Paiements prédictifs : comment l’IA rend possible de nouveaux services de paiement et de gestion de trésorerie

Le secteur bancaire adopte rapidement l’intelligence artificielle (IA) pour améliorer l’expérience client, accroître l’efficacité opérationnelle et obtenir un avantage concurrentiel. Les agents conversationnels propulsés par l’IA générative sont de plus en plus communs et permettent d’améliorer le soutien à la clientèle ainsi que de répondre aux questions en tout temps. Les algorithmes d’IA optimisent en temps réel les mécanismes de détection de la fraude ainsi que les analyses du comportement des clients, en plus de soutenir les recommandations hyperpersonnalisées de produits.

Lors du récent Sommet nord-américain sur les paiements (North American Payments Summit), Tracy Lagasse, responsable de l’innovation pour les services destinés aux institutions financières chez Microsoft, a commenté que « l’impact de l’IA sur le secteur bancaire est comparable à l’invention de l’imprimerie », en ce qui concerne ses répercussions monumentales.

Puisque les paiements sont au cœur des activités bancaires, c’est sans surprise que les banques et les fournisseurs de solutions évaluent comment l’IA peut améliorer le traitement des paiements. Une détection améliorée de la fraude est considérée comme l’aspect le plus important de l’IA fondé sur les règles et de l’apprentissage machine. Cependant, les banques explorent maintenant comment l’IA peut améliorer le traitement en temps réel, par exemple les paiements automatiques de réparation basés sur des actions historiques, et soutenir les clients lors de l’émission d’un paiement.

Fournir de nouvelles capacités de paiement grâce à l’analyse par l’IA

Les banques possèdent d’énormes quantités de données en lien avec l’historique de paiement de leurs clients, y compris les clients particuliers de banques de détail, les petites et moyennes entreprises et les grandes sociétés.

Pour les particuliers, les analyses de données effectuées par l’IA peuvent révéler des tendances de paiement telles que l’individu qui fait les paiements ainsi que la date et le montant de ces derniers, ce qui permet aux banques de créer des rappels personnalisés prédictifs pour savoir quand effectuer un paiement (y compris les paiements automatiques préautorisés par les particuliers). Celles-ci pourraient s’étendre à une analyse (avec approbation) des soldes des particuliers et de leur flux de trésorerie entrant dans le but de leur suggérer des façons plus saines d’utiliser leur argent comme effectuer des contributions à leurs comptes épargnes ou procéder à des investissements.

Pour les petites et moyennes entreprises, de même que les grandes sociétés, particulièrement celles qui ne font affaire qu’avec une seule institution financière, les analyses des données historiques de paiement effectuées par l’IA peuvent révéler des tendances dans les paiements des comptes fournisseurs et des comptes clients. Les plus petites entreprises n’ont peut-être pas accès à un système de gestion intégré pour gérer efficacement leurs paiements. C’est pourquoi les banques, munies d’outils d’IA, peuvent intervenir pour leur offrir des capacités similaires.

En ce qui concerne les petites et moyennes entreprises, de même que les entreprises individuelles, les analyses effectuées par l’IA des tendances historiques des comptes clients (supposant que la demande de paiement ou la facture soit fournie) peuvent permettre à la banque de suggérer de nouveaux termes de paiements qui réduisent le délai moyen de recouvrement des créances ou d’offrir des marges de crédit plus avantageuses comportant moins de risque pour l’institution financière. Bien que pas directement liée à l’IA, une mise en œuvre plus rapide des demandes de paiement pourrait améliorer considérablement le processus des comptes clients.

En ce qui concerne les comptes fournisseurs, les paiements émis peuvent être améliorés afin qu’ils soient exécutés en temps opportun, en tirant parti des réseaux de paiement instantané selon leur historique (ou de la disponibilité des dates d’échéance des factures) pour optimiser le solde des clients.

Défis et considérations techniques

Comme avec toute nouvelle technologie, une phase de test est nécessaire pour identifier la bonne solution d’IA, en plus d’une analyse du rendement du capital investi (RCI). Bien que l’IA générative propulsée par les grands modèles de langage soit une technologie relativement nouvelle, les solutions ainsi que les outils d’apprentissage machine et d’IA basés sur des règles sont bien établis. Ainsi, identifier les solutions d’IA appropriées pour les cas d’utilisation et les analyses de données devrait être plutôt simple.

Les considérations en matière de données dans la sélection du logiciel d’IA sont les suivantes.

• Quantité – Quel est le volume de données nécessaire à l’analyse? Par exemple, jusqu’à quelle année l’historique de paiement doit-il remonter ou d’autres renseignements sur le client sont-ils nécessaires (p. ex. : provenant d’une base de données des paiements d’une carte ou d’un accès à une base de données des paiements d’un client située ailleurs, qui utilise des API d’un système bancaire ouvert)?
• Qualité – L’utilisation de données de paiements comportant davantage de renseignements, conformément à la norme ISO 20022, là où applicable, peut mener à de meilleures perspectives.
• Entraînement de l’IA L’utilisation d’ensembles de données d’essai appropriés afin de calibrer l’algorithme d’IA est essentielle.

L’utilisation responsable de l’IA exige une surveillance humaine et les résultats doivent être revus et expliqués pour s’assurer que les décisions prises par l’IA ne proviennent pas d’une « boîte noire ». Il est important de rappeler que les algorithmes conventionnels de modélisation et d’analyse de données peuvent produire des résultats « inusités ». Les solutions d’IA explicable peuvent être considérées lorsqu’il est nécessaire pour les clients de fournir le raisonnement derrière une décision particulière.

Défis et considérations réglementaires

Cependant, malgré les avantages de l’IA, l’environnement réglementé du secteur bancaire exige que les lois et les réglementations applicables soient suivies scrupuleusement lorsque vient le temps de mettre en œuvre de telles technologies. De ces nouvelles réglementations axées sur l’IA, nous pouvons compter la loi de l’Union européenne sur l’intelligence artificielle (en vigueur depuis juin 2024) ainsi que les lois existantes et futures comme le règlement général sur la protection des données (RGPD) (en anglais) et le règlement sur la résilience opérationnelle numérique du secteur financier (DORA) (en particulier son droit à l’oubli et sa gouvernance des données personnelles utilisées par des produits fondés sur l’IA). Ces considérations doivent également être formulées pour les solutions d’audit, notamment en ce qui concerne celles qui s’appuient sur de grands modèles de langage, afin de garantir un respect des réglementations applicables en matière de protection des données.

Dans l’immédiat, les services d’IA exigeront l’accord du client, ce qui pourrait signifier l’adhésion à de nouvelles conditions générales concernant l’utilisation de leurs données.

En conclusion, les outils d’IA de paiement possèdent énormément de potentiel dans la création de nouveaux services à valeur ajoutée pour les clients d’institutions financières, qu’il s’agisse de particuliers, de petites et moyennes entreprises ou encore de grandes sociétés. Si vous voulez en apprendre davantage sur la façon dont l’utilisation responsable de l’IA peut générer des résultats probants en matière de paiement, veuillez communiquer avec moi. Également, apprenez-en plus sur les capacités et l’expertise en IA de CGI dans son ensemble ainsi que sur nos solutions et notre leadership éclairé en matière d’IA dans le secteur bancaire.