Les banques utilisent des modèles de notation pour la gestion du risque de crédit depuis plus d’un demi-siècle, et les réseaux de cartes font tourner des modèles de détection de la fraude basés sur le machine learning depuis des années. Ce qui a changé, c’est l’échelle. Les modèles d’intelligence artificielle (IA) traitent désormais des données non structurées, génèrent des résultats lisibles par l’être humain et opèrent sur des flux de travail qui nécessitaient auparavant un jugement humain expérimenté. L’’IA dans les technologies financières, ou fintech, désigne l’utilisation de modèles de machine learning, de grands modèles de langage (LLM) et de la reconnaissance statistique de motifs pour alimenter des produits, des services et des infrastructures financières. Cette évolution transforme la façon dont les produits financiers sont conçus, tarifés et distribués.

Nous aborderons ensuite les principaux cas d’usage de l’IA dans le secteur de la fintech, la place qu’y occupent les paiements et la détection des fraudes, ainsi que les contraintes liées aux données, à la sécurité et à la réglementation dont vous devez tenir compte.

Points clés

• L’IA dans le secteur de la fintech couvre trois catégories distinctes : les modèles prédictifs, les modèles génératifs et les systèmes d’automatisation des décisions. Chaque modèle est conçu, évalué et réglementé différemment.

• La détection des fraudes constitue une application importante. Les modèles de machine learning au niveau du réseau permettent d’identifier des mécanismes de fraude coordonnés qu’aucune entreprise ne pourrait détecter seule.

• La réussite de l’adoption de l’IA dans les services financiers dépend de la qualité des données, de la structure de gouvernance et d’une évaluation avisée des domaines dans lesquels le développement en interne offre un avantage concurrentiel.

Qu’est-ce que l’IA dans le domaine de la fintech ?

Dans le domaine de la fintech, l’IA couvre un large éventail d’applications, allant des modèles de détection de la fraude qui signalent les transactions par carte bancaire suspectes aux systèmes d’évaluation des risques capables de fixer le coût d’un prêt sans intervention humaine. L’IA renforce les systèmes financiers en aidant les institutions à prendre des décisions plus rapides et plus précises à grande échelle

Comment fonctionne l’IA dans la fintech ?

Les détails techniques varient selon les applications, mais les systèmes d’IA dans le secteur des services financiers ont tendance à suivre une architecture similaire. Ils utilisent divers modèles pour évaluer ou prévoir de nouveaux événements en temps réel.

Voici trois exemples courants.

Détection de la fraude

Un prestataire de paiement recueille des indicateurs de transaction tels que le montant de l’achat, le code de catégorie de commerçant, l’empreinte numérique de l’appareil, la localisation, la vitesse de la transaction et l’ancienneté du compte. Ces indicateurs sont intégrés à un modèle entraîné sur des centaines de millions (voire des milliards) de transactions historiques, y compris des cas de fraude avérés. Le modèle génère ensuite un score de risque. Un moteur de décision utilise ce score pour déterminer s’il convient d’approuver la transaction, de la refuser ou de la soumettre à un examen manuel, généralement pendant la fenêtre d’autorisation de la carte bancaire.

Évaluation des risques liés aux crédits

Les prêteurs combinent les données des agences d’évaluation du crédit avec d’autres indicateurs, tels que l’historique des transactions bancaires et le comportement de l’emprunteur tout au long du processus de demande. Des modèles tels que les réseaux neuronaux évaluent la probabilité qu’un emprunteur se retrouve en défaut de paiement. Cette prévision sert de base à la décision d’octroi du prêt et à la fixation du taux d’intérêt.

LLM

Les grands modèles de langage (LLM) permettent d’automatiser les workflows impliquant la lecture ou la rédaction de textes. Dans le secteur des services financiers, ils peuvent faciliter l’analyse de documents (demandes de prêt, déclarations de sinistre et déclarations réglementaires), le service client et la recherche interne. Les résultats fournis par les LLM étant fondés sur des probabilités et difficiles à vérifier, ils posent de nouveaux défis dans les environnements réglementés où l’interprétabilité et la responsabilité sont indispensables.

