*Transférer le titre original ‘#81 - Au-delà du battage : Pourquoi l'IA Générative est le prochain véritable changement de plateforme dans le secteur bancaire (Lecture gratuite)’

Sponsorisée par Triage

Construit par des dirigeants

Dans le secteur des services financiers en Afrique, une expertise de niche dans des domaines tels que le risque, le crédit, la conformité et la technologie peut faire ou défaire la performance d'une entreprise. Naviguer dans des réglementations complexes et intégrer de nouvelles technologies exige des leaders qui comprennent les nuances des produits financiers, les attentes des parties prenantes et les réalités du marché. Sans cette profondeur de connaissance, même les institutions bien financées risquent des erreurs coûteuses qui perturbent les investisseurs, freinent la croissance et sapent la confiance des clients.

Triage apporte un mélange d'expérience pratique en tant qu'opérateurs dans le secteur bancaire et des services financiers, ainsi qu'une expérience mondiale en travaillant avec certaines des plus grandes entreprises de services financiers dans le monde. Notre équipe a collaboré avec des dirigeants seniors dans plus de 35 pays à travers l'Afrique, soutenant une gamme de stratégies de croissance et de changement à travers un éventail de clients, allant des entreprises en phase de démarrage aux entreprises en pleine expansion, en passant par les transformations numériques et les retournements. Cette vaste expérience nous permet de faire la différence entre une expertise passagère et une véritable capacité, garantissant que vous engagez des leaders qui comprennent réellement ce qu'il faut pour réussir dans le monde en évolution rapide des services financiers.

Introduction

Le scepticisme est ce qu'il faut pour regarder derrière un bilan, le dernier miracle de l'ingénierie financière ou l'histoire à ne pas manquer. . . . Seul un sceptique peut séparer les choses qui semblent bonnes et le sont de celles qui semblent bonnes et ne le sont pas. Les meilleurs investisseurs que je connais exemplifient ce trait. C'est une nécessité absolue. - Howard Marks

En tant que jeune dans le secteur financier, il est important de développer une bonne dose de scepticisme. Dans le secteur bancaire en particulier, le scepticisme est payant car les banques les plus performantes sont celles qui évitent les pertes plutôt que celles qui poursuivent les gains. C'est un art négatif. Néanmoins, le scepticisme n'est pas synonyme de pessimisme. Cela signifie simplement avoir du discernement sur ce qui est de l'engouement et ce qui ne l'est pas. Le défi pour de nombreuses personnes dans la finance est qu'elles tombent dans le piège d'être sceptiques pour la valeur de signaler socialement que vous êtes intelligent.

Comme l'a dit John Collison ou était-ce Naval Ravikant, « Les pessimistes ont l'air intelligents, les optimistes gagnent de l'argent ». Un esprit sceptique est précieux. Cependant, pour qu'il soit précieux, il doit être associé à une rigueur analytique et, surtout, à la capacité de changer d'avis lorsque les faits changent.

C'est un contexte utile pour la discussion actuelle sur l'IA générative, en particulier dans le secteur bancaire et financier. Il est important de se référer spécifiquement à l'IA générative par opposition à l'apprentissage automatique qui existe depuis un certain temps, en particulier dans le secteur bancaire. L'IA générative est le type d'intelligence qui peut créer de nouvelles choses telles que du texte, des images, de l'audio ou de la vidéo à partir de l'apprentissage sur d'énormes ensembles de données. Un scepticisme paresseux pousse de nombreuses personnes à qualifier prématurément l'IA de battage médiatique, tandis qu'un optimisme débridé pourrait conduire à des investissements prématurés. Pour que des décisions éclairées autour de l'IA soient prises, il est important de mettre l'IA en contexte, en particulier son contexte économique. Cela signifie analyser l'IA comme un changement de plateforme et la replacer dans son contexte historique par rapport à d'autres changements de plateforme. L'IA dans son contexte historique devrait amener les banquiers et l'industrie financière en général à prendre les bonnes décisions.

