Jay Venkateswaran, Responsable de l’Unité Commerciale, Banque et Services Financiers chez WNS – Série d’interviews

Jay Venkateswaran, Responsable de l’Unité Commerciale pour la Banque et les Services Financiers, supervise la stratégie, la croissance et la performance financière. Avant de rejoindre WNS, il était Consulting Partner chez AT Kearney. En tant que partenaire de confiance en transformation et services d’entreprise, WNS combine de manière unique l’expertise sectorielle avec un écosystème numérique unifié qui intègre l’Analytics, l’Hyperautomation et l’IA pour créer une différenciation sur le marché pour les clients.

L’IA générative transforme rapidement la banque et les services financiers. Comment voyez‑vous son impact évoluer au cours des cinq prochaines années ?

Dans le secteur bancaire, je vois l’IA générative (Gen AI) jouer un rôle central dans l’amélioration de l’expérience client, l’optimisation de l’efficacité opérationnelle et le renforcement de la gestion des risques. Dans les services back‑office, l’automatisation pilotée par l’IA rationalisera des tâches telles que les rapports réglementaires, les contrôles de conformité et le traitement des documents, réduisant ainsi considérablement les coûts d’exploitation. De plus, l’IA affinera les évaluations du risque de crédit et la détection de fraudes grâce à des analyses de données en temps réel et à l’analytique prédictive.

L’un des changements les plus transformateurs sera l’hyper‑personnalisation, qui permettra aux institutions financières d’offrir des produits et services hautement personnalisés adaptés aux comportements, préférences et besoins individuels des clients. À mesure que les capacités de l’IA progressent, les banques intégreront de plus en plus des chatbots et assistants virtuels alimentés par l’IA pour améliorer les interactions avec les clients, les rendant plus intuitives et réactives. En fin de compte, le secteur bancaire et des services financiers évoluera vers un écosystème hautement intelligent et axé sur les données, où les insights pilotés par l’IA permettront une prise de décision plus intelligente, conduisant à une expérience bancaire fluide et davantage personnalisée.

Bien sûr, ne négligeons pas le fait que moins de deux ans après la généralisation du Gen AI, une percée tout aussi — voire plus — transformative a émergé : l’Agentic AI. Cette innovation peut potentiellement provoquer un changement de paradigme dans la banque en remplaçant les chatbots statiques et l’automatisation cloisonnée par des agents d’IA autonomes et décisionnels capables de s’adapter, d’apprendre et d’exécuter des tâches avec une intelligence quasi‑humaine.

De nombreuses institutions financières sont encore aux premiers stades de l’adoption de l’IA. Est‑il trop tard pour les retardataires de rattraper leur retard, ou voyez‑vous des stratégies viables pour combler cet écart ?

Il n’est pas trop tard pour que les institutions financières adoptent l’IA, mais une approche stratégique est essentielle. Les retardataires doivent intégrer l’IA dans leurs plans stratégiques, en se concentrant sur des cas d’usage à fort impact offrant une valeur immédiate.

Une première étape recommandée consiste à identifier des opportunités « quick‑win » — comme les chatbots de service client pilotés par l’IA, l’automatisation du traitement des documents et la détection de fraudes — où l’adoption de l’IA peut rapidement améliorer l’efficacité et la satisfaction client.

De plus, plutôt que de développer des modèles d’IA en interne, ce qui peut être coûteux en ressources et chronophage, les institutions financières peuvent accélérer le déploiement de l’IA grâce à des partenariats avec des fournisseurs spécialisés en IA. Ces partenariats permettent aux banques de tirer parti de modèles d’IA pré‑construits et de solutions d’IA basées sur le cloud, réduisant ainsi le temps et les coûts de mise en œuvre.

Une autre stratégie clé consiste à exploiter des plateformes d’IA low‑code et no‑code. Ces plateformes permettent aux institutions financières de déployer rapidement des solutions pilotées par l’IA sans expertise technique approfondie. Par exemple, les modules de traitement intelligent des données (IDP) basés sur l’IA peuvent extraire, catégoriser et analyser des données provenant de sources non structurées telles que les PDF et les e‑mails, améliorant ainsi l’efficacité opérationnelle.

