Vous êtes-vous déjà demandé d’où venait un débit inhabituel sur votre décompte de carte de crédit ou une transaction cryptique sur votre relevé bancaire? Pour savoir où et comment vous aviez dépensé cet argent, vous avez peut-être dû contacter votre banque pour qu’elle vous donne des informations sur le commerçant ou le motif du paiement. On est loin d’une expérience client positive

La précision des données de paiement est donc elle aussi essentielle. Elle permet de créer des expériences sur mesure et de garantir une plus grande satisfaction, par exemple en offrant de la transparence, des recommandations ou des prédictions. Pour y parvenir, les prestataires de services financiers ont besoin de données de paiement complètes et de qualité.

L’enrichissement des paiements désigne le processus qui consiste à améliorer la qualité et le contenu informatif des données de paiement, ainsi qu’à fournir des recommandations personnalisées. Il s’agit d’une sous-catégorie de l’enrichissement des données qui s’est répandue depuis les années 1990 dans les domaines du marketing et du commerce de détail. Le but était d’améliorer les profils clients et de créer des campagnes marketing plus ciblées. Avec l’avènement du big data et des technologies analytiques avancées, les fintechs et les prestataires de services financiers, dont SIX, ont commencé à développer et à utiliser l’enrichissement des paiements afin de rendre les données de transaction explicites. Pour ce faire, ils combinent leurs propres données de paiement avec des données externes et utilisent différentes techniques, telles que l’identification de modèles, pour en déduire la signification de la transaction. Ils peuvent ainsi générer de nouveaux contenus tels que la catégorie (p. ex. transport, alimentation), des noms de commerçants uniques, des logos et des informations géographiques sur le commerçant, c’est-à-dire l’endroit où la transaction a eu lieu. Ces données enrichies non seulement améliorent l’expérience client, mais rendent également les applications IA plus efficaces et optimisent les processus importants tels que les rétrofacturations.

Imaginez un compte bancaire qui collecte les données de paiement de votre cliente et analyse ses habitudes de dépenses. En tant que banque, vous êtes en mesure d’identifier des modèles de dépenses, tels que des achats fréquents dans certains magasins, des paiements réguliers pour des abonnements ou des factures récurrentes. Grâce à ces informations, vous pouvez aider votre cliente à prendre de meilleures décisions financières. Par exemple, si vous constatez qu’elle fait souvent des achats dans une épicerie particulière, vous pouvez lui proposer une carte de crédit avec des primes de cashback. Sinon, vous pouvez lui proposer des services intuitifs qui l’aideront à mieux comprendre ses finances personnelles. Cela peut aller de questions simples, comme «Combien ai-je économisé le mois dernier?», à des questions plus complexes, comme la détection de transactions inhabituelles, la prédiction des futures dépenses alimentaires ou la fourniture de recommandations personnalisées pour optimiser l’épargne. Tout cela est possible quand on combine des données de paiement de haute qualité avec des techniques IA appropriées pour répondre à des questions spécifiques.

Une fois l’essentiel assuré, on peut faire ce que l’on veut. C’est comme pour la jonglerie. Le jongleur doit d’abord maîtriser les techniques et les mouvements de base pour pouvoir maintenir les balles ou les massues en l’air en toute sécurité. Ce n’est qu’ensuite qu’il peut s’exercer librement et essayer des tours et des combinaisons plus créatifs et plus complexes. Il en va de même pour l’application de l’IA à l’open finance, notamment dans le contexte de l’émergence du multibanking pour les clients privés en Suisse. Dans ce domaine, les besoins en données de paiement cohérentes de haute qualité vont augmenter, indépendamment de la banque habituelle des clients. Le véritable art consiste à rassembler les données de paiement provenant de différentes banques et les informations provenant de sources externes de manière à pouvoir les utiliser dans des applications inédites afin de proposer des services financiers personnalisés.

Dans ce contexte, la gestion de la qualité des données de paiement, tout comme la jonglerie, n’est pas une opération ponctuelle, mais un processus continu. Seuls des contrôles et des ajustements constants permettent de garantir une qualité de données qui non seulement améliore l’expérience actuelle de l’utilisateur, mais permet également de proposer des solutions financières innovantes et sur mesure.

