Les services financiers se distinguent des autres secteurs par une longue histoire de données structurées et de contrôle strict. Là où de nombreuses organisations doivent encore commencer à organiser leurs informations, ce secteur possède souvent déjà des décennies d'expérience avec des modèles de données, des pistes d'audit et la gestion des risques. Cela donne une avance apparente. La dimension gestion des données obtient dans la pratique souvent un score plus élevé que dans d'autres secteurs, mais cela ne signifie pas que l'organisation dans son ensemble est prête pour l'IA. Là où par exemple le secteur de la construction se bat avec des données fragmentées entre projets, le secteur financier se bat plutôt avec des silos de données si bien sécurisés qu'ils ne se rejoignent plus.
Le rapport entre les dimensions fondamentales est donc déséquilibré, mais d'une autre manière qu'ailleurs. L'infrastructure informatique est généralement robuste, mais aussi lourde : de grands systèmes anciens qui ne s'adaptent pas rapidement. La structure organisationnelle est souvent hiérarchique et répartie selon des lignes de responsabilité strictes, ce qui peut ralentir la prise de décision concernant les nouvelles technologies. Le résultat est un secteur qui obtient de bons scores sur papier pour ce qui est de la base, mais qui est lent dans la pratique pour passer de la fondation à l'activation.
La conformité et la gestion des risques sont ancrées dans l'ADN du secteur. Cela joue dans les deux sens. D'un côté, cela assure une discipline dans la qualité des données et une délimitation claire des responsabilités, quelque chose que d'autres secteurs doivent encore construire. D'un autre côté, l'habitude de d'abord calculer les risques entraîne une réticence à déployer de nouvelles technologies avant que leur impact n'ait été entièrement évalué. Cette réticence n'est pas nécessairement un inconvénient, mais elle explique pourquoi les projets pilotes restent plus souvent au stade expérimental plutôt que de se développer en application structurelle.
La dimension prise de décision est ici déterminante. Dans de nombreuses organisations financières, il manque une vue d'ensemble claire de qui peut prendre quelle décision concernant une application d'IA, et sur la base de quelles informations. Cette vue d'ensemble, ce qui doit figurer dans un inventaire des décisions, est précisément ce que de nombreuses mesures de maturité révèlent comme lacune : la technique est présente, l'autorité pour l'utiliser ne l'est pas.
Ce qui distingue en outre ce secteur, c'est l'ampleur de la différence entre départements. Un département des risques travaille déjà depuis des années avec des modèles et des statistiques, et voit l'IA comme une extension logique de ce qui se fait déjà. Un département back-office ou de relation client voit l'IA surtout comme quelque chose imposé d'en haut, sans que ses propres processus de travail y soient adaptés. Lorsque plusieurs personnes de la même organisation évaluent séparément les sept dimensions, cette dispersion se remarque souvent immédiatement. Le résultat est rarement une image uniforme, et c'est précisément là que réside la valeur : cela montre où la conversation sur la préparation n'a pas encore eu lieu.
Cette dispersion est moins fortuite qu'elle ne le paraît. Les institutions financières sont souvent constituées de divisions qui se sont historiquement développées séparément, chacune à son propre rythme de digitalisation. Il s'agit d'un schéma différent de celui observé par exemple dans le secteur de l'installation, où la dispersion apparaît plus souvent entre le siège et l'exécution sur le terrain, ou dans le secteur immobilier, où la différence se situe souvent entre gestion et développement.
La tentation de commencer par les dimensions visibles et dépendantes est grande dans le secteur financier, car il existe déjà beaucoup de données et beaucoup d'expérience en modélisation. Pourtant, l'ordre reste valable : la structure organisationnelle, l'infrastructure informatique et la gestion des données forment la base sur laquelle le reste s'appuie. Une organisation qui obtient sur papier un score élevé en gestion des données, mais où la prise de décision et la responsabilité ne sont pas élaborées, se heurte au même mur qu'une organisation qui doit encore tout commencer. Pourquoi les dimensions fondamentales doivent venir en premier n'est alors pas une question de préférence, mais de la manière dont les applications d'IA fonctionnent réellement : sans base solide, tout reste au niveau d'un projet pilote, quelle que soit la sophistication du modèle.
La comparaison avec d'autres secteurs à forte intensité capitalistique, comme le secteur de l'énergie, montre qu'une base technique solide ne conduit pas automatiquement à la maturité sur les autres dimensions. La technique et la discipline sont nécessaires, mais pas suffisantes.
La mesure de maturité montre si l'organisation dans son ensemble possède la base nécessaire pour porter l'IA de manière responsable : la structure, l'infrastructure, la gestion des données et la prise de décision qui les entoure. C'est une question différente de savoir quelle partie du travail lui-même se prête à une reprise. Une fois cette base identifiée, il devient pertinent d'examiner tâche par tâche ce que l'IA peut reprendre et ce qu'elle ne peut pas reprendre. C'est le domaine du scan de travail de FTE TO AI, qui calcule pour chaque tâche quelle part du travail peut être reprise par l'IA, sur la base de la nature de la tâche elle-même plutôt que de la préparation de l'organisation.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.