Les banques investissent des milliards dans le cloud et la cybersécurité

Les banques investissent dans la cybersécurité, le cloud et l’infrastructure de données.

Un changement clair est en train de s’opérer dans le secteur bancaire. Les dirigeants ont compris que l’IA générative ne peut pas s’appuyer sur des systèmes anciens et fragmentés. Ce type de fondation ralentit tout, les données restent piégées dans des silos, les modèles ne peuvent pas communiquer entre eux et l’opération devient un patchwork d’efforts déconnectés. C’est pourquoi les banques donnent la priorité aux investissements dans la cybersécurité, les solutions cloud et l’architecture de données moderne.

Il ne s’agit pas seulement d’augmenter les capacités de calcul pour résoudre le problème. Sans un accès sécurisé à des données propres et structurées, et sans la capacité de les transférer rapidement d’une fonction à l’autre, l’IA se heurtera rapidement à un mur. La plupart des grandes banques supportent encore le poids d’une infrastructure obsolète, et pour dépasser cette limite, il faut repenser la pile depuis le début : rationaliser les pipelines de données, résoudre les problèmes de qualité et mettre en place une connectivité sécurisée dans l’ensemble de l’entreprise.

Du point de vue du leadership, il s’agit d’une question de pertinence à long terme. Les banques qui élimineront le plus rapidement les goulets d’étranglement dans leurs systèmes bénéficieront d’un avantage considérable en termes d’exécution. L’agilité du back-end se traduit directement par la capacité du front-end. Elle vous donne la possibilité de lancer des fonctionnalités d’IA dans toutes les gammes de produits et de réagir aux besoins des clients sans être ralenti en interne.

L’IA générative stimule l’efficacité opérationnelle des développeurs

Les résultats sont réels et reproductibles. Bank of America a démarré avec outils de codage alimentés par l’IA et a constaté des gains de productivité de plus de 20 % au sein de ses équipes de développement. Citi a déployé des systèmes similaires auprès de 30 000 développeurs. Les développeurs construisent plus rapidement, écrivent un code plus propre et passent moins de temps sur des tâches répétitives.

C’est le genre d’impact qui ne se contente pas d’améliorer les flux de travail, mais qui change le mode de fonctionnement des équipes. Les développeurs peuvent commercialiser leurs produits plus rapidement, améliorer la fiabilité des systèmes et consacrer plus de temps à la résolution créative de problèmes. Si vous gérez une grande équipe technique ou supervisez la transformation numérique d’une banque, ce type d’efficacité se traduit par une augmentation de la production sans embauche supplémentaire.

À l’heure actuelle, de nombreuses entreprises sont encore en train de tâter le terrain. C’est normal. Mais nous sommes à un stade où les premières réussites se transforment en une mise en œuvre à grande échelle. M. Soto Sanchez a noté que les entreprises passent d’initiatives expérimentales en matière d’IA à des questions plus pointues : Quel est l’impact réel sur la performance ? Est-ce que cela fait avancer l’aiguille sur le plan financier ? C’est ce qui compte, et nous commençons à obtenir ces réponses, avec des résultats réels et quantifiables.

Il y a aussi un plus grand avantage. Une fois que les outils d’IA sont correctement intégrés, ils ne cessent de s’améliorer. Les modèles apprennent, les développeurs s’adaptent et les processus évoluent. Un déploiement intelligent dès le début génère des rendements cumulés sans accroître la complexité.

Les banques développent les applications de l’IA

L’IA générative montre une grande valeur dans les cas d’utilisation qui sont faciles à mettre à l’échelle : le traitement des documents, la synthèse des appels des clients et l’automatisation de la recherche. Il s’agissait auparavant de tâches lentes et manuelles qui prenaient du temps aux analystes sans contribuer directement à la prise de décision. Désormais, ces processus sont plus rapides, plus structurés et toujours plus précis. Il s’agit d’un gain d’efficacité et d’information.