Dans le secteur des paiements, les outils de l’IA sont déjà indispensables pour détecter les fraudes sur les paiements par carte. Ils analysent d’énormes quantités de données de transaction en temps réel afin d’identifier des modèles de dépenses inhabituels qui indiquent une fraude potentielle. L’utilisation de tels outils aide également à répondre aux questions simples des clients, par exemple à partir d’un catalogue de FAQ.

Dans le cadre du traitement des prélèvements automatiques, l’IA est principalement utilisée aujourd’hui pour analyser les chiffres et les métriques agrégés des données de transaction et pour faire des prévisions. Cependant, il y a encore un potentiel à exploiter pour une utilisation préventive, par exemple pour la mise en garde contre les fraudes et la prévention des erreurs.

Quand une IA apprend à chaque nouveau point de données et met directement à jour ses «connaissances», on parle d’apprentissage en ligne. Cette méthode est toutefois très coûteuse et difficilement évolutive. De plus, des acteurs malveillants peuvent manipuler la boucle de rétroaction, c’est-à-dire la boucle par laquelle les connaissances acquises sont réinjectées dans le système afin d’influencer son comportement futur. C’est pour cette raison que, dans la pratique, les IA sont souvent statiques (elles n’apprennent pas en continu) et nécessitent une surveillance humaine lors des mises à jour et des évolutions.

D’autres aspects importants du traitement des données de paiement sont le respect des lois sur la protection des données (p. ex. RGPD), la mise en œuvre de protocoles de sécurité et les défis à relever pour assurer la sécurité des données. Ils permettent de gagner et de maintenir la confiance des clients. L’utilisation de l’IA dans le secteur suisse des services financiers s’accompagne également d’attentes de la FINMA en matière de surveillance. Dans ce contexte, les prestataires de services financiers doivent remplir et documenter des critères tels que la fiabilité, l’égalité de traitement, la transparence et l’explicabilité, et clarifier des questions telles que la gouvernance et la responsabilité. L’explicabilité, en particulier, constitue depuis de nombreuses années un problème persistant et non résolu pour les chercheurs. Cela s’explique notamment par le fait que de nombreux modèles IA, en particulier les modèles complexes comme les réseaux de neurones profonds, sont considérés comme des «boîtes noires». Ces modèles prennent des décisions sur la base de processus internes difficiles à comprendre pour les humains. Un autre problème est celui du «désaccord», où différentes méthodes d’explication fournissent des explications différentes et parfois contradictoires. Il est donc difficile de trouver une explication cohérente et fiable aux décisions d’un modèle IA. De plus, nombre de ces méthodes sont sujettes aux manipulations, ce qui réduit encore plus la fiabilité des explications.

En outre, l’utilisation des données implique des considérations éthiques, telles que la prévention de la discrimination et la garantie de l’équité.

Tous ces facteurs peuvent freiner la diffusion rapide de l’IA. Les développements et innovations futurs sont donc d’une grande importance. Il existe des approches visant notamment à promouvoir la sécurité, la transparence et la confiance des clients dans les décisions basées sur l’IA. L’une d’entre elles est l’intégration de l’IA dans les réseaux blockchain.

Grâce à l’utilisation de la cryptographie, la blockchain rend la gestion et l’accès aux données générées par l’IA plus sûrs et répond mieux aux attentes des autorités de surveillance. En vérifiant les sources de données et en contrôlant leur qualité, elle garantit la transparence et la traçabilité des données. Les contrats intelligents régissent le déploiement et l’utilisation des modèles IA et rendent ainsi l’écosystème équitable et efficace.

La combinaison de l’IA et de la blockchain est prometteuse, mais elle en est encore au stade du développement et de l’expérimentation. Un autre domaine passionnant est l’association de l’informatique quantique à l’IA et à la blockchain. Les ordinateurs quantiques pourraient être capables d’effectuer des calculs complexes et d’analyser des données à une vitesse bien supérieure à celle des ordinateurs classiques. Imaginez que le «manuel» de l’IA ne soit pas seulement enrichi, mais littéralement transformé par l’immense puissance de calcul des ordinateurs quantiques. Cela pourrait conduire à des modèles IA encore plus précis et efficaces, capables de traiter et d’analyser en temps réel des quantités de données presque inimaginables. La synergie de l’informatique quantique, de l’IA et de la blockchain pourrait révolutionner l’avenir des services financiers, à l’image d’un manuel auquel on ajouterait un chapitre avec une toute nouvelle dimension de connaissance.