En adoptant ces stratégies ciblées, les retardataires peuvent combler efficacement le fossé de l’IA tout en garantissant la conformité et l’évolutivité.

Quels sont les plus grands défis auxquels les banques sont confrontées lors de la mise en œuvre de solutions d’IA, et comment peuvent‑elles les surmonter ?

Lors de la mise en œuvre de solutions d’IA, les banques sont confrontées à trois défis principaux : la qualité des données, l’intégration des systèmes hérités et la conformité réglementaire.

1. Qualité et disponibilité des données: Les modèles d’IA nécessitent des ensembles de données de haute qualité, structurés et diversifiés pour l’entraînement. Cependant, de nombreuses banques peinent à gérer des sources de données fragmentées, un manque de gouvernance et des formats de données incohérents. Pour surmonter cela, les institutions financières devraient investir dans des cadres de gouvernance des données robustes, centraliser les référentiels de données et utiliser des outils de nettoyage et d’enrichissement des données pilotés par l’IA.
2. Intégration des systèmes hérités: De nombreuses banques fonctionnent encore sur des infrastructures informatiques héritées qui ne sont pas optimisées pour la mise en œuvre de l’IA. Le déploiement d’architectures d’intégration basées sur des interfaces de programmation d’applications (API) peut combler le fossé entre les solutions pilotées par l’IA et les systèmes hérités, permettant un flux de données fluide et une automatisation des processus sans refonte complète du système.
3. Préoccupations réglementaires et de conformité: Le paysage réglementaire en évolution exige que les modèles d’IA soient transparents, explicables et auditables. Pour y répondre, les banques devraient mettre en place des cadres de gouvernance de l’IA, collaborer avec les autorités réglementaires et adopter des solutions d’IA fiables qui privilégient la transparence, l’atténuation des biais et l’alignement avec la conformité.

En abordant ces défis de manière proactive, les banques peuvent créer une base solide pour l’adoption de l’IA et garantir un succès à long terme.

Pourquoi est‑il crucial pour les banques d’expérimenter des cas d’usage de l’IA avant un déploiement à grande échelle ?

L’expérimentation de cas d’usage de l’IA est essentielle pour les banques afin de garantir la faisabilité opérationnelle, la conformité réglementaire et l’adoption réussie par les utilisateurs avant de s’engager dans un déploiement à grande échelle.

1. Préparation opérationnelle: Les solutions pilotées par l’IA peuvent modifier considérablement les flux de travail, nécessitant une réimagination des processus plutôt qu’une simple réingénierie. L’expérimentation permet aux banques d’évaluer l’impact sur les processus existants et d’apporter les ajustements nécessaires avant une mise en œuvre généralisée.
2. Acceptation des utilisateurs et formation: Les systèmes pilotés par l’IA nécessitent une adéquation avec les attentes des utilisateurs finaux. Les projets pilotes à petite échelle aident les banques à mesurer l’acceptation des utilisateurs et à affiner les modèles d’IA en fonction des retours du terrain, assurant une adoption plus fluide et la confiance dans la prise de décision pilotée par l’IA.
3. Validation du ROI: Les banques doivent mesurer l’impact financier et opérationnel de l’IA avant de réaliser des investissements à grande échelle. L’expérimentation de cas d’usage de l’IA — tels que l’amélioration de l’acquisition de clients, les économies de coûts opérationnels et l’amélioration de la prévention de la fraude — fournit des informations tangibles sur le ROI, permettant des décisions d’investissement basées sur les données.

En adoptant une approche itérative de test et d’apprentissage, les banques peuvent atténuer les risques, affiner leurs stratégies d’IA et garantir que l’adoption de l’IA s’aligne sur les objectifs commerciaux.

Comment les institutions financières devraient‑elles aborder la préparation et le déploiement de l’IA afin de maximiser le ROI ?

Pour que le déploiement de l’IA génère un ROI maximal, les banques doivent adopter une approche stratégique et interfonctionnelle qui aligne les initiatives d’IA avec les objectifs commerciaux.

