Comment lever les obstacles liés aux données dans l'IA financière ?

En matière d'IA, il vaut mieux disposer d'une quantité suffisante de données pertinentes que d'une quantité excessive de données inadaptées. Les organisations financières avant-gardistes adoptent des approches plus rigoureuses mettant l'accent sur la qualité, la gouvernance et le champ d'application critique pour la prise de décision, tout en suivant le retour sur investissement (ROI) marginal de chaque téraoctet, jeton et fonctionnalité supplémentaires. Les stratégies décrites ici aideront les organisations à faire de même.

Il est toutefois important de noter que ces stratégies ne sont pertinentes qu'une fois terminée la phase initiale d'expérimentation rapide. Cela signifie qu'il faut avoir validé le cas d'utilisation, testé la faisabilité sous pression et prouvé qu'il existe un signal qui mérite d'être développé.

Une fois la phase d'expérimentation initiale dépassée, le réflexe naturel consistant à « simplement ajouter plus de données » cesse de générer de la valeur. En fait, il commence même à produire l'effet inverse. Voici les recherches qui expliquent pourquoi et ce qu'il faut faire à la place.

Le coût caché de « plus de données »

Au cours d'un projet pilote, l'intégration d'un large éventail d'ensembles de données peut aider les équipes à découvrir des modèles, à identifier des signaux et à comprendre ce qui détermine les performances.

Il est tentant d'ajouter plus de données une fois le projet pilote terminé. Malheureusement, « plus de données » en production entraîne les coûts cachés suivants dans les systèmes d'IA :

Une augmentation des coûts : les dépenses liées au stockage, aux pipelines, aux intégrations et à l'inférence s'accumulent rapidement, en particulier pour l'IA générative (genAI).
Une amplification des risques liés à la gouvernance : chaque nouvelle source introduit des considérations en matière de droits, de confidentialité et de traçabilité.
Un ralentissement de la mise en œuvre : des ensembles de données plus volumineux allongent le temps de formation, augmentent la complexité des pipelines et les taux d'erreur.
Une baisse de la qualité des modèles : le bruit, les incohérences et l'historique non pertinent ajoutent une variance que les modèles doivent surmonter.
Blocage de l'échelle : les équipes financières opèrent déjà selon des cycles de clôture serrés, et les architectures de données trop lourdes s'effondrent sous la pression opérationnelle.

Cette observation ne repose pas sur une intuition. Harvard Business Review (HBR) prévient qu'une IA efficace repose sur une qualité des données adaptée à l'usage, et non sur le volume. Selon HBR, les équipes qui négligent la qualité des données voient leurs modèles dériver, halluciner ou s'effondrer face à la variance du monde réel. Parallèlement, McKinsey constate une utilisation généralisée de l'IA mais une valeur limitée pour l'entreprise. De nombreuses entreprises restent bloquées au stade des projets pilotes. Seules environ 39% font état d'un impact sur l'EBIT à grande échelle, souvent parce que les flux de travail et les bases de données n'ont pas été repensés pour le cas d'utilisation. Une fois l'expérimentation terminée, c'est la rigueur qui devient l'avantage concurrentiel, et non l'ampleur. Voici comment oeuvrer.

Comment réduire les données sans réduire la précision

Une fois que la phase d'expérimentation a révélé quelles données sont pertinentes, l'objectif devient la précision, et non plus le volume. L'idée est de constituer l'ensemble de données le plus petit, le plus propre et le plus pertinent pour la prise de décision, capable d'offrir des performances identiques (voire supérieures !) à moindre coût et avec une complexité réduite.

Ainsi, il est nécessaire de suivre ces étapes :

Ancrer la sélection des données dans la décision : Si les données ne modifient pas de manière significative la décision, elles n'ont pas leur place en production.
Laisser la fraîcheur des données déterminer le coût : Mesurer comment les performances évoluent en fonction de la fraîcheur des données. Actualiser uniquement les données qui se déprécient de manière significative. Cesser de payer pour une ingestion en temps réel qui n'apporte aucun gain.
Supprimer le poids mort : Supprimer les doublons, les caractéristiques obsolètes et les sources de mauvaise qualité. Si la suppression d'un ensemble de données n'affecte ni la précision ni la confiance, il ne vaut pas la peine de le conserver.
Créer un récit financier : Lorsqu'il est bien conçu, un récit financier est extrêmement précieux. Il fournit le « pourquoi » contextuel derrière les écarts, les risques et les changements stratégiques, le « et alors » des données chiffrées.

