Surmonter la fragmentation des données et les limites de l'IA dans la rentabilité des transactions

Lors d'une session dédiée du FF News Virtual Arena, des spécialistes du secteur se sont réunis pour discuter d'un goulet d'étranglement critique dans les opérations bancaires : comment la fragmentation des données et l'architecture héritée amènent directement les institutions financières à perdre en rentabilité au sein de leurs flux de transactions.

La discussion a réuni :

• Ian Horne, Animateur chez FF News

• Mariia Komissarova, Responsable Data et IA pour le commerce de détail chez Raiffeisen Bank International

• Breno Alves De Oliveira, Directeur des produits chez PAYABL

• Kirill Lisitsyn, Co-fondateur et PDG de Torus

Le panel a exploré les coûts opérationnels cachés des collections de données inexploitées, les limites de l'intelligence artificielle non déterministe, et les stratégies que les institutions financières doivent déployer pour transformer les données brutes en une base fondamentale pour la survie sur le marché.

La source des fuites de rentabilité : les obstacles liés aux systèmes legacy et aux données structurées

Pour les institutions financières multigénérationnelles présentes sur le marché, telles que Raiffeisen Bank International, l'infrastructure héritée constitue un obstacle interne majeur à l'optimisation. Mariia Komissarova a expliqué que le défi central qui amène les banques à perdre en rentabilité dans les flux de transactions est fondamentalement un problème de données.

Étant donné que les applications bancaires historiques fonctionnent dans des silos distincts, la collecte et la structuration des données de transactions d'entreprise dans un format transparent et organisé s'avèrent exceptionnellement difficiles. Sans cadre structuré, calculer la rentabilité précise d'une transaction financière individuelle reste pratiquement impossible.

Cette défaillance découle d'une gouvernance des données historique et d'un manque de déploiement de frameworks modernes. Des paradigmes organisationnels avancés, tels que le concept de « data mesh », ont émergé sur le marché, mais restent insuffisamment répandus au sein des grandes entreprises bancaires.

Alors que le secteur financier mondial navigue à travers de profondes transformations liées à l'IA dans la vérification d'identité et le traitement des transactions, résoudre ce problème de couche de données n'est plus un luxe. L'établissement d'une base de données fiable est devenu une exigence absolue pour la survie à long terme des entreprises.

La grille de coûts cachés de l'ingestion massive de données

Un écueil courant pour les institutions héritées est de supposer que la collecte de volumes plus importants de données génère naturellement une valeur commerciale plus élevée. Il y a cinq à sept ans, les méthodes traditionnelles du secteur étaient axées sur la collecte du plus grand nombre possible de points de données variés, notamment en alimentant les serveurs d'entreprise avec des données provenant de réseaux sociaux.

L'écosystème de transactions moderne a dépassé cette mentalité. Les institutions financières constatent que le simple stockage et la maintenance de quantités considérables d'informations non structurées engendrent d'immenses coûts en matière de serveurs et d'ingénierie des données.

« Cette quantité de données, une grande quantité de données à collecter et à stocker, c'est assez coûteux et si vous n'en tirez pas parti, vous commencez aussi à perdre dans ce jeu de prix… »

Lorsqu'une entreprise génère de lourds coûts de stockage opérationnel sans extraire activement de valeur commerciale de ces données, elle prend du retard dans le jeu concurrentiel des prix. Elle ne peut pas offrir des tarifs optimaux à ses marchands car ses coûts d'infrastructure de base sont artificiellement gonflés.

Comme l'a souligné Kirill Lisitsyn, la stratégie de données moderne doit d'abord se concentrer sur l'extraction de valeur réelle des actifs de données existants. Ce n'est que lorsqu'un cas d'usage commercial explicite est établi qu'une institution devrait investir des capitaux pour acquérir des flux de données supplémentaires, évitant ainsi des obstacles opérationnels inutiles et une accumulation de coûts.

Le piège non déterministe : pourquoi les LLM ne peuvent pas corriger de mauvaises données

Alors que les institutions s'efforcent d'unifier des systèmes legacy qui parlent des langages logiciels entièrement différents et utilisent des formats de données non standardisés, beaucoup se tournent vers l'intelligence artificielle et les grands modèles de langage (LLM) pour automatiser la transformation du code et des données. Breno Alves De Oliveira a noté que les fintechs excellent dans l'ingestion de données complexes et leur réorganisation en formats facilement assimilables, un processus largement accéléré par les outils d'IA.