1. Alignement stratégique: L’IA doit être intégrée aux objectifs stratégiques plus larges de l’institution financière, tels que la réduction des coûts, l’efficacité des processus, l’acquisition de clients et l’amélioration de la gestion des risques.
2. Collaboration interfonctionnelle: La mise en œuvre de l’IA ne doit pas être cloisonnée au sein des équipes informatiques. Au contraire, une collaboration interfonctionnelle impliquant les risques, la conformité, les opérations, le service client et les unités commerciales est cruciale pour garantir que les solutions d’IA répondent aux besoins de l’ensemble de l’organisation.
3. Montée en compétences du personnel et gestion du changement: Les banques devraient investir dans des programmes de formation pour doter les employés de compétences liées à l’IA. Une transition fluide vers des opérations pilotées par l’IA nécessite des programmes d’apprentissage structurés, une formation pratique et le recours à des talents externes en IA via des partenariats.
4. Infrastructure IA évolutive: Les institutions financières devraient déployer des plateformes IA évolutives qui permettent des améliorations itératives et une intégration fluide avec les systèmes bancaires existants.

En priorisant ces éléments, les banques peuvent s’assurer que l’adoption de l’IA génère des résultats commerciaux significatifs, améliore l’expérience client et offre des retours financiers mesurables.

La fraude dans les paiements numériques est une préoccupation croissante. Comment l’IA générative peut‑elle aider les institutions financières à lutter contre la hausse de la fraude et à améliorer la sécurité ?

L’adoption croissante des paiements numériques a conduit à des tactiques de fraude plus sophistiquées. Le Gen AI offre des capacités améliorées de détection de fraude en analysant d’énormes ensembles de données en temps réel et en identifiant des schémas de transaction anormaux que les systèmes traditionnels basés sur des règles pourraient manquer.

Gen AI can:

1. Détecter la fraude avec une plus grande précision en apprenant continuellement à partir des données de transaction, réduisant les faux positifs tout en améliorant les taux de prévention de la fraude.
2. Identifier les anomalies comportementales au niveau de chaque client, signalant les activités suspectes basées sur les tendances historiques.
3. Améliorer l’intelligence des menaces en analysant les rapports sectoriels, les bulletins de sécurité et les bases de données d’incidents mondiaux afin de prévoir les tendances frauduleuses émergentes et de s’adapter en conséquence.

En tirant parti de ces capacités pilotées par l’IA, les institutions financières peuvent renforcer considérablement leurs mesures de prévention de la fraude, optimiser les enquêtes menées par des humains et garantir des transactions numériques plus sécurisées.

WNS a co‑créé des solutions pour divers clients afin d’aborder les aspects de détection et d’enquête sur la fraude en exploitant l’analytique et l’IA. Ces solutions utilisent une combinaison de

Predictive modeling for fraud detection and classification.
Modélisation prédictive pour la détection et la classification de la fraude.

• IDP pour la numérisation de documents
• Solutions basées sur le Deep Learning pour détecter les documents falsifiés

Les exigences de conformité deviennent plus complexes sur les marchés mondiaux. Comment l’IA peut‑elle aider les banques à respecter les normes réglementaires plus efficacement ?

La conformité réglementaire a été un défi dynamique et en évolution au cours des dernières décennies en raison des changements constants des réglementations mondiales. Cela a rendu impératif pour les banques d’investir dans les personnes, les processus et la technologie afin d’assurer le respect de mandats de conformité de plus en plus complexes. L’IA est apparue comme un outil puissant pour rationaliser la conformité réglementaire, notamment en suivant les changements réglementaires et en évaluant leur impact sur les opérations bancaires. En exploitant l’IA, les institutions financières peuvent recevoir des mises à jour en temps réel sur les changements réglementaires, leur permettant de planifier et de mettre en œuvre proactivement des mesures de conformité.

