'explorer cette question, il est crucial de reconnaître que l'idée d'organisations natives de l'IA reste largement une promesse. Le potentiel de l'IA est énorme, mais l'économie à long terme et le profil de risque des entreprises pilotées par l'IA sont encore en cours d'émergence. Certaines initiatives apporteront une valeur extraordinaire, tandis que d'autres échoueront à se développer.

Malgré cette incertitude, une chose devient de plus en plus claire. L'opportunité est trop grande pour être ignorée. Dans tous les secteurs, l'IA commence à redéfinir la manière dont les entreprises fonctionnent. Les entreprises technologiques intègrent l'IA dans la prise de décision. Les plateformes numériques automatisent des processus complexes. De nouveaux entrants construisent des organisations conçues autour de l'IA dès le premier jour.

Un plan de plateau pour guider la transformation

Les transformations ne progressent pas de manière linéaire. Les organisations traversent des plateaux, chacun marquant une étape d'évolution : adoption, fondation et création de valeur. Comprendre ces plateaux aide les dirigeants à identifier leur position et les actions nécessaires.

Plateau 1 – Exploration et Fondation

Les organisations débutent souvent leur parcours IA par l'expérimentation, explorant des cas d'utilisation comme le traitement de documents et les copilotes de productivité internes. L'objectif est l'apprentissage.

• Portée minimale : Un ensemble ciblé de cas d'utilisation, un objectif de réduction des coûts de haut en bas pour commencer à intégrer de la valeur, une gouvernance de l'IA visant la conformité à la loi sur l'IA, les risques internes et externes clés et une littératie croissante. Tester la scalabilité des plateformes de données et d'IA et d'autres fondations.
• Liste noire : Arrêter tout cas d'utilisation sans propriétaire commercial et contribution au cas de valeur – garantir l'alignement stratégique. Arrêter toute IA clandestine – reprendre le contrôle.
• Succès : Les pilotes livrent des améliorations mesurables, les équipes gagnent en confiance dans l'IA, les employés commencent à utiliser l'IA, la direction reconnaît le potentiel stratégique, les capacités fondamentales sont testées et leurs domaines d'amélioration sont clairs.

Goulots d'étranglement typiques : L'expérimentation expose rapidement des problèmes structurels tels que des données fragmentées conduisant à l'utilisation de données non régulées par l'IA, des rôles et responsabilités flous retardant les décisions et désalignant les priorités, et une littératie limitée en IA entravant la véritable adoption des cas d'utilisation de l'IA.

KPIs à définir et suivre : Nombre de cas d'utilisation à fort impact en production, temps jusqu'à la production, pourcentage de la population totale liée au cas d'utilisation utilisant le cas d'utilisation de l'IA, nombre de risques liés à l'IA identifiés, incidents et éthique, nombre de leçons apprises mises en œuvre.

Question de leadership à répondre : Où voyons-nous une réelle valeur ajoutée de l'IA – et quels expérimentations devraient devenir des priorités stratégiques ?

Plateau 2 – Verticalisation Stratégique

Le deuxième plateau commence lorsque les organisations cessent de demander : « Où pouvons-nous encore expérimenter avec l'IA ? » et commencent à demander : « Où l'IA peut-elle transformer fondamentalement notre entreprise ? ». L'investissement se concentre sur quelques domaines à fort impact. Dans le secteur bancaire, ceux-ci incluent souvent :

• Service client
• Criminalité financière et KYC
• Crédit et investissements
• Opérations

Portée de ce plateau : 3 à 5 domaines de valeur holistiques pour déployer l'IA de bout en bout à travers les disciplines, plateforme de données et d'IA modernisée axée sur des données prêtes pour l'IA (par exemple, investissement dans des graphes de connaissances et des bases de données vectorielles), gouvernance explicite avec des garde-fous axés sur l'accélération et le contrôle de ce qui compte.

La liste noire : Arrêter la décision par lot (risque et fraude nocturnes) et le traitement manuel des cas – passer au temps réel pour tirer parti des avantages de l'IA et oser arrêter l'« ancienne façon de travailler ». Geler tous les cas d'utilisation non liés – se concentrer de haut en bas sur les domaines de valeur – et concentrer vos talents et experts là où cela compte. Arrêter un cadre d'expérimentation et exiger que les systèmes d'IA soient surveillés et promouvoir le partage des apprentissages.

Ce à quoi le succès ressemble : L'ensemble des parcours liés aux domaines de valeur redessinés autour de l'IA, cycles de décision plus rapides, amélioration de l'expérience client, réduction significative des coûts.

Goulots d'étranglement typiques : Contraintes de la plateforme centrale d'IA et de données entravant les déploiements rapides, gouvernance de l'IA floue, claire sur le papier mais non exploitée dans la pratique, manque d'alignement entre les priorités commerciales et technologiques entravant la vitesse.

Question de leadership à répondre : Quels sont les quelques domaines que nous devrions transformer avec l'IA – et concentrons-nous suffisamment nos investissements là-bas ?