Cependant, Komissarova a émis une mise en garde technique sérieuse concernant la dépendance excessive aux algorithmes génératifs pour l'infrastructure transactionnelle centrale. Les LLM sont intrinsèquement non déterministes, ce qui signifie que leurs sorties sont basées sur des probabilités plutôt qu'absolues, les exposant au risque systémique d'hallucinations algorithmiques.

Dans le monde transactionnel, où les erreurs ont un impact direct sur les registres financiers, descendre en dessous d'une précision totale est inacceptable. Alimenter un LLM avec des données inexactes ou non structurées augmente considérablement la probabilité de générer des calculs incorrects, pouvant coûter des millions de dollars aux institutions financières.

Le panel a convenu qu'il n'existe pas de solution technologique miracle ; les entreprises ne peuvent pas simplement jeter des ensembles de données désorganisés dans un modèle génératif et s'attendre à une logique commerciale irréprochable. La construction d'une couche de données fiable nécessite un investissement discipliné en temps et en capital, ainsi que des spécialistes internes qualifiés capables de structurer correctement le pipeline de données.

Équilibrer l'équation : le cœur hybride déterministe

Pour exploiter en toute sécurité la vitesse de l'IA moderne sans sacrifier la précision financière absolue, les panélistes ont proposé une architecture structurelle hybride. Ce modèle équilibre les moteurs de traitement déterministes avec des interfaces linguistiques flexibles pour faciliter le flux de travail de l'utilisateur final :

• La fondation déterministe : La couche de données centrale doit rester strictement déterministe. Les plateformes d'intelligence spécialisées, telles que Torus, construisent intentionnellement leur logique backend pour se concentrer sur la précision mathématique totale plutôt que sur un modèle à « 80 % de probabilité », garantissant que les frais de schéma et les enregistrements de transactions sont parfaitement réconciliés.

• L'interface conversationnelle : Une fois qu'une base d'intégrité des données vérifiée est établie, les institutions peuvent superposer des LLM pour interpréter les données, simplifiant les interactions utilisateur et accélérant les tâches analytiques.

Cette base structurée permet aux institutions de tirer parti de concepts tels que les lacs de données pour formuler et tester des hypothèses commerciales. Historiquement, découvrir une tendance de traitement ou évaluer une variable de tarification nécessitait d'immenses requêtes manuelles sur les bases de données.

Avec un cœur hybride unifié, les équipes produit peuvent rapidement tester des hypothèses pour évaluer leur probabilité de succès. En fin de compte, ce cadre permet aux banques d'analyser simultanément leurs statistiques internes, les paysages concurrentiels et les évolutions macroéconomiques du marché. Cette approche axée sur les données guide des ajustements ciblés dans les flux de conversion, le routage des transactions et les expériences produit, transformant les investissements en capital nécessaires en leviers prévisibles de rentabilité d'entreprise.

Points clés du panel du Virtual Arena :

• Le goulot d'étranglement de la structure des données : La collecte de données dans des systèmes legacy utilisant des formats différents rend le suivi précis de la rentabilité des transactions très complexe.

• Le coût élevé de la stagnation des données : Stocker de grandes quantités de données sans cas d'usage clairs alourdit les frais opérationnels, rendant les banques moins compétitives dans la tarification aux marchands.

• La valeur plutôt que le volume : L'intelligence des données moderne privilégie l'extraction d'une utilité maximale des actifs existants avant l'acquisition de flux de données externes.

• Le danger de l'IA non déterministe : Étant donné que les modèles d'IA générative sont basés sur des probabilités, les utiliser sur des données centrales non structurées risque de provoquer des erreurs de calcul financier.

• Le schéma du système hybride : Les architectures réussies combinent une couche de données déterministe précise à 100 % avec des outils LLM conversationnels en surface pour l'interprétation par l'utilisateur.

• L'innovation axée sur les hypothèses : La réingénierie des cadres de données centraux permet aux équipes de valider rapidement les changements de traitement, en réduisant les risques liés aux investissements en capital.

L'article Surmonter la fragmentation des données et les limites de l'IA dans la rentabilité des transactions est apparu en premier sur FF News | Fintech Finance.