De plus, les solutions pilotées par l’IA peuvent organiser et gérer systématiquement les publications réglementaires, réduisant l’effort manuel nécessaire pour suivre et interpréter ces changements. Le Gen (Gen AI) renforce davantage les capacités de conformité en analysant les nouvelles réglementations par rapport aux versions précédentes, permettant aux institutions d’évaluer rapidement leur impact sur les politiques et procédures internes. Cette capacité renforce les évaluations des risques et des contrôles, rendant les processus de conformité plus efficaces et efficients. En outre, le Gen AI peut être essentiel pour créer du contenu de formation structuré, garantissant que le personnel reste bien informé des changements réglementaires. Les capacités de surveillance et d’audit continus pilotés par l’IA réduisent considérablement les risques de conformité, offrant aux institutions une approche proactive de la gestion réglementaire et minimisant les surprises dans les cadres globaux de risque et de conformité.

Dans le domaine de la conformité, WNS a été à la pointe de la création de solutions exploitant l’IA et le Gen AI au cours des dernières années, notamment :

• Solution Gen AI pour le filtrage des médias défavorables
• Solution IA & Gen AI pour les enquêtes AML
• Solution pilotée par l’IA pour un KYC renforcé

Quels sont les cas d’usage pilotés par l’IA les plus prometteurs dans le secteur bancaire aujourd’hui, au‑delà de la détection de fraude et de la conformité ?

L’IA évolue continuellement, les data scientists et les praticiens de l’IA développant des solutions innovantes pour répondre à un large éventail d’enjeux commerciaux dans le secteur bancaire. Au‑delà de la détection de fraude et de la conformité, l’IA entraîne une transformation importante de l’expérience client, de l’efficacité opérationnelle et des processus de prise de décision.

L’un des cas d’usage les plus marquants est celui des chatbots pilotés par l’IA et de l’assistance en temps réel alimentée par le Gen AI, qui révolutionnent le service client en offrant des interactions personnalisées, instantanées et efficaces. Ce changement améliore la satisfaction client et simplifie la résolution des problèmes.

Sur le plan opérationnel, l’IA s’attaque aux défis de longue date des processus de rapprochement, qui impliquent généralement plusieurs départements au sein des institutions financières. Les algorithmes pilotés par l’IA peuvent automatiser le rapprochement des transactions non appariées en analysant les schémas et tendances historiques, réduisant ainsi considérablement le besoin d’intervention manuelle.

Une autre application cruciale est le traitement des paiements, en particulier la gestion des dépôts entrants où des détails de paiement incomplets ou ambigus nécessitent une intervention humaine. Les modèles de propension pilotés par l’IA peuvent générer des scores de probabilité, aidant les institutions à identifier rapidement et avec précision les contreparties correctes, optimisant ainsi les efforts de traitement manuel.

Ce ne sont que quelques exemples de la façon dont WNS a activement soutenu les principales institutions financières dans l’exploitation de l’IA pour améliorer l’efficacité, l’expérience client et la résilience opérationnelle.

Le talent en IA est très recherché dans tous les secteurs. Que peuvent faire les banques pour attirer et retenir les meilleurs professionnels de l’IA ?

L’adoption croissante de l’IA dans tous les secteurs a entraîné une hausse de la demande de talents en IA, en particulier les data scientists et les experts en apprentissage automatique. Attirer et retenir les meilleurs professionnels de l’IA nécessite une approche stratégique axée sur la fourniture d’opportunités significatives et la promotion d’un environnement innovant.

L’une des principales motivations des professionnels de l’IA est l’accès à des données de haute qualité qui leur permettent d’expérimenter, d’innover et de développer des solutions impactantes. Les organisations qui offrent des écosystèmes de données structurés et bien organisés créent un environnement où les experts en IA peuvent prospérer. À l’inverse, le manque d’opportunités de créer un impact commercial significatif est l’une des principales raisons pour lesquelles les professionnels de l’IA quittent les organisations.

Pour attirer les meilleurs talents, les banques doivent établir de solides partenariats avec les principales écoles d’ingénierie et universités, en proposant des stages axés sur l’IA, des collaborations de recherche et des voies de recrutement directes. Cette approche permet aux institutions financières d’engager les professionnels de l’IA dès le début de leur carrière et d’offrir une trajectoire de croissance claire au sein de l’organisation.

