Jean-Jacques Pluchart
Les progrès spectaculaires de l’IA – et notamment de l’IA générative depuis 2022 – viennent bouleverser les stratégies, les organisations et les pratiques d’un nombre croissant de métiers, particulièrement dans les scteurs de la banque et de l’assurance. L’ampleur et la rapidité de ces transformations sont perceptibles dans les variations des marges, des résultats et des cours boursiers des établissements cotés. Les variations les plus erratiques de certaines valeurs, traduisent l’incertitude pesant, chez les épargnants et les investisseurs, sur les capacités des banques et des assureurs à adapter leurs chaines de création de valeur et à reconstruire leurs modèles d’affaires.
Les métiers bancaires reposent sur la gestion sécurisée de données personnelles et la couverture de risques de plusieurs natures. Ils se partagent traditionnellement entre les métiers de la banque de détail et ceux de la banque de marché. Mais ils différent de plus en plus selon la stratégie dominante de la banque, orientée plutôt vers le volume ou la différenciation de ses produits et services. Dans le premier cas, ils couvrent des fonctions à « forte intensité documentaire » et dans le second, des fonctions à « fort degré de responsabilité ». Les premières couvrent l’administration des opérations courantes, la génération de contrats, la relation commerciale (CRM), des analyses comptables et financières… Les secondes impliquent des arbitrages entre opérations, des émissions de crédits, des montages juridiques, fiscaux et financiers, des décisions stratégiques… Les premières sont de plus en plus substituables par des processus automatisés. Les secondes sont seulement assistables par des modèles dédiés de reconnaissance, de classification, de simulation, de projection, de corrélation … relevant de l’IA.
La distinction entre ces deux types d’activités est rendue de plus en plus difficile par la rapidité des avancées de l’IA et des LLM, qui reposent sur la massification des données, l’accélération de leurs traitements, la multiplication des agents spécifiques de l’IA et surtout, la capacité à coder rapidement de nouveaux programmes à partir du langage naturel (machine learning ou encodage automatique). De nouvelles fonctions sont ainsi « augmentées » par l’IA : sophistication des robots-conversationnels (chatbots) avec les prospects et les clients, sécurisation des données et des traitements, systémisation de la notation des titres, automatisation de la mise en conformité (due diligence), optimisation du reglement-livraison de titres…, mais aussi, fiabilisation des modèles de projection (trading prédictif) et simulation des risques de crédit et de marché. Des fonctions assurées par des compétences rares, deviennent ainsi des « commodités » délivrées par des applications standard (bechnmarks).
Les progrès de l’IA et des LLM entrainent une désintermédiation des chaines de création de valeur, une reconfiguration des modèles des banques et une recomposition de leur écosystème. Ces mouvements sont observables dans les variations des marges et des cours boursiers des établissements bancaires et de leurs sous-traitants. Les licences SaaS d’infogérance de logiciels sont progressivement remplacées par des modèles propriétaires générés par le «Vibe Coding» à faible coût marginal. Cette transition vers une tarification à la charge de travail («token-based») a déjà entrainé une chute de l’indice MSCI USA Software. Les cours de Salesforce, Thomson Reuters ou LegalZoom, ont été par exemple affectés. La baisse tendancielle des marges et des multiples de valorisation commence à affecter les éditeurs de lgiciels, les compagnies d’assurance des biens et des personnes, les agences de notation financière et extra-financière. Le lancement par Insurify d’un agent d’achat capable de comparer instantanément des millions de polices a provoqué une chute marquée de Willis Towers Watson et d’Aon. Dans les métiers du chiffre (auditeurs, analystes) et de la notation financière, le même phénomène a touché certaines agences comme S&P Global, Moody’s ou FactSet. Les banques de détail cantonées dans le conseil et le crédit aux particuliers et aux PME, sont directement exposées à une perte d’avantage concurrentiel, sauf si elles démontrent leur capacité à s’adapter rapidement aux mutations de l’IA.
En revanche, les banques d’investissement ou d’affaires disposent de barrières à l’entrée basées sur la personnalisation de la relation avec la clientèle (donc sur la confiance et des données historiques personnalisées), sur l’ingénierie financière, juridique et fiscale (M&A, grands projets…) notamment à l’international, sur la gestion patrimoniale, sur la titrisation de créances, la gestion de produits dérivés, les choix startégiques, et même certaines fonctions relevant du shadow banking (gestion de fonds d’investissement ou de défiscalisation…). La qualité de la relation bancaire est créatrice de valeur lorsqu’elle se développe en situation de crise monétaire et financière ou simplement de marché volatile. L’apport d’un conseiller humain confère un « bien être mental et émotionnel » au client et une plus grande confiance en l’avenir.
Cette mutation des modèles bancaires invite à relire les leçons de Michael Porter enseignées depuis les années 1980, qui distinguent les stratégies des entreprises basées sur le volume et celles reposant sur la différenciation des services. Il semble que sous l’effet des progres de l’IA, ces leçons redeviennent de plus en plus pertinentes. Les banques sont contraintes d’engager des stratégies de focalisation sur des activités innovantes et phygitales conjuguant ces deux stratégies.
