Les avantages concurrentiels de l'intelligence artificielle dans le secteur bancaire

Deux branches de l'intelligence artificielle font leur entrée dans le secteur bancaire : le traitement du langage naturel et l'apprentissage automatique.

Près de 80 % des informations saisies lors du traitement d'un dossier de prêt hypothécaire se présentent sous des formes encore récemment presque inaccessibles aux ordinateurs : courriels, appels téléphoniques, documents textes, images… Autant de données dites « non structurées » qui sont pourtant susceptibles de bien aider les institutions financières à mieux comprendre leurs clients, évaluer les risques et créer des produits. Or, il manque des spécialistes pour les lire et les analyser.

Aujourd'hui, la situation évolue grâce à deux technologies issues de l'intelligence artificielle dans le secteur bancaire : le traitement du langage naturel (TLN) et l'apprentissage automatique (AA). Ensemble, elles permettent d'opérer un tri informatique dans des volumes considérables de données non structurées. Le but ? Déceler des schémas porteurs de précieux renseignements qui échapperaient même à des analystes humains, dont la capacité de traitement est limitée par nature. Si le TLN et l'AA accélèrent déjà le traitement des demandes de crédit et de prêt hypothécaire, leur principal avantage se trouve ailleurs. Plus précisément, dans les renseignements qu'ils fournissent aux banquiers sur leurs clients et qui les aident à prendre de meilleures décisions.

Côté efficacité, l'intelligence artificielle dans le secteur bancaire est capable de balayer des documents à la recherche d'informations manquantes ou mal classées. Dans ce cas, elle envoie immédiatement une demande de correction aux personnes concernées, réduisant ainsi le nombre de retards et de révisions nécessaires. De plus, les machines peuvent décrire les informations contenues dans les documents, courriels et autres enregistrements en générant des balises appelées « métadonnées » qui facilitent les recherches de contenu. Le personnel trouve donc plus rapidement les informations requises.

Cependant, c'est pour mieux comprendre les clients que le potentiel du TLN et de l'AA se révèle le plus captivant. Par exemple, ces deux outils permettent de détecter des marqueurs linguistiques de satisfaction ou d'insatisfaction extrême dans les courriels et les appels téléphoniques. Les clients ravis se voient alors offrir des cadeaux ou des nouveautés, tandis que les clients mécontents sont mis en contact avec un interlocuteur compatissant qui s'efforce d'apaiser leur agacement. De plus, les programmes AA peuvent parcourir des volumes colossaux de données d'interaction pour identifier les préoccupations courantes des clients, ce qui aide la banque à sérier ses investissements.

Ces mêmes technologies permettent également d'en savoir plus sur les souhaits des clients. Ainsi, une banque peut analyser leurs conversations sur les réseaux sociaux pour identifier ceux qui aident un proche âgé ou qui ont un enfant sur le point d'entrer à l'université en vue de leur proposer des offres personnalisées. Dans le même esprit, elle peut également consulter leurs relevés de compte pour savoir où les clients font le plus souvent leurs achats.

Par ailleurs, les algorithmes AA sont capables de déceler des habitudes comportementales potentiellement synonymes d'activité frauduleuse ou d'insolvabilité. Fortes de cette diminution des risques, les institutions financières peuvent investir dans des produits et des services de meilleure qualité.

L'objectif final est de parvenir à des « marchés individuels » procurant à chaque client une expérience exclusive sur mesure.

À l'heure actuelle, ce que nous aimerions savoir sur nos clients reste en grande partie prisonnier de formats difficiles, voire impossibles, à exploiter pour les humains. Toutefois, ces murs tombent vite. Les institutions financières qui adoptent sans tarder ces nouveaux outils en retireront des avantages concurrentiels certains.