L’intelligence artificielle passe des projets pilotes aux systèmes métiers centraux au sein des grandes entreprises. Un exemple vient de JPMorgan Chase, où l’augmentation des investissements dans l’IA contribue à pousser le budget technologique de la banque vers environ 19,8 milliards de dollars en 2026.
Le plan de dépenses reflète un changement plus large parmi les grandes entreprises. L’IA n’est plus considérée comme un petit projet de recherche. Au lieu de cela, les entreprises l’intègrent dans des domaines tels que l’analyse des risques, la détection des fraudes et le service client.
Pour les chefs d’entreprise qui observent comment l’adoption de l’IA modifie les stratégies technologiques des entreprises, les chiffres de JPMorgan mettent en évidence une tendance plus large : l’IA fait désormais partie des systèmes quotidiens qui dirigent les grandes organisations.
Le budget technologique de JPMorgan et les investissements croissants dans l’IA
Les dépenses technologiques augmentent dans le secteur bancaire depuis des années. Le budget de JPMorgan se distingue par son ampleur.
Des rapports de Business Insider, citant des exposés d’entreprises et des discussions avec des investisseurs, indiquent que la banque s’attend à ce que les dépenses technologiques atteignent environ 19,8 milliards de dollars en 2026, poursuivant ainsi une augmentation constante des investissements technologiques. Les dépenses couvrent des domaines tels que l’infrastructure cloud, la cybersécurité, les systèmes de données et les outils d’IA.
Une partie de l’augmentation du budget comprend environ 1,2 milliard de dollars d’investissements technologiques supplémentaires, dont une partie soutiendra les travaux liés à l’IA.
Les grandes banques considèrent souvent les dépenses technologiques comme un investissement à long terme plutôt que comme un coût à court terme. La construction de bon nombre de ces systèmes prend des années, en particulier lorsqu’ils dépendent de grandes plates-formes de données et d’une infrastructure informatique sécurisée.
Les systèmes d’IA nécessitant des pipelines de données fiables et une puissance de calcul, de nombreuses entreprises constatent que l’adoption de l’IA conduit souvent à des mises à niveau plus larges de leur pile technologique.
L’apprentissage automatique influence déjà les résultats
Les dirigeants affirment que l’IA affecte déjà les performances commerciales au sein de la banque. Au cours des discussions avec les investisseurs, le directeur financier de JPMorgan, Jeremy Barnum, a déclaré que les analyses d’apprentissage automatique contribuent aux améliorations des revenus et des opérations dans toutes les parties de l’entreprise.
Un rapport de Reuters sur les briefings financiers de JPMorgan a noté que la banque utilise des modèles de données et des systèmes d’apprentissage automatique pour améliorer l’analyse et la prise de décision dans plusieurs domaines de l’entreprise.
Ces modèles peuvent traiter de grands volumes de données financières et identifier des modèles difficiles à détecter pour les humains. Dans des secteurs tels que le secteur bancaire, où les entreprises gèrent quotidiennement d’énormes flux de données, ces améliorations peuvent affecter les résultats des opérations de trading, de prêt et des clients.
Même de petites améliorations des modèles de prédiction peuvent influencer les performances financières lorsqu’elles sont appliquées à des millions de transactions ou à des signaux de marché.
Où l’IA apparaît au sein de la banque
Les outils d’apprentissage automatique prennent désormais en charge un large éventail d’activités au sein de JPMorgan.
Sur les marchés financiers, les modèles analysent les données de négociation et aident à identifier les modèles de mouvements de prix. Ces informations peuvent aider les traders à évaluer les risques ou à identifier les opportunités sur des marchés en évolution rapide.
Le prêt est un autre domaine dans lequel les systèmes d’IA jouent un rôle. Les modèles d’apprentissage automatique peuvent examiner l’historique financier, les tendances du marché et les informations sur les clients pour aider à évaluer le risque de crédit. Ces systèmes aident les analystes en mettant en évidence les modèles dans les données.