Dans l'article d'aujourd'hui, nous allons comprendre ce qu'est un changement de plateforme, passer en revue les changements de plateforme passés et leur impact sur l'industrie des services financiers, placer l'IA dans son contexte en tant que changement de plateforme, examiner les initiatives mondiales des banques et des Fintechs autour de l'IA et évaluer les leçons clés pour les dirigeants de l'industrie des services financiers.

Changements de plateforme et services financiers

Qu'est-ce qu'un changement de plateforme

La finance, comme toute autre industrie, est soumise aux caprices que la technologie entraîne. Que ce soit le télégramme et son impact sur la banque basée sur des agences ou le mini-ordinateur et son impact sur les DAB. La finance s'est toujours adaptée aux changements de plateforme. Dans le domaine de la technologie, un changement de plateforme fait référence à un changement fondamental dans l'architecture technologique sous-jacente qui permet de nouvelles capacités grâce à un changement radical dans la structure de coût sous-jacente. Souvent, cela permet de nouveaux modèles commerciaux et de nouvelles façons de créer de la valeur. L'élément clé est qu'il doit y avoir un changement fondamental dans la structure de coût de quelque chose, c'est-à-dire que le coût de faire X doit être réduit d'un facteur de 10x+ pour que quelque chose soit véritablement considéré comme un changement de plateforme. Les caractéristiques clés peuvent être décrites comme ;

• Changement d'architecture fondationnelle : Les changements de plateforme impliquent des modifications radicales dans la manière dont la technologie est structurée et accessible, et pas seulement des améliorations des systèmes existants.
• Améliorations exponentielles du rapport coût-performance : elles offrent généralement des améliorations d'un ordre de grandeur (10x ou plus) en termes de coût, de performance ou de capacités, et pas seulement des gains marginaux.
• Nouveaux modèles de création de valeur : Les changements de plateforme permettent des modèles commerciaux et de création de valeur entièrement nouveaux qui n'étaient pas viables auparavant.
• Formation d'écosystèmes : Ils engendrent de riches écosystèmes de produits, services et entreprises complémentaires. Cela est souvent un effet plutôt qu'un trait déterminant.
• Perturbation du marché : Les changements de plateforme perturbent souvent les industries existantes et créent des marchés entièrement nouveaux.
• Démocratisation : Ils rendent généralement la technologie accessible à un public plus large, permettant l'entrée de nouveaux participants.

Nous examinerons quelques changements historiques de plateforme et analyserons, en importance ;

1. De quoi il s'agissait en matière de changement de plateforme ;
2. Son impact sur la structure des coûts;
3. Gagnants de ce changement et comment ils ont tiré parti de la technologie ;

1. Systèmes centraux : Centralisation de la computation (années 1950 - début des années 1970)

Contexte historique et caractéristiques clés
Avant les années 1950, les banques tenaient des livres de comptes à la main ou avec des tabulateurs électromécaniques. Le traitement d'un chèque signifiait qu'un employé devait taper une ligne d'élément, classer des documents et réconcilier les totaux à la fin de la journée. Les grands systèmes comme le System / 360 d'IBM ont introduit l'informatique à programme stocké, la reconnaissance de caractères à encre magnétique et le traitement par lots. Pour la première fois, une seule machine pouvait lire des dizaines de milliers de chèques par heure, appliquer automatiquement les règles de compte et publier les résultats pendant la nuit.

Courbe de coût
La facture de capital était élevée, plusieurs millions de dollars, mais le coût marginal de l'envoi d'une transaction a chuté d'environ cent pour un par rapport à la saisie manuelle. Les taux d'erreur se sont effondrés, les délais de coupure se sont resserrés, et l'échelle est devenue un problème logiciel plutôt qu'un problème de personnel.

