Au sein des grandes banques, l’intelligence artificielle est devenue une catégorie autrefois réservée aux systèmes de paiement, aux centres de données et aux principaux contrôles des risques. Chez JPMorgan Chase, l’IA est présentée comme une infrastructure que la banque estime ne pas pouvoir se permettre de négliger.
Cette position est clairement apparue dans les récents commentaires du PDG Jamie Dimon, qui a défendu l’augmentation du budget technologique de la banque et a averti que les institutions qui prennent du retard en matière d’IA risquaient de perdre du terrain face à leurs concurrents. L’argument n’était pas de remplacer les gens mais de rester fonctionnel dans un secteur où la rapidité, l’échelle et la discipline des coûts comptent chaque jour.
JPMorgan investit massivement dans la technologie depuis des années, mais l’IA a changé le ton de ces dépenses. Ce qui relevait autrefois des projets d’innovation est désormais intégré aux coûts de fonctionnement de base de la banque. Cela inclut des outils d’IA internes qui prennent en charge la recherche, la rédaction de documents, les examens internes et d’autres tâches de routine au sein de l’organisation.
De l’expérimentation à l’infrastructure
Ce changement de langage reflète un changement plus profond dans la façon dont la banque perçoit le risque. L’IA est considérée comme faisant partie des systèmes nécessaires pour suivre le rythme des concurrents qui automatisent le travail interne.
Plutôt que d’encourager les travailleurs à s’appuyer sur les systèmes publics d’IA, JPMorgan s’est concentré sur la création et la gouvernance de ses propres plateformes internes. Cette décision reflète des préoccupations de longue date dans le secteur bancaire concernant l’exposition des données, la confidentialité des clients et la surveillance réglementaire.
Les banques opèrent dans un environnement où les erreurs entraînent des coûts élevés. Tout système qui touche des données sensibles ou influence les choix doit être auditable et explicable. Les outils publics d’IA, formés sur des ensembles de données et mis à jour fréquemment, rendent cela difficile. Les systèmes internes donnent à JPMorgan plus de contrôle, même s’ils prennent plus de temps à déployer.
Cette approche réduit également le potentiel d’une « IA fantôme » incontrôlée, dans laquelle les employés utilisent des outils non approuvés pour accélérer le travail. Même si de tels outils peuvent améliorer la productivité, ils créent des lacunes dans la surveillance que les régulateurs ont tendance à remarquer rapidement.
Une approche prudente du changement de main-d’œuvre
JPMorgan a été prudent dans la façon dont il parle de l’impact de l’IA sur l’emploi. La banque a évité de prétendre que l’IA réduirait considérablement ses effectifs. Au lieu de cela, il présente l’IA comme un moyen de réduire le travail manuel et d’améliorer la cohérence.
Les tâches qui nécessitaient autrefois plusieurs cycles de révision peuvent désormais être réalisées plus rapidement, les employés restant responsables du jugement final. Le cadre positionne l’IA comme un support et non comme une substitution, ce qui est important dans un secteur sensible aux réactions politiques et réglementaires.
La taille de l’organisation rend cette approche pratique. JPMorgan emploie des centaines de milliers de personnes dans le monde. Même de minuscules gains d’efficacité, appliqués à grande échelle, peuvent se traduire par des économies significatives au fil du temps.
L’investissement initial requis pour créer et maintenir des systèmes d’IA internes est substantiel. Dimon reconnaît que les dépenses technologiques peuvent avoir un impact sur les performances à court terme, en particulier lorsque les conditions du marché sont incertaines.
Sa réponse est que réduire la technologie maintenant pourrait améliorer les marges à court terme, mais cela risquerait d’affaiblir la position de la banque plus tard. En ce sens, les dépenses en IA sont considérées comme une forme d’assurance contre le retard.
JPMorgan, AI et le risque de prendre du retard sur leurs rivaux
La position de JPMorgan reflète la pression exercée sur le secteur bancaire. Les concurrents investissent dans l’IA pour accélérer la détection des fraudes, rationaliser le travail de conformité et améliorer les rapports internes. À mesure que ces outils deviennent plus courants, les attentes augmentent.
Les régulateurs peuvent supposer que les banques ont accès à des systèmes de surveillance avancés. Les clients peuvent s’attendre à des réponses plus rapides et à moins d’erreurs. Dans cet environnement, le retard en matière d’IA peut ressembler moins à de la prudence qu’à une mauvaise gestion.
JPMorgan n’a pas suggéré que l’IA résoudrait les défis structurels ou éliminerait les risques. De nombreux projets d’IA peinent à dépasser les usages restreints, et leur intégration dans des systèmes complexes reste difficile.
Le travail le plus difficile réside dans la gouvernance. Décider quelles équipes peuvent utiliser l’IA, dans quelles conditions et avec quelle surveillance nécessite des règles claires. Les erreurs nécessitent des chemins d’escalade définis. La responsabilité doit être attribuée lorsque les systèmes produisent des résultats défectueux.
Dans les grandes entreprises, l’adoption de l’IA n’est pas limitée par l’accès aux modèles ou à la puissance de calcul, mais est limitée par les processus, les politiques et la confiance.
Pour les autres entreprises utilisatrices finales, l’approche de JPMorgan offre un point de référence utile. L’IA est considérée comme faisant partie de la machinerie qui assure le fonctionnement de l’organisation.
Cela ne garantit pas le succès. Les rendements peuvent mettre des années à apparaître et certains investissements ne seront pas rentables. Mais la position de la banque est que le plus grand risque réside dans le fait d’en faire trop peu et non pas trop.
(Photo par IKECHUKWU JULIUS UGWU)
