## L'INTELLIGENCE ARTIFICIELLE ET LE SECTEUR FINANCIER

## Source details

**Canonical URL:** [L'INTELLIGENCE ARTIFICIELLE ET LE SECTEUR FINANCIER](https://www.imf.org/-/media/files/publications/fandd/article/2023/december/french/kearns.pdf)

## Other formats

- [Markdown version](/-/media/files/publications/fandd/article/2023/december/french/kearns.pdf.md)
- [Structured JSON version](/-/media/files/publications/fandd/article/2023/december/french/kearns.pdf.json)

---

### Adoption et investissements
- ChatGPT (OpenAI), lancé en novembre 2022, a atteint rapidement 100 millions d’utilisateurs.
- En juin 2023, JPMorgan Chase & Co. avait 3 600 postes liés à l’IA à combler.
- JPMorgan consacre plus de 15 milliards de dollars par an à la technologie; près du cinquième de ses quelque 300 000 salariés y est affecté; un groupe de recherche sur l’IA emploie 200 personnes.
- Selon International Data Corp, les ventes de logiciels, de matériel et de services liés à l’IA augmenteront de 29 % pour atteindre 166 milliards de dollars cette année et dépasseront 400 milliards de dollars en 2027.
- D’après International Data Corp, les dépenses liées à l’IA dans le secteur financier vont plus que doubler pour atteindre 97 milliards de dollars en 2027; cela représente une croissance annuelle composée de 29 %.
- Exemples d’adoption sectorielle :
  - Fonds interrogés par BNP Paribas (actifs totaux 250 milliards de dollars) : près de la moitié des gestionnaires utilisent ChatGPT à des fins professionnelles; plus des deux tiers l’utilisent pour rédiger des documents marketing ou résumer des documents.
  - Amundi SA gère 2 000 milliards d’euros (2 100 milliards de dollars) d’actifs pour plus de 100 millions de clients et développe sa propre infrastructure d’IA pour analyses macroéconomiques, analyses des marchés et robots‑conseillers.

### Applications dans les institutions financières
- Utilisations bancaires : démarchage, marketing, gestion des risques, prévention des fraudes, traitement des paiements et transferts de fonds.
- L’IA est intégrée à des centaines d’applications dans les grandes banques; considérée comme « absolument essentielle » par certains dirigeants.
- Fonctionnalités avancées vs élémentaires : l’IA excelle dans des tâches bien délimitées (ex. jeux comme les échecs) mais sa supériorité diminue dans des situations inédites où l’intelligence humaine, couvrant économie, histoire, éthique et philosophie, reste cruciale.
- Mise en garde opérationnelle : « L’IA ne peut pas remplacer l’intelligence humaine »; un processus entièrement piloté par l’IA peut être dangereux — nécessité d’interpréter, comprendre et vérifier les sorties algorithmiques.

### Banques centrales, contrôle et exploitation des données
- Exemples d’utilisation par des banques centrales et organismes internationaux :
  - Banque centrale du Brésil : prototype de robot pour télécharger et classer les plaintes des consommateurs via apprentissage automatique.
  - Reserve Bank of India : recours à McKinsey et Accenture pour intégrer l’IA et analyses connexes dans ses activités de contrôle.
  - Comité de Bâle : constate que l’IA peut améliorer décisions de crédit et lutte contre le blanchiment de capitaux; souligne aussi risques (opacité des modèles, biais, cyberrisques).
  - Banque des règlements internationaux (BRI), projet Aurora : réseaux neuronaux pour faciliter la détection des opérations de blanchiment de capitaux en relevant schémas et anomalies.
  - Banque du Canada : outil d’apprentissage automatique détectant anomalies dans rapports prescrits par la loi, exécutions quotidiennes automatiques aidant le personnel à se concentrer sur l’analyse.
  - Banque centrale européenne (BCE) : classement automatique des données de 10 millions d’entités privées et publiques; suivi en temps réel des prix affichés sur le Web; extraction et analyse d’articles de presse, rapports de contrôle et rapports de société; exploration des grands modèles de langage pour coder, tester des logiciels et faciliter compréhension des communications publiques.
- Défi des données : explosion des données, importance d’apurer l’univers des données, notamment non structurées, pour rendre l’information intelligible.

### Risques pour la stabilité financière et scénarios de crise
- Risques systémiques identifiés :
  - Comportement moutonnier : acteurs prenant des décisions similaires en recevant le même signal d’un modèle de base ou d’un agrégateur.
  - Amplification des chaînes de réaction négatives via applications opaques d’IA.
  - Usage d’IA reposant sur des données décalées face à la réalité d’une situation inédite, pouvant exacerber une crise (« polycrise »).
  - Opacité des modèles, risques de biais et cyberrisques accrus.
- Chiffres de contexte :
  - Marché boursier américain observé par Gary Gensler : 46 000 milliards de dollars, représentant les deux cinquièmes du marché mondial.
- Avis d’experts :
  - Gary Gensler : l’IA pourrait provoquer une crise financière; « Les risques qu’elle fait peser sur la stabilité financière exigent ‘une nouvelle réflexion sur les interventions systémiques ou macroprudentielles’. »
  - Anselm Küsters : recours accru à des applications opaques de l’IA crée de nouveaux risques systémiques et peut amplifier de façon rapide des réactions négatives; exhorte à se concentrer sur le surcroît de risque lié aux prévisions algorithmiques en cas de crise.
  - Jon Danielsson : l’IA peut protéger les clients (prévenir abus, fraude, blanchiment) mais la confiance croissante dans la technologie augmente l’invasion technologique et le risque.

### Recommandations et orientations politiques implicites
- Renforcer la supervision et adapter les cadres réglementaires :
  - Repenser les interventions systémiques et macroprudentielles à la lumière des risques induits par l’IA.
  - Mettre à jour des réglementations potentiellement désuètes pour traiter les risques systémiques liés à l’utilisation généralisée de l’apprentissage profond dans le secteur financier.
- Promouvoir des usages responsables et transparents de l’IA :
  - Améliorer la capacité des processus de contrôle à distinguer innovations responsables et innovations non responsables.
  - S’assurer que l’IA soit utilisée dans un cadre sûr, éthique et conforme; éviter tout abus.
  - Préserver le rôle de l’intelligence humaine pour interpréter, comprendre et vérifier les résultats algorithmiques.
- Investir dans le capital humain et les capacités internes :
  - Répondre à la forte demande de talents spécialisés en IA dans le secteur financier; importance stratégique d’avoir une longueur d’avance en compétences.

*Résumé du chapitre par Jeff Kearns.*

---


_Source: https://www.imf.org/-/media/files/publications/fandd/article/2023/december/french/kearns.pdf_