Pourquoi l’IA transforme-t-elle les services financiers ?

Le secteur des services financiers se prête particulièrement bien au machine learning, car il combine de vastes ensembles de données à un flux constant de décisions. Voici un aperçu des aspects du secteur qui en font un terrain propice aux améliorations apportées par l’IA :

• Densité des données : les banques, les prêteurs et les réseaux de paiement traitent d’énormes volumes de transactions, d’historiques de comptes et de données de marché. Cette abondance d’informations structurées fournit aux modèles de machine learning des données d’entraînement d’une richesse exceptionnelle.

• Volume de décisions : les établissements financiers prennent chaque jour des millions de petites décisions, qu’il s’agisse d’approuver des transactions, d’évaluer des prêts, de traiter des demandes d’indemnisation ou de surveiller l’activité. Même de légères améliorations de la précision des décisions se traduisent rapidement par des économies en termes de coûts et une augmentation des revenus.

• Efficacité : les processus tels que l’évaluation des risques de prêts hypothécaires et l’examen des demandes d’indemnisation ont toujours nécessité un travail manuel considérable. Les workflows assistés par l’IA permettent de réduire les coûts de main-d’œuvre et les délais de traitement.

• Prévention de la fraude : de meilleurs modèles contribuent à réduire les faux positifs (c’est-à-dire le nombre de transactions légitimes refusées) et les faux négatifs (c’est-à-dire le nombre de transactions frauduleuses approuvées). Chaque amélioration a un impact direct sur les revenus, les coûts d’exploitation et la confiance des clients.

• Données non structurées : les anciens systèmes d’automatisation fonctionnaient bien avec des données structurées telles que des chiffres et des catégories. Les modèles plus récents sont capables d’interpréter des documents, des conversations et d’autres données non structurées, ce qui permet d’automatiser des tâches qui nécessitaient auparavant un jugement humain.

Quels sont les principaux cas d’usage de l’IA dans le secteur de la fintech ?

Dans le secteur de la fintech, l’IA tend à se concentrer sur quelques domaines où l’existence de vastes ensembles de données et le volume élevé de décisions rendent l’automatisation particulièrement utile. Voici quelques-uns des principaux cas d’usage.

Crédit et évaluation des risques

Les systèmes traditionnels d’évaluation de la solvabilité s’appuient largement sur les données des agences d’évaluation du crédit, ce qui exclut les personnes « invisibles sur le plan du crédit » et ne rend pas suffisamment justice à celles dont le dossier est peu fourni. Les modèles d’IA formés à partir de données alternatives, telles que les habitudes de transactions bancaires, les paiements de loyer et les relevés de paie, peuvent élargir l’accès au crédit tout en garantissant des prévisions de risque précises.

Prévention de la fraude

La détection des fraudes est l’une des applications les plus abouties du machine learning dans le secteur financier. Les systèmes modernes identifient des schémas tels que les tentatives de piratage de comptes, les identités synthétiques et les réseaux de fraude organisés, que les règles statiques auraient du mal à détecter.

Services client et de support

Les assistants basés sur des modèles de langage (LLM) peuvent gérer de nombreuses interactions courantes avec les clients, notamment les questions relatives aux comptes, les litiges liés aux transactions et les conseils relatifs à l’onboarding. Les systèmes efficaces automatisent les demandes simples et transmettent les cas complexes ou sensibles à des agents humains.

Conformité réglementaire

La surveillance en matière de lutte contre le blanchiment d’argent (AML) génère un grand nombre d’alertes, dont beaucoup sont des faux positifs. Les modèles de machine learning permettent de distinguer les activités véritablement suspectes des comportements inhabituels mais légitimes, réduisant ainsi la charge de travail liée aux enquêtes. L’IA peut également accélérer les processus de « Know Your Customer » (KYC) en extrayant les données d’identité des documents.

Analyse de marché et gestion des risques

L’IA élargit les capacités des modèles quantitatifs en analysant des informations non structurées telles que les conférences sur les bénéfices, l’actualité, l’imagerie satellite et les données agrégées sur les transactions. Cela peut fournir des signaux supplémentaires pour la négociation et la surveillance des risques.