L'histoire du gagnant
Dans l'Amérique d'après la Seconde Guerre mondiale, la classe moyenne américaine connaissait un essor et la demande de services bancaires, en particulier de chèques, était en forte augmentation. Dans la Bank of America, le nombre de comptes chèques augmentait à un rythme de 23 000 comptes par mois et la banque devait fermer à 14h00 juste pour traiter les chèques. La Bank of America a mis en œuvre leAppareil d'enregistrement électronique comptable (ERMA) système en 1959. Il traitait environ 36 000 chèques par heure, (environ 10 par seconde) contre ~245 chèques/heure par un comptable humain. Il a géré trois quarts de milliard de publications par an, et a permis à la banque de s'étendre au-delà de la Californie sans embaucher des milliers de commis. Pour Bank of America, en améliorant de manière spectaculaire le débit (plus de 100× plus rapide), il a considérablement réduit le coût par chèque traité et a évolué pour servir plus de clients. L'automatisation des tâches de back-office a donné aux premiers adopteurs comme BofA un avantage en termes de coûts, alimentant leur croissance en tant que leaders nationaux.

2. Minicompteurs : Automatisation départementale (années 1970 - milieu des années 1980)

Contexte historique et caractéristiques clés
L'avènement des minicomputers – plus petits et beaucoup moins chers que les mainframes – a démocratisé l'informatique au-delà des Fortune 500. Les banques, les courtiers et les prestataires de services pouvaient déployer des systèmes mini et de milieu de gamme (provenant de vendeurs comme DEC, Data General, la ligne AS/400 d'IBM, etc.) au niveau des départements ou des agences. Cette époque a vu la naissance des réseaux électroniques et des services fintech qui pouvaient fonctionner sur une infrastructure moins coûteuse, permettant l'émergence de nouveaux acteurs spécialisés.

Courbe des coûts
Une filiale pouvait désormais disposer de sa propre puissance de calcul pour une fraction du coût d'un ordinateur central. Les sessions interactives ont remplacé les rapports par lots, et de nouveaux canaux tels que les DAB sont devenus économiques. Les mini-ordinateurs ont réduit le prix de l'informatique. Un mini des années 1970 pouvait coûter des dizaines de milliers, faisant chuter les coûts de calcul par unité d'un ordre de grandeur par rapport aux ordinateurs centraux des années 1960. Cette accessibilité a élargi l'adoption des technologies de l'information dans la finance. En conséquence, dans les années 1980, même les entreprises financières de taille moyenne informatisèrent leurs opérations, ce qui entraîna un service plus rapide et des coûts unitaires plus bas.

L'histoire du gagnant

Un mini ordinateur DEC - Source DEC

Citibank a acheté des centaines d'ordinateurs Tandem NonStop et DEC mini, les a mis en réseau avec des DAB, et a lancé son marketing "Citi Never Sleeps" en 1977. Lorsqu'une tempête de neige a paralysé New York en 1978, les DAB de Citi ont continué à servir les clients, les volumes de transactions ont augmenté de vingt pour cent, et la part des dépôts dans la ville a doublé en trois ans. Les coûts de guichet, environ un dollar par visite,est tombé à environ trente cents sur un DAB.

3. Client-Serveur et Bases de Données Relationnelles : Traitement Distribué (fin des années 1980 – 1990)

Contexte historique et caractéristiques clés
Avant l'ère client-serveur, la base de données était intégrée dans l'ordinateur, combinant à la fois les données et l'interface. L'ère client-serveur a entraîné une séparation entre la couche de données et la couche d'interface. Il y avait un client (PC) et un serveur. Un PC Windows ou Mac gérait la présentation, un serveur de milieu de gamme stockait les données, et SQL communiquait entre eux sur un réseau local. Les bases de données relationnelles prêtes à l'emploi signifiaient de nouvelles perspectives : des millions de lignes pouvaient être interrogées en quelques secondes, permettant des modèles de marketing statistique et de risque.

Courbe de coût
Des PC à moins de 2 000 $ et des serveurs Unix à moins de 100 000 $ permettent aux banques d'interroger des millions de lignes en quelques secondes.