Plateau 3 – Accélération de l'IA à l'échelle de l'entreprise

Une fois que l'IA devient critique dans plusieurs domaines, l'organisation doit faire évoluer sa capacité à livrer l'IA à grande échelle. L'IA devient une capacité d'entreprise répétable. Il est également important de solidifier la fondation, et avec cela, de se concentrer sur la transformation du leadership et de la main-d'œuvre. Les employés doivent apprendre à travailler avec des systèmes d'IA et les dirigeants doivent devenir extrêmement audacieux pour pousser le changement.

Ce à quoi le succès ressemble : Les solutions d'IA passent rapidement du développement à la production, les systèmes d'IA sont continuellement surveillés et améliorés, les produits de données prêts pour l'IA sont réutilisés à travers les équipes, l'IA devient partie intégrante des opérations quotidiennes.

La liste noire : Modèle opérationnel basé sur les processus et les systèmes – s'organiser autour de l'IA, silos centrés sur les produits et les disciplines – s'organiser autour de l'IA.

Goulots d'étranglement typiques : Résistance de la main-d'œuvre, appétit pour le risque flou et non formalisé, expérimentation « citoyenne de l'IA » incontrôlée entraînant plus de risques.

Question de leadership à répondre : Notre organisation peut-elle livrer et échelonner de manière fiable et responsable des solutions d'IA ?

Plateau 4 – Opérations natives de l'IA

Au dernier plateau, l'IA devient intégrée dans la manière de fonctionner. Les parcours clients sont orchestrés à travers des flux de travail intelligents. Les décisions sont soutenues ou automatisées en temps réel. Les employés travaillent de plus en plus aux côtés des systèmes d'IA plutôt que de prendre eux-mêmes des décisions routinières.

Ce à quoi le succès ressemble : L'IA intégrée dans les opérations fondamentales, cycles de décision plus rapides, processus adaptatifs pilotés par des données et de l'IA, création de valeur structurelle.

L'entreprise devient pilotée par des décisions basées sur l'IA plutôt que par des systèmes.

Question de leadership à répondre : Comment notre modèle opérationnel devrait-il évoluer si l'IA devient le moteur décisionnel central de la banque ?

Ce que les transformations précédentes nous enseignent

L'idée d'une organisation native de l'IA peut sembler sans précédent. Mais de nombreuses entreprises ont déjà navigué à travers des transformations majeures. Et d'elles, une leçon fondamentale a été apprise : la technologie n'est pas le véritable changement. Tout comme le passage à l'IA native, il ne s'agit pas simplement d'un déploiement technologique. C'est une transformation organisationnelle – et l'histoire montre que de telles transformations ne réussissent que lorsque le leadership les considère comme un changement fondamental.

La recherche sur le changement organisationnel, notamment le travail de John P. Kotter, montre systématiquement que les transformations réussies suivent plusieurs principes : créer un sentiment d'urgence, aligner le leadership, éliminer les barrières structurelles, générer des victoires précoces et intégrer de nouvelles façons de travailler dans l'organisation. Ces leçons sont visibles dans les grandes transformations d'entreprise.

IBM s'est réinventé dans les années 1990 sous Lou Gerstner, l'entreprise n'a pas simplement adopté de nouvelles technologies. Elle s'est réorganisée autour des services, a brisé les silos internes et a forcé l'alignement du leadership autour d'un nouveau modèle opérationnel.

Plus récemment, la transformation cloud de Microsoft sous Satya Nadella a nécessité de redéfinir la stratégie, de changer la culture et d'aligner l'ensemble de l'organisation autour d'un nouveau modèle de plateforme.

Et l'évolution de Netflix vers une entreprise axée sur les données a nécessité d'intégrer l'analytique et les algorithmes dans la prise de décision fondamentale à travers l'entreprise.

La leçon à tirer de ces transformations est claire : la technologie ne transforme pas les organisations. Les décisions de leadership le font. La transformation par l'IA nécessitera la même discipline – mais le défi pourrait être encore plus grand.

Le manuel de transformation

Contrairement aux transformations précédentes, l'IA a le potentiel de redéfinir la prise de décision horizontalement et verticalement à travers l'organisation : évaluation des risques, interaction avec les clients, flux de travail opérationnels et insights stratégiques. Cela signifie que l'IA ne peut pas rester un ensemble d'initiatives locales au sein de départements individuels. Elle doit devenir une priorité stratégique de haut niveau pour l'ensemble de l'institution, car elle traverse départements et disciplines. Par conséquent, je peux consolider un manuel de transformation court mais puissant basé sur les meilleures pratiques.

1. Créer une véritable urgence stratégique en étant audacieux et en mettant en pause d'autres initiatives.

Le leadership exécutif doit explicitement prioriser la transformation par l'IA. Si l'IA est en concurrence avec des dizaines d'autres initiatives, elle restera incrémentale et ne fera jamais de percée, car elle bouleversera les processus fondamentaux. Si d'autres initiatives de changement ne sont pas dépriorisées, vous ne pouvez pas changer l'ensemble de votre processus de gestion des risques de crédit. Par conséquent, une véritable transformation nécessite...