Comment l’IA peut-elle être utilisée dans le cadre de paiements, de la lutte contre la fraude et de la gestion des risques ?

Les paiements, la fraude et la gestion des risques comptent parmi les aspects les plus exigeants et les plus conséquents des services financiers. L’infrastructure de paiement impose aux systèmes d’IA certaines des exigences en temps réel les plus strictes, et une mauvaise décision peut très rapidement entraîner une fraude.

Voici ce que les entreprises doivent savoir lorsqu’elles utilisent l’IA pour résoudre des problèmes liés aux paiements, à la fraude et aux risques.

Paiements et fraude

Les modèles de détection de la fraude qui sous-tendent les décisions d’autorisation des transactions doivent être à la fois rapides et précis. Le refus d’achats légitimes peut frustrer les clients, tandis qu’une fraude non détectée peut entraîner des pertes financières directes. Des outils tels que Stripe Radar utilisent des modèles de machine learning basés sur des données de transactions provenant de vastes réseaux pour évaluer le risque de fraude de chaque transaction. Cela expose les modèles à des mécanismes de fraude qu’aucune entreprise ne pourrait détecter seule. Leurs signaux peuvent aider à repérer un réseau de fraude qui s’attaque à une entreprise au sein d’un réseau avant que la situation ne s’aggrave. Les entreprises peuvent personnaliser le comportement de ces outils en appliquant leurs propres règles au modèle sous-jacent, qui est continuellement mis à jour à mesure que de nouveaux mécanismes de fraude apparaissent.

Gestion du crédit et des risques

Les résultats en matière de crédit dépendent de l’évolution de la conjoncture économique, des événements de la vie des emprunteurs et d’une incertitude inhérente. L’IA n’élimine pas cette incertitude, mais elle permet d’extraire davantage de signaux prédictifs des données disponibles. Cela permet d’estimer plus précisémentle coût des risques. Cependant, comme les modèles de crédit s’appuient sur des données historiques, ils peuvent reproduire les biais existants s’ils ne font pas l’objet d’un contrôle. Une mise en œuvre responsable nécessite des tests d’équité, une sélection rigoureuse des caractéristiques et une surveillance permanente afin de garantir que les modèles ne désavantagent pas systématiquement les groupes protégés.

Quels sont les enjeux liés aux données, à la sécurité et à la réglementation concernant l’IA dans les services financiers ?

Dans le secteur des services financiers, l’IA fait l’objet de plusieurs régimes de conformité et contraintes qui se recoupent. Son déploiement et sa mise en conformité nécessiteront une connaissance approfondie de la manière dont ces différents éléments s’articulent entre eux.

Gardez à l’esprit les éléments suivants :

• Confidentialité et localisation des données : les données financières sont extrêmement sensibles. Des réglementations telles que le [Règlement général sur la protection des données (RGPD)](https://www.europarl.europa.eu/RegData/etudes/STUD/2020/641530/EPRSSTU(2020)641530EN.pdf de l’UE confèrent aux entrepreneurs individuels des droits liés à la prise de décision automatisée, ce qui crée des obligations en matière d’interprétabilité et de transparence pour les décisions de crédit ou d’assurance fondées sur l’IA. Divers États américains disposent de leurs propres lois sur la protection de la vie privée, assorties d’exigences spécifiques.

• Interprétabilité des modèles : les autorités de régulation financière exigent souvent des prêteurs qu’ils justifient leurs décisions défavorables auprès des demandeurs. Cela est simple avec un système fondé sur des règles, mais plus difficile avec des modèles de machine learning complexes.

• Gestion des risques liés aux modèles : des cadres réglementaires tels que la directive SR 11-7 de la Réserve fédérale américaine imposent aux institutions financières de valider leurs modèles, de documenter leurs hypothèses et de surveiller leurs performances au fil du temps. Les systèmes d’IA sont soumis aux mêmes exigences de surveillance que les modèles traditionnels.