L'histoire du gagnant
Capital One, issu de Signet Bank en 1994, a utilisé une grille client-serveur fonctionnant sous Oracle pour tester des milliers d'offres de cartes de crédit en parallèle. Il a évalué le risque au niveau individuel et a fait croître sa clientèle de quarante pour cent en 1997 tandis que les acteurs établis s'appuyaient sur de larges catégories FICO. Le rendement des capitaux propres a constamment dépassé vingt pour cent car l'analytique a remplacé la tarification uniforme. D'autres gagnants comprenaient Charles Schwab qui a compris que l'ère client-serveur pouvait démocratiser le courtage en actions.

En Afrique, bien qu'il y ait eu un léger retard, les gagnants incluaient ;

1. La Banque Equity qui a exploité l'architecture client-serveur et les mini-ordinateurs pour développer ses capacités transactionnelles en passant à Finacle (un système bancaire central basé sur une architecture client-serveur) tout en développant également son réseau de distributeurs automatiques de billets en utilisant les mêmes systèmes. Cela s'est finalement transformé en Banque d'agence. Ils sont passés d'une non-entité dans les années 90 à la plus grande banque d'Afrique de l'Est par capitalisation boursière;
2. GT Bank - A utilisé une architecture client-serveur pour améliorer le traitement des transactions à l'agence, permettant ainsi un meilleur service client. Avant cela, les clients devaient attendre des heures pour traiter un simple dépôt ou retrait.

4. Cloud 1.0 : Infrastructure en tant que service (2006 – début des années 2010)

Source : Magazine Business et Finance - Les frères Collison

Contexte historique et caractéristiques clés

Le web nécessitait encore que les entreprises possèdent des serveurs. Amazon Web Services a transformé le calcul, le stockage et les bases de données en services publics facturés à l'usage. Une application pouvait passer de dix utilisateurs à dix millions sans commande de matériel.

Courbe de coût
Au lieu de millions en capex, un développeur avait besoin d'une carte de crédit et pouvait payer quelques centimes par heure pour le calcul. La capacité élastique signifiait que le coût évoluait à peu près en fonction de l'utilisation, éliminant les grandes augmentations. C'était un grand changement par rapport à l'ère des bases de données relationnelles où vous deviez anticiper votre croissance à l'avance, ce qui entraînait des capex initiaux significatifs.

L'histoire du gagnant
Stripe a été lancé en 2010, quatre ans après le lancement d'AWS en 2006, avec une API de paiement qui était opérationnelle en quelques minutes. Son exemple de code de sept lignes a abstrait la souscription des commerçants, le règlement et la conformité. D'ici 2024, Stripe traitait environ 1,4 trillion de dollars US en paiements, des volumes qui étaient auparavant gérés par des acquéreurs bancaires et des processeurs hérités, et son coût d'intégration est resté une erreur d'arrondi grâce à la facturation cloud basée sur l'utilisation. Les API deviennent une nouvelle forme de création de valeur, validant le cloud comme un véritable changement de plateforme.

5. ère mobile et cloud-native (années 2010 - années 2020)

Source : [itweb.co.za]

Contexte historique & caractéristiques clés
Les smartphones mettent un ordinateur Internet, un capteur biométrique et un élément sécurisé dans chaque poche, transformant "la distribution" en une liste d'applications. De plus, les plateformes de cloud public (AWS, GCP, Azure) ont livré une infrastructure de niveau bancaire en tant qu'utilitaire ; les microservices et les pipelines CI/CD ont permis des mises à jour de fonctionnalités hebdomadaires, voire quotidiennes. Les réseaux mobiles ont également servi de rails de paiement ; les codes QR et les comptes virtuels ont remplacé le matériel POS dédié et les réseaux de succursales.

Courbe des coûts
Dans ce nouveau cadre, les clients fournissaient le terminal, la bande passante et l'authentification ; le coût d'intégration progressif est tombé à une fraction des coûts d'intégration d'un client ou d'un commerçant basé en agence. Les frais de transaction sur les rails basés sur l'application tombent en dessous de 1 %, ouvrant l'accès rentable aux paiements à faible montant et aux comptes sans frais.

