Préparation à l’IA dans les services financiers

Les initiatives d’IA dans les services financiers s’étendent à la banque de détail, à l’assurance, à la gestion de patrimoine, aux paiements, au marketing, à la gestion des risques, à la conformité et à la technologie. Quand plusieurs groupes se partagent les responsabilités, les équipes peinent à arbitrer les priorités et à prendre des décisions déterminantes concernant les ressources, l’accès aux données et le déploiement.

Une initiative marketing axée sur le cycle de vie client peut, par exemple, nécessiter des données comportementales issues d’une plateforme bancaire digitale, des signaux des gestionnaires de relation provenant d’un portail de conseil et des règles de personnalisation définies par des exigences d’adéquation. Sans un responsable doté d’une autorité transversale sur l’ensemble du projet, les progrès dépendent de la capacité des équipes à s’entendre, souvent au fil de revues successives.

Les responsables à temps partiel et les comités peuvent coordonner les activités, mais leur mandat s’arrête souvent aux frontières fonctionnelles. Un directeur ou une directrice marketing, un directeur ou une directrice du digital, ou tout autre cadre dirigeant peut assurer la responsabilité nécessaire lorsque sa nomination s’accompagne d’un titre officiel, d’un budget et d’une autorité couvrant l’ensemble des lignes métier. Il ne s’agit pas d’ajouter une nouvelle couche de gouvernance : il faut désigner un seul responsable imputable, capable de fixer les priorités, de résoudre les conflits et de faire avancer les initiatives validées.

Faire passer un cas d’usage d’IA de la proposition à la mise en production implique des décisions transversales entre les équipes technologie, sécurité, risque, juridique et conformité. L’enquête a suivi les demandes à travers l’évaluation informatique, l’examen de sécurité, l’évaluation de l’intégration, la validation budgétaire et le lancement. Dans les services financiers, l’examen de sécurité concentre la plus grande part des rejets.

Ces examens évaluent le risque lié au modèle, les enjeux de protection des données, la complexité d’intégration, les obligations réglementaires, les implications en termes de coûts et la maturité opérationnelle. Chaque vérification est nécessaire, mais le processus peut perdre de vue le résultat métier que l’initiative vise à améliorer.

Un modèle de prévention du churn ou un outil de propension à la vente croisée peut dépendre des données bancaires digitales, de l’activité des conseillers et des conseillères, de l’éligibilité aux produits et du consentement des clients et des clientes. Si ces exigences n’apparaissent qu’au cours du processus d’examen, les équipes doivent repenser le cas d’usage ou y renoncer. Les organisations peuvent améliorer la conversion du funnel en associant les spécialistes en sécurité, en conformité et en risque lié au modèle dès la phase d’idéation. Résoudre en amont les questions relatives aux droits sur les données et aux exigences de validation permet aux équipes d’évaluer ensemble la faisabilité et la valeur client avant qu’une proposition n’atteigne une étape d’examen formelle.

Dans les services financiers, les responsables marketing ajustent en permanence leurs campagnes, leurs audiences et leurs offres en fonction de l’évolution du comportement client. Si l’IA amplifie le besoin de tests et d’itérations, la plupart des organisations continuent de gérer la collaboration entre les métiers et l’IT de façon séquentielle.

Que la relation soit cloisonnée, transactionnelle ou consultative, le schéma reste similaire : les équipes métier soumettent des demandes et les équipes technologiques y répondent. Cette approche reflète les cycles traditionnels de planification, de gouvernance et de révision. Elle s’avère toutefois moins adaptée aux initiatives d’IA qui exigent des équipes qu’elles résolvent les problèmes d’accès aux données, d’intégration, de sécurité et de mesure en cours de livraison.

Lorsque les équipes métier et IT entretiennent une relation collaborative et intégrée, elles travaillent ensemble à la définition du cas d’usage. Des objectifs et des résultats clés partagés confèrent aux équipes marketing et technologie une responsabilité commune en matière de livraison et de résultats business. Lorsqu’un responsable de l’acquisition client et le propriétaire IT de la plateforme de données client partagent un objectif de rétention ou de conversion, le brief, les décisions de développement et la mesure suivent la même direction. Résultat : les problèmes peuvent être résolus en cours de livraison, sans allers-retours entre files d’attente et processus de validation.