La détection de fraude reste l’une des utilisations les plus courantes de l’IA dans le secteur bancaire. Les réseaux de paiement traitent chaque jour d’énormes volumes de transactions, ce qui rend difficile le suivi manuel de l’activité. Les systèmes d’apprentissage automatique peuvent analyser les transactions en temps quasi réel et signaler les comportements inhabituels pouvant indiquer une fraude.
Certaines opérations internes s’appuient également sur l’IA. Les outils peuvent examiner les contrats, résumer les rapports de recherche ou aider les employés à effectuer des recherches dans de grands systèmes de données internes. Les systèmes d’IA générative commencent à faciliter des tâches telles que la rédaction de rapports ou la préparation de documentation interne.
Ces systèmes apparaissent rarement directement aux clients, mais ils prennent en charge de nombreuses décisions prises en coulisses.
Pourquoi les banques ont adopté l’IA très tôt
Les institutions financières présentent plusieurs caractéristiques qui les rendent bien adaptées à l’apprentissage automatique.
Premièrement, les banques génèrent de vastes ensembles de données structurées. Les historiques de transactions, les enregistrements de marché et les données de paiement fournissent des informations riches que les modèles d’apprentissage automatique peuvent analyser.
Deuxièmement, de nombreuses activités bancaires dépendent de la prédiction. La notation de crédit, la détection des fraudes et l’analyse de marché nécessitent toutes d’estimer les résultats sur la base de données passées.
L’apprentissage automatique fonctionne bien dans les environnements où la prédiction joue un rôle central.
Troisièmement, l’amélioration de la précision des modèles peut produire des résultats financiers mesurables. Un modèle qui améliore légèrement la détection des fraudes ou les décisions de prêt peut affecter de gros volumes de transactions.
Ces facteurs expliquent pourquoi les banques ont investi massivement dans la science et l’analyse des données bien avant le récent regain d’intérêt pour l’IA générative.
L’investissement de JPMorgan dans l’IA signale un changement plus large au sein de l’entreprise
Les plans de dépenses de JPMorgan reflètent également la manière dont les investissements en IA font désormais partie des budgets technologiques plus larges des entreprises.
Dans de nombreuses organisations, les systèmes d’IA s’appuient sur des plateformes de données modernes, des environnements cloud sécurisés et d’importantes ressources informatiques. À mesure que les entreprises construisent ces bases, l’IA devient plus facile à déployer dans tous les départements.
Pour de nombreuses entreprises, l’adoption de l’IA commence par des tâches ciblées telles que la détection des fraudes, l’analyse de documents ou l’automatisation du support client. Une fois que les systèmes s’avèrent utiles, les entreprises les étendent à d’autres domaines de l’organisation.
Ce processus peut prendre plusieurs années, c’est l’une des raisons pour lesquelles les dépenses des entreprises en matière d’IA apparaissent souvent parallèlement à des investissements plus larges dans l’infrastructure de données.
Leçons pour les dirigeants d’entreprise
L’exemple de JPMorgan suggère que les projets d’IA les plus réussis commencent souvent par des problèmes commerciaux clairs plutôt que par une expérimentation à grande échelle.
Les banques appliquent fréquemment l’apprentissage automatique à des domaines où la prédiction et l’analyse des données jouent déjà un rôle central. La détection de la fraude et la modélisation du crédit sont des points de départ courants car les avantages sont plus faciles à mesurer.
Une autre leçon est que l’adoption de l’IA nécessite des investissements soutenus. La création de modèles fiables dépend d’une gouvernance des données solide, de ressources informatiques et d’équipes compétentes.
Pour les grandes organisations, cet effort fait désormais partie de la planification technologique normale plutôt que d’un projet d’innovation distinct.
Alors que les entreprises continuent d’étendre leurs capacités en matière d’IA, les budgets technologiques comme celui de JPMorgan peuvent offrir un aperçu de la façon dont les dépenses des entreprises pourraient évoluer dans les années à venir.