• Sécurité et risques liés aux attaques ciblées : les systèmes de machine learning créent de nouvelles surfaces d’attaque. Des acteurs malveillants pourraient tester les modèles de détection des fraudes afin d’en découvrir les failles, tandis que d’autres pourraient extraire des informations des modèles entraînés. La sécurisation de l’infrastructure d’IA s’inscrit dans le cadre plus large de la cybersécurité financière.

• Risque lié aux fournisseurs : de nombreux établissements financiers acquièrent sous licence des modèles d’IA auprès de fournisseurs tiers. Une gestion efficace des risques nécessite de comprendre comment ces modèles ont été entraînés, comment ils sont surveillés et quelles mesures de protection sont en place en cas de défaillance.

Votre organisation est-elle prête à adopter l’IA dans le cadre des services financiers ?

La réussite de l’adoption de l’IA dépend en grande partie de la qualité des données et de la gouvernance de votre organisation. Avant de vous lancer, vous devez avoir des attentes réalistes quant à la manière dont elle vous aidera et à ses possibilités d’application.

Voici les étapes à suivre pour cette adoption :

• Commencer par les données : améliorez votre infrastructure de données. La fiabilité des systèmes d’IA dépend entièrement de la qualité des données sur lesquelles ils sont entraînés. Des transactions portant un libellé erroné, des dossiers clients fragmentés ou des décisions historiques biaisées produiront des modèles imparfaits.

• Établir une gouvernance : vous devez définir clairement les responsabilités en matière de performance et de supervision des modèles. Les équipes doivent savoir qui surveille la dérive des modèles, évalue leur équité et intervient lorsque les systèmes se comportent de manière inattendue.

• Choisir entre développer ou acheter : développer ses propres modèles est judicieux lorsqu’une entreprise dispose de données uniques ou a des besoins spécifiques. L’achat ou l’acquisition d’une licence pour des modèles est souvent plus rapide lorsque le problème est courant et bien compris.

• Commencer par un cas d’usage précis : plutôt que de se lancer dans une transformation globale basée sur l’IA, vous pouvez commencer par un processus décisionnel à haut volume pour lequel vous disposez de données historiques claires et d’indicateurs de réussite. L’exécution de modèles en parallèle avec les workflows existants permet de mesurer les performances et de renforcer la confiance.

• Utiliser l’infrastructure existante : l’infrastructure de Stripe, notamment Radar pour la lutte contre la fraude et les signaux de données accessibles via l’interface de programmation d’applications (API) de Stripe, offre aux entreprises un point de départ qui leur évite de tout construire à partir de zéro. Chaque organisation doit décider où mettre en œuvre l’IA, ainsi que la manière de la réguler et de la surveiller, mais ce type d’outil permet de gérer les paiements et la fraude.

Comment Stripe Payments peut vous aider

Stripe Payments offre une solution unifiée et mondiale qui permet à toute entreprise (des startups en croissance aux grandes multinationales) d’accepter des paiements en ligne, en personne et à l’international.

Stripe Payments vous aide à :

• Optimiser votre expérience de paiement : créez une expérience d’achat client fluide et économisez des milliers d’heures d’ingénierie grâce aux interfaces utilisateur de paiement préconfigurées, à plus de 125 moyens de paiement et à Link, un wallet créé par Stripe.

• Vous développer plus rapidement sur de nouveaux marchés : touchez des clients dans le monde entier et réduisez la complexité et le coût de la gestion multidevises grâce à des options de paiement transfrontalier, disponibles dans 195 pays et dans plus de 135 devises.

• Unifier les paiements en ligne et en personne : créez une expérience commerciale unifiée entre les canaux en ligne et en personne pour personnaliser les interactions, récompensez la fidélité et augmentez les revenus.

• Améliorer les performances de paiement : augmentez vos revenus grâce à des outils de paiement personnalisables et simples à configurer, comprenant une protection contre la fraude no-code et des fonctionnalités avancées d’optimisation des autorisations.

• Allez plus vite avec une plateforme de croissance flexible et fiable : Construisez sur une plateforme conçue pour se développer avec vous, avec un temps de disponibilité historique de 99,999 % et une fiabilité à la pointe du secteur.

Découvrez comment Stripe Payments peut vous aider à optimiser vos paiements en ligne et en personne, ou démarrez dès aujourd’hui.