Lorsque plus de deux tiers des professionnels de la finance déclarent utiliser personnellement des outils d’IA générative pour les investissements ou les études de marché, comme le montre l’enquête de Broadridge, vous savez que l’adoption est significative, et non expérimentale. Ces outils font déjà partie des flux de travail quotidiens. Les analystes peuvent analyser de grands ensembles de données, extraire ce qui est important et agir plus rapidement. Les équipes dirigeantes reçoivent désormais des informations condensées et pertinentes sans avoir à attendre des jours de travail manuel.

Cette rapidité ne réduit pas la qualité. Si elle est correctement mise en œuvre, l’IA générative aide les analystes à vérifier des ensembles de données plus vastes sans manquer de modèles cruciaux. Pour les dirigeants, cela signifie que des équipes plus restreintes peuvent couvrir plus de terrain, en recoupant les marchés, en signalant les signaux précoces et en fournissant de meilleurs résultats en matière de risques, d’investissements et de conformité.

Mais le champ d’application est important. Il s’agit là de gains verticaux importants, plus faciles à prouver au sein d’équipes individuelles qu’à l’échelle d’une entreprise. Michael Abbott l’a dit clairement : ce type de fonctionnalité, le résumé de documents ou la transcription automatisée, est largement mis en œuvre et fonctionne. C’est l’une des principales façons dont l’IA générative ajoute de la valeur aujourd’hui.

L’IA n’évoluera pas sans une plateforme solide

Quand les banques commencent à utiliser l’IA générative générative au-delà des équipes isolées, la complexité augmente rapidement. L’IA ne peut pas évoluer efficacement si elle ne s’appuie pas sur une plateforme qui se connecte aux bonnes données, prend en charge plusieurs types de modèles et inclut des protections intégrées. C’est la prochaine priorité des dirigeants : passer d’outils dispersés à des systèmes unifiés et sécurisés qui soutiennent l’utilisation à l’échelle de l’organisation.

La mise à l’échelle horizontale, à travers des fonctions telles que la conformité, le service à la clientèle, les prêts et l’informatique, exige une discipline en matière de gouvernance, d’architecture de plateforme et de contrôle des utilisateurs. L’accès doit être basé sur les rôles. Des garde-fous doivent être mis en place dès le départ. L’intégrité des pipelines de données doit être contrôlée. Vous pouvez évoluer rapidement ou intelligemment, mais c’est en faisant les deux à la fois que vous créerez une valeur durable.

Michael Abbott a expliqué clairement la nécessité de cette démarche. Vous avez besoin d’une plateforme connectée, et non d’un ensemble d’outils. Les modèles doivent fonctionner dans des limites prédéfinies, en accédant aux données par des couches sécurisées et en fournissant des résultats cohérents. Avec la baisse des coûts d’infrastructure et l’augmentation de l’efficacité des modèles, l’opportunité de passer d’expériences isolées à des systèmes à l’échelle de l’entreprise est réelle, et se présente dès maintenant.

Cette mise à l « échelle n’est pas seulement technique. Elle exige de recycler les équipes, d’aligner les stratégies de données sur une vision commune et de construire des systèmes internes autour d’une architecture prête pour l’IA. Il s’agit d’aligner l’entreprise avant de l » étendre, ce que les dirigeants doivent s’approprier directement.

Obtenir un retour sur investissement complet des initiatives en matière d’IA

Il n’y a pas de véritable RETOUR SUR INVESTISSEMENT DE L’IA sans préparation structurelle. C’est la dure vérité à laquelle les dirigeants commencent à être confrontés. L’IA générative peut produire des gains rapides dans des cas d’utilisation restreints et limités, mais pour obtenir un impact durable et mesurable à l’échelle d’une organisation, les systèmes, les données et les processus qui la sous-tendent doivent être mis à niveau. Sinon, le rendement reste limité à la nouveauté plutôt qu’à l’échelle.