Gagnants & leurs manuels de jeu

• Nubank (Brésil, fondé en 2013)
  • Acquisition mobile uniquement via une liste d'attente virale ; plus de 2 000 micro‑services AWS pour une analyse de crédit en temps réel.
  • Déploiement de code des dizaines de fois par jour, déployant des fonctionnalités plus rapidement que les régulateurs ne pouvaient approuver les augmentations de prix des banques traditionnelles.
  • D'ici 2023 : 100 millions de clients à travers l'Amérique latine ; 11 milliards de dollars américains d'économies sur les frais hérités pour les utilisateurs ; part à deux chiffres du marché des cartes au Brésil tout en maintenant l'un des ratios coût-revenus les plus bas dans le secteur bancaire mondial.
  • Leur chiffre d'affaires croît à deux fois le rythme de leurs coûts et ils sont sur la bonne voie pour devenir la banque la plus rentable du Brésil d'ici 2028.
• TymeBank (Afrique du Sud, fondée en 2019)
  • Noyau cloud sur AWS ; KYC instantané et sans papier via des kiosques biométriques à l'intérieur des chaînes de supermarchés (Pick n Pay, Boxer).
  • Pas de succursales détenues, équipe technique réduite ; vente croisée d'économies, de crédits et d'assurances dans l'application.
  • D'ici 2024 : 8 millions de clients ; atteintsrentabilité en moins de cinq ans, démontrant que la distribution physique peut être externalisée tandis que le noyau reste purement numérique.
• D'autres exemples incluent des entreprises comme Flutterwave, Stitch, MNT Halan, Paystack et Paymob.

Pourquoi ils ont gagné

• Distribution sans infrastructure ;
• Économie élastique
• Surfaces axées sur les développeurs;
• Cycles d'itération rapides;

Pris ensemble, ces acteurs illustrent comment des dispositifs appartenant aux clients associés à une architecture cloud-native créent un avantage de coût structurel - et ont fait de la vitesse, et non de l'échelle héritée, l'arme décisive dans la banque africaine et mondiale.

Leçons clés des changements de plateforme passés

Certaines leçons clés des changements de plateforme passés

1. Tous les changements de la plateforme ont permis aux services financiers d'être réalisés différemment. L'idée fondamentale était la structure de coûts d'un problème spécifique, soit le coût de transaction, soit le coût de distribution.
2. Les bénéficiaires des changements de plateforme étaient soit des banques qui ont rapidement adopté la technologie (BoFA, Citi), soit de nouveaux entrants qui comprenaient ce que le changement permettait (Stripe, Nubank);

Le contexte de l'IA générative

Pour moi, les changements de plateforme passés se sont concentrés sur le coût et la distribution étant donné que ces domaines étaient vraiment spécifiques au logiciel, c'est-à-dire déterministes. L'IA générative ne sera pas nécessairement un problème de coût et de distribution. À mon avis, l'IA générative représentera une réduction de 10 000 fois du coût de la livraison d'une relation sur mesure. Actuellement, les banques et les Fintech ont distribué des transactions via la technologie et c'est une tendance qui va se poursuivre. Presque tout le monde effectue des transactions sur son téléphone avec très peu de transactions se produisant en agence. Cela s'applique aussi bien aux particuliers qu'aux clients d'entreprise. Néanmoins, le principal goulot d'étranglement pour une distribution accrue des services financiers est de permettre la banque relationnelle à grande échelle. Cela est dû au fait que cela reste le travail des êtres humains, étant donné que la gestion des relations est de haute contextualité et nécessite du jugement.

