Olivier Tijou, Regional VP et General Manager chez Denodo
Ce décalage tient à une idée reçue : croire que la performance de l’IA repose avant tout sur la qualité des modèles, quand en réalité le principal frein est ailleurs et il réside dans la donnée.
Des données encore trop fragmentées pour créer de la valeur
Depuis plusieurs années, les banques ont perfectionné leurs algorithmes. Toutefois, elles continuent d’opérer avec des systèmes fragmentés, où les informations sont dispersées entre le core banking, les plateformes de paiement, le CRM, les outils KYC/AML et d’autres sources externes. Une fragmentation qui empêche d’obtenir une vision cohérente et exploitable du client ou du risque.
C’est pourquoi une grande partie des projets d’IA ne parvient pas à passer à l’échelle industrielle. Selon une étude récente Gartner, seuls 28 % des cas d'utilisation de l'IA en entreprise sont couronnés de succès et répondent aux attentes en matière de retour sur investissement, tandis que 20 % se soldent par un échec total.
Mais un basculement est en train de s’opérer. Historiquement utilisée pour gérer le risque dans le secteur du crédit, l’IA s’affirme désormais comme un levier direct de création de valeur. La capacité d’une banque à générer du revenu dépend ainsi moins de ses modèles que de son aptitude à exploiter des données en temps réel, au moment même où les décisions doivent être prises.
Ce changement est profond. Il signifie que l’analyse a posteriori n’est plus suffisante et que la valeur se crée désormais dans l’instant. Il s’agit par exemple de pouvoir ajuster un score de crédit en fonction du comportement immédiat d’un client, de bloquer une transaction suspecte en quelques millisecondes, ou encore de proposer une offre personnalisée exactement au bon moment. Autrement dit, la donnée ne doit plus seulement être historisée ou analysée, elle doit être activée.
La révolution de l’IA agentique
Cette évolution s’accompagne de l’émergence d’une nouvelle génération d’IA : l’IA agentique. Contrairement aux approches traditionnelles, ces intelligences artificielles ne se contentent pas de produire des recommandations. Elles exécutent des décisions, orchestrent des processus et interagissent avec les systèmes métiers en temps réel. Certaines valident déjà des transactions, d’autres attribuent des crédits ou assurent des contrôles de conformité de manière autonome.
Mais cette autonomie a un prérequis fondamental : des données de qualité, à jour et bien gouvernées. Sans accès à des informations fiables, contextualisées et maîtrisées, ces agents deviennent inopérants, voire risqués. L’enjeu est donc architectural : pour répondre à cette exigence, les banques doivent repenser leur approche de la donnée. Car le modèle traditionnel, fondé sur des data warehouses centralisés et des traitements batch, montre désormais ses limites : trop lent et trop rigide, il ne permet pas d’alimenter des systèmes décisionnels en temps réel.
Repenser l’architecture : un accès temps-réel à toutes les données s'impose, et met en avant les limites des écosystèmes traditionnels basés sur la réplication et le warehouse physique
Pour répondre à ces enjeux, une nouvelle approche s’impose, fondée sur les data products et sur une logique de mise à disposition immédiate. Dans ce modèle, la donnée est organisée, gouvernée et exposée de manière à être directement exploitable, que ce soit par les équipes métiers ou par des systèmes d’intelligence artificielle.
Ce changement de paradigme s’incarne également dans l’adoption croissante d’une gestion logique des données, basées sur la virtualisation. Plutôt que de multiplier les copies et les pipelines, cette approche consiste à unifier l’accès aux données, quel que soit leur lieu de stockage, afin de fournir une vision cohérente, fiable et actualisée en temps réel. Elle permet de réduire drastiquement les délais d’accès à l’information, tout en garantissant la gouvernance et la conformité.
Dans un environnement bancaire marqué par des contraintes réglementaires fortes, des exigences de traçabilité et des enjeux de souveraineté des données, cette capacité à concilier agilité et contrôle devient déterminante.
La vitesse d’accès à la donnée : un nouvel avantage concurrentiel
Les banques les plus avancées l’ont compris et elles ont commencé à considérer l’IA comme un moteur qui impose de repenser l’ensemble de leur architecture, plus seulement comme une couche supplémentaire. Elles savent que leurs performances futures dépendront moins de la sophistication des algorithmes que de la capacité à activer la donnée au moment précis où elle crée de la valeur.
L’avantage concurrentiel ne se mesure plus en termes de puissance de calcul ou de complexité des modèles, mais plutôt en vitesse d’accès à la donnée, vitesse de décision, vitesse d’exécution.
