L’Intelligence Artificielle pour faire évoluer le conseiller vers des pratiques plus digitales est l’une des tendances à suivre dans le domaine bancaire. Notre Responsable Innovation et R&D, Laurent-Walter Goix, nous en dit plus.
Dans son dernier livre blanc sur l’IA en 2019, Finance Innovation relevait comme premier levier de transformation des métiers de la finance le changement de paradigme à venir autour de l’expérience client au travers de services « hyper-personnalisés », en premier lieu par l’Intelligence Artificielle. Les études et tendances plus récentes confirment cette vision, d’une part par l’engouement autour du self-service conversationnel omnicanal, et d’autre part via l’ « augmentation » du conseiller bancaire.
Toutes annoncent que l’IA sera l’arme différenciante des acteurs du marché et que la bataille de la satisfaction client se fera sur l’excellence des algorithmes. Les fortes tendances à l’investissement par l’embauche de profils data au sein d’équipes grandissantes des grands acteurs, ou au dépôt de brevets par des banques elles-mêmes confortent cette idée…
Le conseiller « augmenté »
Au-delà des approches « full IA » de substitution des tâches ou services humains par des robots (*bots, RPA etc), les plus humanistes proposent d’utiliser la puissance de l’IA pour assister le conseiller.
Tout d’abord lors de ses entretiens client, pour lui suggérer des réponses ou propositions de produits au fil de la conversation. L’IA peut par exemple lancer des recherches automatiques sur la base de données interne des produits financiers de l’entreprise ou de logements à proposer via ses partenaires.
Mais également en prévisionnel via d’autres types d’analyses agrégées, qui nourriront les propositions proactives du conseiller tout au long du rapport au client – à commencer par le cycle de vie de son prêt ou de son assurance-vie. Le conseiller se verra ainsi notifié par exemple de suggestions – et leur argumentaire – à proposer à leurs clients sur la base de récentes évolutions de leur vie familiale ou du marché.
Mais de quelle IA parle-t-on ?
L’Intelligence Artificielle conversationnelle – au service de la relation client – est centrée sur les technologies dites de NLU/NLP (traitement et compréhension du langage naturel), pour comprendre les intentions des clients et mieux les traiter, qu’elles soient vocales ou textuelles. Sur ces briques vient se greffer l’«informatique affective», ou la délicate compréhension voire génération d’empathie pour améliorer la satisfaction client, aujourd’hui principalement à l’état de R&D et au centre de considérations éthiques – bien que fortement guidée par les forts enjeux business associés.
Côté « back-office », les analyses prévisionnelles, par exemple sur la stabilité financière ou le changement de phase de vie d’un client, se basent principalement sur des moteurs de Machine Learning qui traitent une gigantesque masse de données de transactions pour anticiper de nouveaux produits ou services à proposer aux clients. Ces recommandations sont le fruit du croisement entre l’historique d’un client et celle de clients « similaires ».
IA tous azimuts ?
L’incrément de la place de la technologie dans le monde bancaire grâce aux progrès de l’IA soulève plus d’une problématique au-delà des promesses client et business, qui temporise son déploiement à large échelle.
Le choix des outils digitaux des conseillers, et l’accompagnement à leurs usages sera clé pour leur acceptation dans cette évolution de leur métier : assister sans dénaturer ou dévaloriser le rôle, suggérer sans perturber : tels sont les enjeux de la cohabitation homme-machine.
Et si d’autres métiers et individus seront bien à l’origine des algorithmes d’IA quels qu’ils soient, la question des biais, discriminations et leurs conséquences est fondamentale, d’autant plus qu’elle pourrait engendrer des décisions importantes pour la vie du client. Le récent guide pratique pour des IA éthiques est un outil indispensable pour qui souhaite déployer de telles innovations.
En fonction des cas pratiques, on privilégiera par exemple la précision à la sensibilité d’un algorithme pour être le plus « sûr » possible et limiter certains biais de catégorisation.
Et l’intégration dans un système réel devrait être étudiée avec grande attention pour son acceptabilité, par exemple pour signaler une analyse automatique à l’utilisateur, lui donner la possibilité de l’activer/désactiver (opt-in dans la mesure du possible) et de vérifier que les données d’ »entrainement » sont au plus proche de la population cible. Mais ces vérifications deviendront peut-être le rôle d’autres IA…
Laurent-Walter Goix
Responsable Innovation et R&D chez Alteca