Lorsqu'il est correctement synthétisé et structuré, le récit offre aux modèles d'IA un cadre d'interprétation. Ce cadre est nécessaire pour expliquer les résultats, anticiper les préoccupations des parties prenantes et générer des recommandations qui s'alignent sur la manière dont les responsables financiers prennent leurs décisions.

Utiliser une architecture de données à plusieurs niveaux

Toutes les charges de travail n'ont pas besoin de l'intégralité de l'entrepôt de données. Par conséquent, il vaut mieux utiliser une architecture de données à plusieurs niveaux :

Niveau 1 : données en temps réel, gouvernées et régies par des SLA pour l'IA opérationnelle
Niveau 2 : ensembles historiques pour l'analyse
Niveau 3 : données d'archivage/de conformité uniquement

Il est conseillé d'acheminer les charges de travail IA vers le niveau approprié et de bloquer complètement l'accès au niveau 3 depuis les modèles de production.

Une fois que l'ensemble de données est réduit à l'essentiel, le véritable défi consiste à vérifier si chaque élément restant justifie son existence.

Suivre la rentabilité unitaire des données d'IA

Pour éviter la prolifération des données, il faut surveiller les indicateurs suivants afin de détecter quand l'empreinte des données d'IA est trop importante :

Coût par décision réussie (recouvrement de créances, action sur les prix, approbation).
Coût d'inférence par millier de tokens pour les charges de travail genAI.
Indicateurs clés de performance (KPI) de qualité : exhaustivité, actualité, traçabilité, précision.
Métrique de risque : % des ensembles de données dont les droits ont été vérifiés et l'accès approuvé.

Lorsque les coûts augmentent et que les performances stagnent, il faut cesser d'ajouter des données mais plutôt commencer à en supprimer.

Il est maintenant temps de passer de la stratégie à l'exécution et de définir comment la finance peut mettre en place une infrastructure IA allégée et à forte valeur ajoutée.

Un plan en 30-60-90 jours pour une IA financière allégée

Ces étapes commencent après l'expérimentation, une fois que les cas d'utilisation et les signaux sont connus.

0–30 jours : Mettre en place le contrôle

Répertorier tous les cas d'utilisation de l'IA et leurs décisions clés.
Mapper les ensembles de données aux décisions et éliminer les « données fantômes ».
Marquer les données en fonction de leur criticité et de leur sensibilité en matière de conformité.
Mettre en place des tableaux de bord pour les coûts, la qualité et les risques.

30 à 60 jours : Mesurer l'impact

Effectuer des tests d'ablation de données pour confirmer quelles entrées sont réellement importantes.
Suivre l'évolution des coûts par rapport à la précision et à l'impact sur les décisions.
Analyser l'utilisation réelle de l'IA générative pour optimiser les ensembles de données et l'évaluation.
Réajuster les cadences de rafraîchissement en fonction de la dégradation observée des données, et non des habitudes héritées.

60 à 90 jours : optimiser et faire évoluer

Certifier les ensembles de données à forte valeur ajoutée avec des responsables clairement identifiés et des SLA.
Lier la réussite de l’IA aux résultats commerciaux (par exemple, durée du cycle, intervalles de confiance, vitesse de rotation des liquidités).
Mettre en œuvre des règles de dégradation des données et d’archivage.
Lancer un examen trimestriel de « régime de données » pour s’assurer qu’aucun ensemble de données ne s’étoffe sans justification.
Mettre en avant les équipes qui ont amélioré les résultats tout en réduisant les dépenses liées aux données.

Moins de données, plus de vérité

Lorsque l'IA financière se développe, la discipline l'emporte sur la quantité. Des données allégées, bien gérées et pertinentes pour la prise de décision produisent de meilleures informations à moindre coût. L’idée est d'éviter les modes de défaillance résultant d'une ingestion aveugle.

Ce n'est pas plus de données qui rendent l'IA meilleure : ce sont de meilleures décisions.