Dans ce nouveau paradigme, la donnée en temps réel devient le véritable système nerveux de la banque. Et l’architecture qui la sous-tend devient, plus que jamais, un enjeu stratégique.
Des données encore trop fragmentées pour créer de la valeur
Depuis plusieurs années, les banques ont perfectionné leurs algorithmes. Toutefois, elles continuent d’opérer avec des systèmes fragmentés, où les informations sont dispersées entre le core banking, les plateformes de paiement, le CRM, les outils KYC/AML et d’autres sources externes. Une fragmentation qui empêche d’obtenir une vision cohérente et exploitable du client ou du risque.
C’est pourquoi une grande partie des projets d’IA ne parvient pas à passer à l’échelle industrielle. Selon une étude récente Gartner, seuls 28 % des cas d'utilisation de l'IA en entreprise sont couronnés de succès et répondent aux attentes en matière de retour sur investissement, tandis que 20 % se soldent par un échec total.
Mais un basculement est en train de s’opérer. Historiquement utilisée pour gérer le risque dans le secteur du crédit, l’IA s’affirme désormais comme un levier direct de création de valeur. La capacité d’une banque à générer du revenu dépend ainsi moins de ses modèles que de son aptitude à exploiter des données en temps réel, au moment même où les décisions doivent être prises.
Ce changement est profond. Il signifie que l’analyse a posteriori n’est plus suffisante et que la valeur se crée désormais dans l’instant. Il s’agit par exemple de pouvoir ajuster un score de crédit en fonction du comportement immédiat d’un client, de bloquer une transaction suspecte en quelques millisecondes, ou encore de proposer une offre personnalisée exactement au bon moment. Autrement dit, la donnée ne doit plus seulement être historisée ou analysée, elle doit être activée.
La révolution de l’IA agentique
Cette évolution s’accompagne de l’émergence d’une nouvelle génération d’IA : l’IA agentique. Contrairement aux approches traditionnelles, ces intelligences artificielles ne se contentent pas de produire des recommandations. Elles exécutent des décisions, orchestrent des processus et interagissent avec les systèmes métiers en temps réel. Certaines valident déjà des transactions, d’autres attribuent des crédits ou assurent des contrôles de conformité de manière autonome.
Mais cette autonomie a un prérequis fondamental : des données de qualité, à jour et bien gouvernées. Sans accès à des informations fiables, contextualisées et maîtrisées, ces agents deviennent inopérants, voire risqués. L’enjeu est donc architectural : pour répondre à cette exigence, les banques doivent repenser leur approche de la donnée. Car le modèle traditionnel, fondé sur des data warehouses centralisés et des traitements batch, montre désormais ses limites : trop lent et trop rigide, il ne permet pas d’alimenter des systèmes décisionnels en temps réel.
Repenser l’architecture : un accès temps-réel à toutes les données s'impose, et met en avant les limites des écosystèmes traditionnels basés sur la réplication et le warehouse physique
Pour répondre à ces enjeux, une nouvelle approche s’impose, fondée sur les data products et sur une logique de mise à disposition immédiate. Dans ce modèle, la donnée est organisée, gouvernée et exposée de manière à être directement exploitable, que ce soit par les équipes métiers ou par des systèmes d’intelligence artificielle.
Ce changement de paradigme s’incarne également dans l’adoption croissante d’une gestion logique des données, basées sur la virtualisation. Plutôt que de multiplier les copies et les pipelines, cette approche consiste à unifier l’accès aux données, quel que soit leur lieu de stockage, afin de fournir une vision cohérente, fiable et actualisée en temps réel. Elle permet de réduire drastiquement les délais d’accès à l’information, tout en garantissant la gouvernance et la conformité.
Dans un environnement bancaire marqué par des contraintes réglementaires fortes, des exigences de traçabilité et des enjeux de souveraineté des données, cette capacité à concilier agilité et contrôle devient déterminante.
La vitesse d’accès à la donnée : un nouvel avantage concurrentiel
Les banques les plus avancées l’ont compris et elles ont commencé à considérer l’IA comme un moteur qui impose de repenser l’ensemble de leur architecture, plus seulement comme une couche supplémentaire. Elles savent que leurs performances futures dépendront moins de la sophistication des algorithmes que de la capacité à activer la donnée au moment précis où elle crée de la valeur.
L’avantage concurrentiel ne se mesure plus en termes de puissance de calcul ou de complexité des modèles, mais plutôt en vitesse d’accès à la donnée, vitesse de décision, vitesse d’exécution.
Dans ce nouveau paradigme, la donnée en temps réel devient le véritable système nerveux de la banque. Et l’architecture qui la sous-tend devient, plus que jamais, un enjeu stratégique.