De plus, favoriser une culture axée sur l’IA au sein des banques — où les professionnels de l’IA peuvent travailler aux côtés d’experts sectoriels pour résoudre des défis concrets — améliore la satisfaction au travail et la rétention. WNS a mis en œuvre avec succès un modèle similaire en collaboration avec les meilleures universités en Inde, garantissant un flux constant de talents en IA qualifiés prêts à contribuer au secteur des services financiers.

Comment voyez‑vous l’évolution du rôle des professionnels bancaires avec l’intégration de l’IA ? Les employés doivent‑ils s’inquiéter d’un déplacement d’emplois ?

Le débat sur le remplacement des emplois humains par l’IA est présent depuis des années. Bien que l’IA automatise les tâches routinières, son véritable impact réside dans l’augmentation des capacités humaines et l’amélioration de la qualité du travail effectué par les professionnels bancaires.

À mesure que les tâches répétitives et basées sur des règles sont de plus en plus gérées par l’IA et l’automatisation robotisée des processus (RPA), les professionnels bancaires se tournent vers des rôles nécessitant des niveaux supérieurs de jugement, de pensée critique et de prise de décision. Cette évolution s’est déroulée au cours de la dernière décennie, les paiements numériques remplaçant progressivement les transactions traditionnelles par chèque. Bien que cette transition ait réduit la fréquentation des agences et des distributeurs automatiques, elle a simultanément conduit le personnel des agences à assumer des rôles plus complexes, tels que la gestion des exceptions de paiement, le conseil en investissement et l’enquête sur la fraude.

Au niveau du back‑office, l’IA a simplifié les efforts opérationnels en numérisant les données non structurées provenant de PDF et de documents numérisés, auparavant traités manuellement. L’implication humaine se concentre désormais principalement sur la gestion des exceptions et les tâches d’enquête complexes, améliorant ainsi l’efficacité et la précision.

Plutôt que de provoquer un déplacement d’emplois, la transformation pilotée par l’IA a conduit à une montée en compétences, garantissant que les professionnels développent de nouvelles compétences en adéquation avec les besoins du secteur. Ce changement profite finalement au secteur des services financiers en favorisant une main‑d’œuvre dotée de compétences analytiques avancées et de résolution de problèmes.

Existe‑t‑il des meilleures pratiques que vous avez observées pour favoriser une culture AI‑first au sein des organisations bancaires ?

WNS a été à la pointe de la promotion d’une culture AI‑first à travers ses divers engagements bancaires, impulsant la transformation pilotée par l’IA grâce à une approche structurée et collaborative. Plusieurs meilleures pratiques contribuent à intégrer avec succès l’IA au sein des organisations bancaires :

1. Modèle de co‑création: Les banques doivent intégrer des experts sectoriels et des data scientists au sein des équipes opérationnelles afin de garantir que les solutions pilotées par l’IA sont alignées sur les défis bancaires réels. Chez WNS, cette approche a permis d’identifier et d’exécuter des opportunités d’hyper‑automatisation, assurant une amélioration continue.
2. Équipes de transformation intégrées: Les efforts de transformation de l’IA ne doivent pas être cloisonnés au sein des départements informatiques ou d’innovation. Au contraire, l’intégration d’équipes de transformation au sein des opérations principales assure un focus soutenu sur l’identification des gains d’efficacité pilotés par l’IA et le déploiement à l’échelle des solutions dans l’organisation.
3. Conscience culturelle et adoption: Les organisations doivent investir dans des programmes de sensibilisation à l’IA afin d’éduquer les employés sur les avantages de l’IA, ses cas d’usage et son potentiel à enrichir leurs rôles. Une main‑d’œuvre bien informée sera plus encline à adopter les solutions d’IA et à contribuer à leur mise en œuvre réussie.
4. Incitation à l’innovation: Encourager les employés à proposer des idées pilotées par l’IA et récompenser les implémentations réussies favorise une culture d’amélioration continue et d’engagement. Les concours, hackathons et programmes de reconnaissance peuvent aider à promouvoir l’adoption de l’IA à tous les niveaux de l’organisation.

En adoptant ces meilleures pratiques, les banques peuvent garantir une intégration fluide de l’IA, maximiser l’efficacité opérationnelle et constituer une main‑d’œuvre prête pour l’avenir des services financiers.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter WNS.