De nombreuses banques ont sous-estimé l’ampleur des frictions au sein de leur environnement technologique. Les systèmes existants sont encore courants, les données sont fragmentées et les problèmes de qualité interrompent même les meilleurs flux de travail des modèles. Si les données ne sont pas propres ou accessibles, l’IA ne fonctionne tout simplement pas bien, quel que soit le degré d’avancement du modèle. Les dirigeants qui souhaitent un retour sur investissement à court terme doivent faire face à ces limites dès le départ, sous peine de se retrouver bloqués à mi-parcours.

Ce fossé dans les attentes se reflète dans les données récentes. Selon Broadridge, plus d’un tiers des dirigeants bancaires s’attendent à ce que les investissements dans l’IA soient rentabilisés en six mois ou moins. Presque le même nombre déclare que le retour sur investissement pourrait prendre trois ans. Les deux sont valables, selon l’état d’avancement de la modernisation de l’institution. Pour les entreprises qui naviguent encore dans des environnements hérités, le délai le plus long est plus réaliste. Les dirigeants doivent adapter leurs attentes à leur état de préparation.

Jason Birmingham, de Broadridge, l’a présenté comme une prise de conscience à laquelle de nombreuses entreprises sont maintenant confrontées : vous ne pouvez pas réécrire tous les systèmes existants juste pour faire fonctionner l’IA. Cela prend trop de temps et coûte trop cher. La voie la plus intelligente consiste à résoudre les obstacles pratiques, à nettoyer les données, à rationaliser les couches d’accès, à moderniser là où l’impact est important.

L’avantage, c’est qu’une fois que ces bases sont fixées, l « élan est rapide. Les outils d’IA cessent d » être des expériences et commencent à agir comme des multiplicateurs de force. Mais tout commence par l’infrastructure, pas par le battage médiatique.

Données ou recherches pertinentes : Broadridge a constaté que plus d’un tiers des cadres bancaires s’attendent à un retour sur investissement de l’IA dans les six mois, tandis qu’une proportion similaire prévoit un délai de trois ans. Près de 50 % d’entre eux signalent des difficultés liées aux silos de données et 40 % évoquent des problèmes de qualité des données.

Individus mentionnés : Jason Birmingham, responsable mondial de l’ingénierie chez Broadridge, a noté que les banques reconnaissent les limites de la réécriture des systèmes existants et se concentrent plutôt sur le dépassement des obstacles pratiques à la modernisation pour capturer la valeur de l’IA à long terme.

Principaux faits marquants

• Donner la priorité à l’infrastructure pour débloquer l « échelle de l’IA : Les banques doivent investir dans des plateformes cloud sécurisées, une architecture de données unifiée et des systèmes modernisés pour permettre l’adoption d’une IA générative évolutive et supprimer les goulets d » étranglement opérationnels.
• Utilisez l’IA pour accélérer la production des développeurs : Les outils de codage génératifs de l’IA entraînent des gains de plus de 20 % dans la productivité des développeurs ; les dirigeants devraient les déployer dans les équipes techniques pour raccourcir les délais de livraison et renforcer l’exécution numérique.
• Ciblez d’abord les cas d’utilisation de l’IA à fort effet de levier : Les fonctions telles que le résumé de documents et la recherche d’investissement produisent des résultats rapides ; concentrez les déploiements de l’IA sur ces fonctions afin d’augmenter immédiatement la productivité des analystes et de rationaliser la prise de décision.
• Élaborer une stratégie d’IA au niveau de la plateforme : La mise à l’échelle de l’IA dans l’entreprise nécessite une plateforme centralisée avec un accès régi, une prise en charge de modèles multiples et des garde-fous intégrés ; les responsables techniques doivent éviter le déploiement d’outils fragmentés.
• Alignez les attentes en matière d’IA sur l’état de préparation technique : Le véritable retour sur investissement dépend de la prise en compte des contraintes des systèmes existants, de la qualité des données et des lacunes en matière d’intégration ; les dirigeants doivent calibrer les investissements dans l’IA en fonction de la maturité actuelle de l’infrastructure.