Le pari des plateformes de données : pourquoi les initiatives d'IA dans le secteur financier piétinent et comment les gagnants parviennent à se développer

Les entreprises de services financiers ne sont pas novices en matière d'IA, mais les exigences de l'IA générative et de l'IA agentique révèlent de graves lacunes dans les infrastructures traditionnelles. Les entreprises qui dominent aujourd'hui le marché ont commencé à réorganiser leur architecture de données il y a déjà plusieurs années. Les organisations qui s'appuient sur le traitement par lots et sur des datastores fragmentées sont en train de prendre du retard.

"Plus de 40 % des services financiers gèrent encore leurs données dans des tableurs", explique Efi Pylarinou. Plus de 50 % possèdent des données verrouillées dans des systèmes qui génèrent ces données."

Lorsque les données restent cloisonnées, les modèles d'IA manquent du contexte nécessaire pour prendre des décisions précises. Les équipes sont alors contraintes de consacrer un temps considérable au nettoyage et au routage manuel des données. L'impact sur l'activité est important. La lenteur de l'accès aux données empêche la détection des fraudes en temps réel, retarde les réponses du service client et entraîne des risques majeurs de non-conformité.

De nombreuses organisations considèrent que leurs lacs de données ou outils d'automatisation des workflows existants suffisent pour l'IA. Ces systèmes sont utiles pour l'analyse et le reporting, mais ils n'ont pas été conçus pour répondre aux exigences d'instantanéité des agents IA modernes. Les lacs de données stockent des informations historiques, alors que l'IA requiert un contexte immédiat.

Efi Pylarinou souligne que ces systèmes ne parviennent pas à résoudre le problème fondamental qui consiste à procurer les données adéquates au modèle approprié, et ce, de manière conforme. Pour prendre en charge l'IA avancée, une plateforme de données unifiée doit fournir les fonctionnalités suivantes :

• Accès rapide aux données en millisecondes plutôt qu'en secondes

• Récupération contextuelle qui apporte un contexte pertinent à chaque requête

• Capacité d'interopérabilité entre les différents schémas existants

• Gouvernance intégrée pour conserver une piste d'audit et garantir des contrôles d'accès appropriés

Lorsqu'une plateforme centralise les données issues de l'intégration, des transactions et des signaux comportementaux, elle permet à l'entreprise de réagir instantanément aux évolutions du marché. Ce changement transforme l'activité, passant d'un reporting réactif à une prise de décision proactive et ultra-rapide.

"Les données sont la pierre angulaire de toute réussite en IA", ajoute Mike Sisk. "Sans une infrastructure solide, même les meilleurs modèles ne peuvent pas donner de résultats."

Les systèmes existants contiennent des décennies de structures de données distinctes. Pour les grandes organisations, il est rarement envisageable de les remplacer intégralement. Elles doivent donc mettre en place une couche d'abstraction qui unifie les données provenant de sources disparates.

Un schéma unifié doit prendre en compte l'importance du contexte. Les métadonnées permettent non seulement aux utilisateurs de comprendre la finalité des données, mais elles fournissent également le contexte nécessaire à la prise de décision d'un agent ou d'un grand modèle de langage (LLM).

Pour réaliser cette unification sans perturber les opérations, les dirigeants devraient se concentrer sur :

1. Le renforcement des systèmes existants plutôt que de tenter de les remplacer intégralement

2. La création d'un schéma commun lisible à la fois par les humains et par les grands modèles de langage

3. La priorisation des moteurs de recherche capables d'un rappel de données incroyablement rapide

En appliquant cette approche, les entreprises de services financiers peuvent extraire les enregistrements de transactions des mainframes et les enrichir de contexte. Ces données enrichies permettent d'obtenir des informations immédiates pour la prévention de la fraude et l'analyse du comportement des clients.

À mesure que les modèles d'IA gagnent en autonomie, les frameworks traditionnels de gestion des risques deviennent obsolètes. Les organisations ne peuvent plus se fier à une surveillance basée sur des règles pour les modèles non déterministes. La confiance doit être intégrée dès la conception de la plateforme de données.

"La gouvernance est clairement le principal point faible du marché", déclare Efi Pylarinou.

Ce point souligne la nécessité pour les organisations de mettre en œuvre un logging à chaque étape. Cela rend chaque action de l'IA auditable et explicable. Lorsqu'une entreprise peut prouver précisément comment un modèle d'IA a pris une décision, elle gagne la confiance des régulateurs et des clients. La gouvernance passe d'une contrainte de conformité à un avantage concurrentiel, jetant ainsi les bases d'une croissance future.

Les entreprises qui tirent leur épingle du jeu grâce à l'IA ne se contentent pas d'adopter de meilleurs modèles. Elles prennent des décisions plus judicieuses à long terme concernant leur plateforme et leur architecture de données. Une plateforme de données unifiée, flexible et fonctionnant en temps réel est indispensable pour échapper à l'impasse des projets pilotes.

En privilégiant l'unification des données, les normes ouvertes et une gouvernance rigoureuse, les entreprises de services financiers peuvent déployer l'IA en toute sécurité. Il est primordial de se concentrer en priorité sur la résolution du problème des données.