Les responsables marketing ont besoin de données probantes suffisamment tôt pour orienter leurs décisions de financement et de mise à l’échelle. Les Leaders intègrent la mesure dès la conception de chaque cas d’usage d’IA, plutôt que de l’ajouter après le lancement. Parmi les Leaders, 44 % mesurent le ROI de façon exhaustive, contre 14 % des organisations du secteur des services financiers. Chaque Leader mesure les performances de l’IA à un certain niveau.

Avant de déployer des modèles d’acquisition, des solutions de personnalisation du cycle de vie, des stratégies de ciblage cross-sell ou des dispositifs d’onboarding digital, les Leaders définissent le résultat client ou commercial attendu. Les indicateurs peuvent inclure la conversion, la rétention, la part de portefeuille, l’engagement piloté par les conseillers et les conseillères, l’efficacité des coûts et le délai de rentabilisation. Les équipes marketing, technologie, finances et les responsables de canaux s’alignent sur l’approche d’attribution et établissent une référence avant que les changements de comportement client n’affectent les mesures de performance.

Le timing est déterminant. Dès lors qu’une campagne, une offre, une modification produit ou un mouvement de marché influe sur l’activité des clients, il devient difficile de reconstituer la référence initiale. Une mesure dès le premier jour offre aux Leaders une base plus solide pour comparer les cas d’usage, améliorer les performances et déterminer quels déploiements méritent un financement supplémentaire. Elle fournit également aux responsables marketing des arguments concrets pour les discussions budgétaires, permettant aux initiatives de progresser de déploiements isolés vers une adoption pérenne à l’échelle des lignes d’activité.

Les initiatives marketing soutenues par l’IA dépendent des plateformes de données client, des portails des conseillers et des conseillères, des systèmes d’onboarding digital, des environnements d’analyses et d’autres systèmes technologiques. Les transferts séquentiels créent des frictions chaque fois que des données, du support, des révisions de sécurité ou des activités de mesure doivent circuler entre les équipes. De nombreuses organisations de services financiers restent cloisonnées ou fonctionnent de manière transactionnelle, et une part supplémentaire opère selon un modèle consultatif, où l’IT prodigue des conseils sans partager la responsabilité des résultats.

Parmi les 342 Leaders, les relations collaboratives et intégrées constituent la norme. Les équipes métier, marketing, technologie, risque et conformité participent à la définition de chaque cas d’usage, ce qui leur permet d’aborder ensemble la faisabilité, les contrôles et la valeur client. Cette approche substitue aux demandes transmises d’une fonction à l’autre des briefs partagés et des priorités définies conjointement.

La responsabilité partagée se prolonge jusqu’à la livraison et à la mesure des résultats. Lorsque le ou la responsable de l’acquisition client et le ou la responsable IT de la plateforme de données client partagent le même objectif de conversion, les décisions de développement et les métriques de performance s’alignent naturellement dans la même direction. Les leaders établissent ce partenariat grâce à des objectifs et des résultats clés communs, dans le cadre des structures hiérarchiques existantes, sans nécessité de réorganisation structurelle.

Les équipes marketing des services financiers évoluent dans des environnements soumis à des processus de gouvernance et de conformité exigeants. Les campagnes peuvent passer par plusieurs étapes de révision — juridique, risque, adéquation, confidentialité et promotion régionale. Lorsqu’une initiative d’IA n’atteint pas ses objectifs, les équipes peuvent se sentir sous pression pour respecter les délais ou éviter tout examen approfondi. Un modèle d’attrition défaillant ou une recommandation de vente croisée inappropriée risque alors d’être traité comme un problème isolé, plutôt que comme un signal invitant l’organisation à approfondir son analyse.

Les Leaders adoptent une approche différente. Ces leaders analysent ce qui s’est passé, pourquoi et ce qui doit changer avant le prochain déploiement. Dans le secteur des services financiers, 29 % des organisations présentent des schémas d’échec destructeurs, caractérisés par des comportements de blâme ou la répétition des mêmes erreurs. Chez les Leaders, ce chiffre est inférieur à 1 %. Cette différence transforme la sous-performance — qui constituerait autrement une menace pour la réputation — en source d’apprentissage opérationnel.

Une culture d’apprentissage se manifeste concrètement lors des revues opérationnelles régulières. Les dirigeants et les dirigeantes prennent le temps d’analyser les résultats décevants, d’apporter leur soutien aux équipes qui soulèvent des problèmes et de partager les enseignements tirés dans les domaines de la banque, de l’assurance, des paiements et de la gestion de patrimoine. Cette approche empêche une fonction de reproduire les erreurs d’une autre et aide les équipes à renforcer leurs modèles, leurs contrôles et leurs workflows avant un déploiement plus large.