Le recours à l’IA ne cesse de se répandre, y compris dans les services financiers. Plusieurs cas d’usage récurrents existent dans ce secteur, comme l’analyse et la synthèse client. «L’IA générative est le principal vecteur de collecte de la donnée non structurée et est capable de croiser cette dernière avec de la donnée structurée pour ensuite la synthétiser. Cela permet au conseiller de définir la meil­leure action à réaliser grâce au contexte prérenseigné», explique Gregory Chouraqui, Directeur Conseil Expert chez CGI. Un deuxième cas d’usage concerne l’offre hyper personnalisée. Chargée de croiser les données, l’IA permet de fournir au client les services et offres les plus contextualisés à sa situation en recourant aux vecteurs marketing.

L’IA assiste aussi le conseiller pour effectuer des recommandations. L’échéance d’un contrat est par exemple l’occasion d’orien­ter le client vers de nouvelles propo­­­sitions à forte valeur. Enfin, les cas d’usages les plus récurrents sont disponibles en self care. Un espace client dans lequel l’utili­sateur est de plus en plus autonome pour introduire des réclamations, des demandes de souscription ou déclarations de sinistre. Dans ce type de situation, l’IA permet de pousser plus loin l’assistance. «La plupart de ces cas d’usage peuvent être complétés avec de l’automatisation des process. Il est possible d’imaginer de petites tâches plus ou moins complexes découlant d’une assistance par l’IA. Cette dernière va donc plus loin que le traitement de la donnée, elle agit.» 

Garantir la bonne gestion de la donnée

Au sein des services financiers, l’aspect réglementaire prime. L’IA est très intime avec la data. Le contrôle de cette dernière est donc clé. «La donnée est la matière première d’un point de vue numérique et interroge. Quelles données doit-on collecter avec l’IA ? Certaines sont sensibles. Faut-il dès lors les enregistrer ? Dans un service financier, la donnée est très souvent anonymisée avant d’être envoyée dans un modèle IA pour garantir le maintien de sa sensibilité et sa criticité, mais aussi sa sécurité.» Qu’en est-il de la conservation de ces données sensibles? Certains garantissent la localisation des données en Europe. Il est aussi possible de crypter les flux de transfert et localiser le processing dans une zone sécurisée comme le Cloud ou sur site. Quant au choix du modèle, il est important de s’assurer que le modèle sélection est performant, éthique et responsable car la consommation d’énergie et l’empreinte carbone des modèles n’est pas neutre.

Un second point d’attention est la maîtrise de l’architecture. «Dans ce secteur, l’approche adoptée vise à privi­légier une architecture en interne et à héberger soi-même sa solution IA. Les services financiers désirent une maîtrise totale pour garantir le contrôle et la conformité du modèle.» Aujour­d’hui, l’approche LLM (Large Language Model) se standardise et peut être optimisée dans le contexte client par des experts tels que CGI. Elle comprend notamment l’intégration logicielle avec le RAG (génération augmentée de récupération) qui permet de référencer les données de l’entreprise. Pour certaines familles d’usagers, une combinaison de SLM (Small Language Model) est vivement recommandée.

Faciliter l’IA à grande échelle

Industrialiser ces solutions à l’échelle d’une banque ou d’une compagnie d’assurances implique tout d’abord de démystifier l’IA. «Une phase d’accultu­ration est nécessaire, car les modèles publics ne sont pas aussi adaptables au monde de la banque ou de l’assurance. Chaque entreprise dispose de son corpus documentaire interne et manipule des concepts et verbatims qui lui sont propres.» Il faut ensuite penser grand et démarrer petit. Après avoir imaginé un large panel de possibilités, il est important de choisir le cas d’usage avec le plus fort retour sur investissement. Une fois le périmètre restreint, une opération d’adéquation permet de réaliser un proof of concept qui devra être validé. L’opération est finalement réitérée pour élargir pro­gressivement le spectre d’appli­cation dans le cadre d’une démarche itérative. L’IA s’entretient. C’est pourquoi les métiers et l’IT doivent veiller à l’amélioration continue des cas d’usage dans une approche IAOps. Pour chacune de ces étapes, CGI prodigue ses conseils. «Chaque entreprise dispose de son corpus documentaire interne et manipule des concepts et verbatims qui lui sont propres.»