L'IA générative peut offrir une « banque de relations » premium pour des centimes par client. Aujourd'hui, un gestionnaire de relations (RM) africain de premier plan coûte environ 6 000 $ par mois pour servir environ 30 clients, soit environ 300 $ chacun après frais généraux. Si ce travail est transféré à l'IA, le coût pourrait tomber à quelques centimes, débloquant des conseils personnalisés pour le grand public et transformant l'accès financier à travers le continent. À mon avis, c'est la prochaine frontière étant donné que la Fintech transactionnelle a déjà été résolue.

Les relations resteront importantes dans le secteur bancaire, mais elles passeront d'humain à humain à humain à IA. Les conversations sur l'argent portent souvent de la honte ; de nombreux clients cachent des questions basiques du regard d'un banquier. Une IA inanimée et inflexible abaisse cette barrière sociale, invitant à la franchise et à des questions « idiotes » sans fin. Une plus grande honnêteté associée à un accompagnement 24/7 fait de l'IA un gestionnaire de relations puissant et évolutif.

Initiatives mondiales en matière d'IA

Comment les banques du monde utilisent réellement l'IA générative

Si vous écartez les gros titres et le battage médiatique, une question demeure : que font réellement les plus grandes banques du monde avec l'IA générative ? Pas le potentiel futur. Pas ce que les fournisseurs proposent. Qu'est-ce qui a vraiment été déployé, et où ?

Au cours des deux dernières années, le secteur financier mondial est discrètement entré dans l'ère de l'IA générative. Mais le tableau qui se dessine n'est pas uniforme. C'est un mélange d'outils internes discrets, d'expériences prudentes avec les clients et de quelques mouvements réellement audacieux qui laissent entrevoir comment la banque pourrait être restructurée de l'intérieur. Je donne un aperçu ci-dessous;

Interne d'abord, client ensuite

S'il y a un thème constant, c'est celui-ci : l'IA commence de l'intérieur.

La majeure partie de l'adoption de l'IA générative s'est concentrée sur la productivité interne—des outils qui aident le personnel à faire plus avec moins. De l'assistant analyste de JPMorgan qui analyse la recherche en actions, pour L'outil alimenté par GPT de Morgan Stanley pour les gestionnaires de patrimoine, le premier pari est de donner plus de pouvoir aux banquiers, et non de les remplacer.

Goldman Sachs est construire des copilotes pour les développeurs.Citi a des résumés d'IA aidant le personnel à gérer les mémos et à rédiger des e-mails. Standard Chartered's " SC GPT” est en direct auprès de 70 000 employés, les aidant avec tout, de la rédaction de propositions aux questions de ressources humaines.

Étant donné que nous vivons dans un environnement réglementaire très strict, les outils internes ont du sens car les banques peuvent expérimenter et affiner leurs compétences en IA sans risquer de contrevenir aux réglementations. Si l'action récente de la CBN contre Zap est un indice, alors il vaut mieux prévenir que guérir.

Segment par Segment : Où se trouve la valeur

Différentes divisions avancent à des rythmes différents. La banque de détail est en tête en termes de volume. À cet égard, Wells Fargo estFargo ou de Bank of AmericaErica, les chatbots alimentés par l'IA générative gèrent désormais des centaines de millions d'interactions chaque année. En Europe, Commerzbank a récemment lancéAva, son propre chatbot.

Le problème néanmoins est que certains d'entre eux n'utilisent pas réellement l'IA générative et s'appuient en fait sur l'apprentissage automatique. Ceci article donne une bonne explication de la façon dont Erica par Bank of America fonctionne, c'est en fait un turc mécanique. Néanmoins, c'est l'expérimentation qui compte.

Dans la banque d'investissement et d'entreprise, le changement est plus subtil. Les outils internes de JPMorgan soutiennent les équipes de recherche et de vente, pas les clients.Deutsche Bank utilise l'IA pour analyser les journaux de communication des clients.Ce n'est pas un service client, c'est un levier de données, aidant les banquiers à comprendre et à servir les clients mieux et plus rapidement.

