Une nouvelle technologie de la plateforme de banque numérique Plumery AI vise à résoudre un dilemme pour les institutions financières : comment aller au-delà des preuves de concept et intégrer l’intelligence artificielle dans les opérations bancaires quotidiennes sans compromettre la gouvernance, la sécurité ou la conformité réglementaire.
Le « AI Fabric » de Plumery a été positionné par l’entreprise comme un cadre standardisé pour connecter les outils et modèles d’IA générative aux données et services bancaires centraux. Selon Plumery, le produit vise à réduire la dépendance aux intégrations spécifiques et à promouvoir une architecture orientée événements et API d’abord, qui peut évoluer à mesure que les institutions grandissent.
Le défi qu’il cherche à relever est reconnu dans le secteur. Les banques ont investi massivement dans l’expérimentation de l’IA au cours de la dernière décennie, mais de nombreuses mises en œuvre restent limitées. Une recherche de McKinsey suggère que bien que l’IA générative puisse améliorer de manière significative la productivité et l’expérience client dans les services financiers, la plupart des banques ont du mal à traduire les pilotes en production en raison des données fragmentées et des modèles opérationnels en place. Le cabinet de conseil soutient que l’adoption de l’IA au niveau de l’entreprise nécessite une infrastructure et une gouvernance partagées, ainsi que des produits de données réutilisables.
Dans des commentaires accompagnant le lancement du produit, le fondateur et PDG de Plumery, Ben Goldin, a déclaré que les institutions financières sont claires sur ce qu’elles attendent de l’IA.
« Ils veulent de vrais cas d’utilisation en production qui améliorent l’expérience client et les opérations, mais ils ne transigeront pas sur la gouvernance, la sécurité ou le contrôle », a-t-il déclaré. « L’architecture de mesh de données orientée événements transforme la manière dont les données bancaires sont produites, partagées et consommées, sans ajouter une autre couche d’IA sur des systèmes fragmentés. »
La fragmentation des données reste un obstacle
La fragmentation des données reste l’un des obstacles à l’IA opérationnelle dans le secteur bancaire. De nombreuses institutions s’appuient sur des systèmes centraux hérités qui se trouvent dans de nouveaux canaux numériques, créant des silos dans les produits et les parcours client. Chaque initiative d’IA nécessite un travail d’intégration, des examens de sécurité et des approbations de gouvernance frais, augmentant ainsi les coûts et ralentissant la livraison.
La recherche académique et industrielle soutient ce diagnostic. Les études sur l’IA explicative dans les services financiers notent que les pipelines fragmentés rendent plus difficile le suivi des décisions et augmentent le risque réglementaire, en particulier dans des domaines comme la notation de crédit et la lutte contre le blanchiment d’argent. Les régulateurs ont clairement indiqué que les banques doivent être en mesure d’expliquer et d’auditer les résultats générés par l’IA, quel que soit l’endroit où les modèles sont développés.
Plumery affirme que son AI Fabric aborde ces problèmes en présentant les données bancaires orientées domaine comme des flux régis pouvant être réutilisés dans de multiples cas d’utilisation. L’entreprise soutient que la séparation des systèmes d’enregistrement des systèmes d’engagement et d’intelligence permet aux banques d’innover de manière plus sûre.
Preuves de l’IA déjà en production
Malgré les défis, l’IA est déjà intégrée dans de nombreuses parties du secteur financier. Des études de cas compilées par des analystes de l’industrie montrent une utilisation généralisée de l’apprentissage machine et du traitement du langage naturel dans le service client, la gestion des risques et la conformité.
Citibank, par exemple, a déployé des chatbots alimentés par l’IA pour gérer les demandes de renseignements des clients routinières, réduisant la pression sur les centres d’appels et améliorant les temps de réponse. D’autres grandes banques utilisent l’analyse prédictive pour surveiller les portefeuilles de prêts et anticiper les défauts. Santander a publiquement décrit son utilisation de modèles d’apprentissage machine pour évaluer le risque de crédit et renforcer la gestion de portefeuille.
La détection de la fraude est un autre domaine mature. Les banques s’appuient de plus en plus sur des systèmes d’IA pour analyser les modèles de transactions, signalant les comportements anormaux de manière plus efficace que les systèmes basés sur des règles. La recherche des cabinets de technologie note que de tels modèles dépendent de flux de données de haute qualité, et que la complexité de l’intégration reste un facteur limitant pour les petites institutions.
Des applications plus avancées émergent en marge. La recherche académique sur les grands modèles de langage suggère que, sous une gouvernance stricte, l’IA conversationnelle pourrait soutenir certaines fonctions transactionnelles et de conseil dans la banque de détail. Cependant, ces mises en œuvre restent expérimentales et sont étroitement scrutées en raison de leurs implications réglementaires.
Fournisseurs de plates-formes et approches écosystémiques
Plumery opère sur un marché concurrentiel de plates-formes de banque numérique qui se positionnent comme des couches d’orchestration plutôt que des remplacements des systèmes centraux. La société a conclu des partenariats conçus pour s’intégrer dans des écosystèmes fintech plus larges. Son intégration avec Ozone API, un fournisseur d’infrastructure de banque ouverte, a été présentée comme un moyen pour les banques de fournir des services conformes aux normes plus rapidement, sans développement personnalisé.
Son approche reflète une tendance plus large de l’industrie vers des architectures composables. Des fournisseurs comme Backbase et d’autres promeuvent des plateformes centrées sur les API qui permettent aux banques de brancher l’IA, les analyses et les services tiers sur le système central existant. Les analystes s’accordent généralement à dire que de telles architectures sont mieux adaptées à l’innovation progressive qu’au remplacement à grande échelle des systèmes.
La préparation reste inégale
Des preuves suggèrent que la préparation dans le secteur est inégale. Un rapport du Boston Consulting Group a révélé que moins d’un quart des banques estiment être prêtes pour une adoption à grande échelle de l’IA. Selon le rapport, l’écart réside dans la gouvernance, les bases de données et la discipline opérationnelle.
Les régulateurs ont réagi en offrant des environnements contrôlés pour l’expérimentation. Au Royaume-Uni, des initiatives de bac à sable réglementaires permettent aux banques de tester de nouvelles technologies, y compris l’IA. Ces programmes sont conçus pour soutenir l’innovation et renforcer la responsabilité et la gestion des risques.
Pour des fournisseurs comme Plumery, l’opportunité réside dans la fourniture d’une infrastructure qui aligne l’ambition technologique et la réalité réglementaire. L’AI Fabric entre sur un marché où la demande d’IA opérationnelle est évidente, mais où le succès dépend de la preuve que les nouveaux outils peuvent être sûrs et transparents.
Que l’approche de Plumery devienne une norme adoptée reste incertain. Alors que les banques passent de l’expérimentation à la production, l’accent se déplace vers les architectures qui soutiennent l’IA. Dans ce contexte, les plates-formes capables de démontrer une flexibilité technique et une conformité à la gouvernance ont plus de chances de jouer un rôle important dans la prochaine phase de la banque numérique.