Dans le secteur financier, la conversation autour de l’Intelligence Artificielle (IA) évolue, passant des « preuves de concept » à une évaluation axée sur l’efficacité opérationnelle, les revenus et la gestion des risques. Telle est la lecture principale du sixième rapport annuel “State of AI in Financial Services” de NVIDIA, basé sur une enquête menée auprès de plus de 800 professionnels du secteur à l’échelle mondiale.

Le message est clair : banques, compagnies d’assurance, gestionnaires et fintech déploient de plus en plus de cas d’usage qu’ils connaissent déjà (fraude, gestion des risques, service client, back-office) tout en ouvrant la voie à une nouvelle vague : IA générative et agents intelligents capables d’accomplir des tâches de manière plus autonome.

Chiffres clés illustrant la transformation (et leur importance)

L’enquête révèle une perception majoritaire d’un retour sur investissement :

• 89 % des répondants affirment que l’IA contribue à augmenter les revenus et/ou réduire les coûts.
• 65 % indiquent que leur organisation utilise déjà activement l’IA, contre 45 % l’année précédente.
• 61 % déclarent exploiter ou évaluer l’IA générative, avec une progression notable par rapport à l’année précédente.
• Près de 100 % assurent que le budget consacré à l’IA augmentera ou restera constant.

Dans un contexte où le coût du capital et la réglementation se durcissent, ces chiffres s’interprètent comme un signal : l’IA quitte le stade de projet innovant pour devenir une composante stratégique de l’investissement structuré.

Open source : souplesse, maîtrise et réduction de la dépendance

Une des conclusions majeures du rapport est l’essor croissant de l’open source (modèles et logiciels) comme élément stratégique. Dans l’enquête, plus de 8 répondants sur 10 considèrent le open source comme essentiel à leur stratégie IA.

Ce n’est pas une question idéologique ; c’est une démarche pragmatique :

• Éviter le verrouillage fournisseur dans une technologie en rapide évolution.
• Adapter les modèles (fine-tuning) à leurs propres données et processus.
• Optimiser les coûts lors du déploiement en production, en passant du laboratoire à la mise en service.
• Améliorer l’audit du comportement des systèmes, une nécessité critique dans la finance.

Différentes voix dans le rapport soulignent que la véritable avance concurrentielle ne réside pas simplement dans l’utilisation de l’IA, mais dans l’entraînement et l’adaptation des capacités aux données propres et au savoir-faire spécifique de chaque institution.

La prochaine étape : agents intelligents (et le défi de leur gouvernance)

Le rapport identifie les agents d’IA comme une technologie en phase de maturation et d’adoption. Selon l’enquête, 42 % des répondants utilisent ou évaluent déjà des agents IA ; parmi eux, 21 % ont déjà déployé des agents en production.

Dans la finance, l’attractivité est immédiate : automatiser des tâches qui mobilisent actuellement beaucoup de temps et de coordination humaine, par exemple :

• Opérations internes (reconnaissance, gestion des incidents, reporting).
• Traitement documentaire (KYC, contrats, sinistres, documentation).
• Support client avec une hausse notable de productivité.
• Recherche et analyse pour les équipes d’investissement, tout en maintenant un contrôle strict.

Le défi est également évident : un agent ne se limite pas à « répondre », il doit agir. Cela implique de renforcer la gouvernance en matière de sécurité, de traçabilité, d’autorisations et d’évaluation continue (incluant la vérification de biais et d’erreurs).

Les enjeux : infrastructure hybride, cloud et on-premise

L’enquête montre également un investissement dans l’infrastructure pour soutenir les charges de travail IA, avec un intérêt pour des solutions on-premise et cloud, ainsi que pour des configurations hybrides. En pratique, la discussion tourne autour d’un dilemme pragmatique : quelles données doivent rester proches des systèmes (pour réduire la latence, maîtriser les coûts ou respecter la conformité) et lesquelles peuvent évoluer dans le cloud avec une élasticité suffisante ?

Dans la banque et l’assurance, où coexistent héritages legacy, exigences de souveraineté des données et pics de demande, la stratégie retenue tend à ressembler à ceci :

• IA près du cœur du système pour les processus critiques et les données sensibles.
• Le cloud pour la conception de prototypes, les entraînements ponctuels ou le déploiement temporaire.
• Une gouvernance et une observabilité transversales, pour assurer la pérennité du déploiement.

Ce que les dirigeants doivent lire entre les lignes

Au-delà des chiffres, le rapport suggère trois enjeux stratégiques :

1. L’IA devient un moteur d’efficacité mesurable, au-delà de l’innovation.
2. Le open source s’impose pour la maîtrise et la réduction des coûts, mais requiert une maturité opérationnelle accrue (sécurité, MLOps, conformité).
3. Les agents intelligents forcent à repenser les processus, car l’automatisation ne se limite plus à l’« assistance » : elle peut devenir une capacité d’exécution.

Pour le secteur, le message est à la fois déroutant et éclairant : le coût de la non adoption ne se limite pas à une perte de productivité, mais inclut le retard dans la vitesse de mise sur le marché, la maîtrise de la fraude et la satisfaction client.

Questions fréquentes

Que signifie “IA agentique” dans le secteur financier ?

Il s’agit de systèmes d’IA capables de planifier et exécuter des tâches avec un certain degré d’autonomie (par exemple, finaliser un processus opérationnel), plutôt que de simplement répondre à des questions ou générer du texte.

Pourquoi le open source gagne-t-il du terrain dans l’IA pour la banque et l’assurance ?

Parce qu’il offre plus de flexibilité, réduit la dépendance à un unique fournisseur et permet d’adapter des modèles à ses propres données. Toutefois, cela demande une discipline accrue en termes de sécurité, MLOps et gouvernance des données.

Quels cas d’usage génèrent le plus rapidement un ROI ?

Les domaines tels que la détection de fraude, la gestion des risques, le traitement documentaire et l’assistance client offrent des améliorations rapidement mesurables en termes de délais, d’erreurs et de coûts.

Quels sont les risques majeurs lors de l’extension de l’IA ?

Les enjeux clés concernent la gouvernance des données, la conformité, les biais, la traçabilité et la sécurité. Avec les agents, il est crucial d’auditer leurs actions, les permissions et les résultats via une télémétrie régulière et des contrôles approfondis.

Source : blogs.nvidia