La gestion de patrimoine se situe quelque part entre les deux. L'IA de Morgan Stanley ne parle pas directement aux clients, mais elle s'assure que les conseillers n'entrent jamais en réunion non préparés. Deutsche Bank et First Abu Dhabi Bank testent des assistants orientés client pour leurs clients de premier plan, conçus pour répondre aux questions d'investissement nuancées en temps réel.

Différences régionales : Qui avance rapidement ?

Source :Indice AI Évident

L'Amérique du Nord est en tête, comme prévu. Les banques américaines ; JPMorgan, Capital One, Wells Fargo, Citi et RBC ont transformé l'IA en moteur de productivité. Et grâce à des partenariats avec OpenAI et Microsoft, elles ont eu un accès précoce à des modèles de pointe.

L'Europe est plus prudente. BBVA, Deutsche et HSBC testent des outils en interne, souvent avec plus de garde-fous. Le RGPD jette une ombre longue. Comme toujours, l'Europe se concentre sur la régulation plutôt que sur le progrès et cela pourrait leur coûter.

L'Afrique et l'Amérique latine en sont à un stade antérieur, mais avancent rapidement. Nubank au Brésil est un exemple remarquable, s'associant à OpenAI pour déployer des outils en interne et éventuellement pour les clients. En Afrique du Sud, des banques comme Standard Bank et Nedbank mènent des projets pilotes internes en IA dans les domaines des risques, du support et du développement.

Chine : Construire sa propre pile d'IA

Les banques chinoises n'utilisent pas seulement l'IA, elles construisent l'ensemble.

• ICBC a lancéZhiyong, un modèle de langage de grande taille de 100 milliards de paramètres construit en interne. Il a été appelé plus d'un milliard de fois, alimentant des cas d'utilisation allant de l'analyse de documents à l'automatisation du marketing dans 200 domaines d'activité. Ce n'est pas seulement un outil interne, c'est un changement fondamental dans la façon dont la banque fonctionne.
• Ant Group a lancé deux LLMs financiers -Zhixiaobao 2.0 (pour les clients de détail) etZhixiaozhu 1.0 (pour les professionnels de la finance). Le premier est conçu pour expliquer les produits financiers aux utilisateurs quotidiens à l'intérieur d'Alipay. Le second aide les gestionnaires de patrimoine à résumer les rapports de marché et à générer des insights sur les portefeuilles.
• Ping An Group, l'un de mes fintechs préférés, un hybride d'assurance, de banque et de technologie, pousse encore plus loin. Il a construitDemander à Bob, un assistant IA génératif pour les clients et les gestionnaires de relations. Pour les clients, AskBob peut répondre aux questions d'investissement et d'assurance en chinois naturel. Pour les conseillers, il extrait et résume l'historique des clients, les données sur les produits et les supports marketing, transformant chaque agent en un expert financier numériquement augmenté. L'ambition de Ping An est de redéfinir le conseil financier grâce à l'IA, non seulement de répondre aux questions, mais de les anticiper.

En Chine, où les cadres réglementaires encouragent fortement la localisation des données et la transparence des modèles, ces institutions empruntent le long chemin : construire une IA sur mesure capable de prospérer dans les environnements réglementaires, linguistiques et de marché nationaux. De plus, la Chine dispose d'une densité de talents suffisante pour permettre aux banques de construire leurs propres modèles fondamentaux, un exploit qui pourrait ne pas être reproduit ailleurs dans le monde.

Qui alimente cela ?

Quelques grandes marques apparaissent partout : Microsoft (via Azure OpenAI) est de loin la plateforme la plus courante. Tout le monde, de Morgan Stanley à Standard Chartered, exécute ses modèles dans le bac à sable sécurisé de Microsoft.

Les LLM de Google sont également en jeu, Wells Fargo utilise Flan pour alimenter Fargo. Et en Chine, c'est principalement fait maison : DeepSeek, Hunyuan, et d'autres.

Certaines banques comme JPMorgan, ICBC et PingAn forment leurs propres modèles. Mais la plupart affinent ceux qui existent déjà. Il ne s'agit pas de posséder le modèle. Il s'agit de posséder la couche de données et l'orchestration.

Aperçu des différentes initiatives d'IA dans le monde

Alors quoi ?

Dans une industrie hautement réglementée, il est important d'être prudent et c'est pourquoi les banques impliquent l'IA dans le processus, mais pas en première ligne. Néanmoins, comme nous l'avons observé lors d'autres changements de plateforme, il est crucial d'être décisif et d'expérimenter rapidement. La réglementation ne sera jamais en avance sur l'exécution et il n'est pas judicieux de retarder l'expérimentation de l'IA avec l'idée qu'il faut attendre les réglementations. Je me souviens d'avoir construit la banque d'agence il y a plus d'une décennie dans un pays qui n'avait pas de telles réglementations. Une fois que nous l'avons construite, c'était à nous de l'expliquer à la Banque Centrale. Si j'étais membre du conseil d'administration d'une banque, ma question serait : « combien d'expérimentations menons-nous et combien d'idées générons-nous ? »

Pour vraiment mesurer le progrès, vous devez revenir aux fondamentaux d'un changement de plateforme. Votre stratégie d'IA doit répondre :

« Notre stratégie IA reconstruit-elle l'architecture centrale, réduit-elle les coûts de 100×, débloque-t-elle de nouveaux modèles de valeur, stimule-t-elle les interconnexions écosystémiques, perturbe-t-elle les marchés et démocratise-t-elle l'accès ? »

La logique est claire, il est important d'être sceptique mais la logique et les faits indiquent que l'IA représente un nouveau changement de plateforme. De plus, la logique et les faits montrent que les changements de plateforme passés ont proverbiellement déplacé le fromage sur les marchés financiers. Le travail de Citi avec la technologie dans les années 70 et 80 a considérablement élargi son activité de détail. Capital One est apparu de nulle part pour devenir une banque parmi les 10 premières sur le marché et un acteur significatif dans des industries adjacentes telles que les prêts automobiles et les hypothèques. En Afrique, Equity Bank a surfé sur la vague client-serveur pour devenir la plus grande banque d'Afrique de l'Est en termes de capitalisation boursière. La même vague a été empruntée par Access Bank, GT Bank et Capitec sur leurs marchés respectifs.

L'ère des plateformes d'IA est là et elle va créer des gagnants. L'idée n'est pas de se concentrer sur les perdants, car ce qui se passe, c'est que les gagnants prennent une part de marché significative dans un vecteur spécifique, par exemple Stripe dans les paiements. Ces premiers coins conduisent à des gains de parts de marché dans des domaines adjacents, comme la façon dont Nubank a utilisé les cartes de crédit pour devenir un acteur sérieux dans la banque des PME et le secteur bancaire de détail.

Mon avis est que les gagnants de l'ère de l'IA se concentreront sur le coût de la relation. Ce n'est plus un jeu transactionnel. Cela s'est déjà produit. C'est un jeu d'expérience client et de relation. C'est l'idée centrale que les leaders des services financiers devraient retenir. Comment pouvez-vous créer une amélioration de 100x dans l'expérience client et la banque de relation à une fraction du coût ? Comment pouvons-nous exploiter l'intelligence en tant que banque pour vous aider à mieux gérer vos finances, votre entreprise et votre vie ? Les acteurs qui répondront à ces questions et exécuteront seront les gagnants.

Avertissement :

1. Cet article est reimprimé de [Newsletter Fintech Frontier]. Transférer le titre original ‘#81 - Au-delà du battage médiatique : Pourquoi l'IA générative est le prochain véritable changement de plateforme de la banque (Gratuit à lire)’. Tous les droits d'auteur appartiennent à l'auteur original [Mary Mogoi]. S'il y a des objections à cette réimpression, veuillez contacter le Gate Learn équipe, et ils s'en occuperont rapidement.
2. Avertissement de responsabilité : Les vues et opinions exprimées dans cet article sont uniquement celles de l'auteur et ne constituent pas un conseil en investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdit.