Les nouveaux scénarios de l’intelligent automation dans le secteur bancaire

Le RPA (Robotics Process Automation) délègue à des robots la réalisation de tâches récurrentes et itératives relativement simples. Cet usage de la technologie a fait naître de grands espoirs auprès des établissements bancaires. Mais où en est-on aujourd’hui ? Les objectifs escomptés ont-ils été atteints ? Comment pousser encore plus loin le champ des possibles ? Quelles sont les nouvelles pistes apportées par l’Intelligent Automation ? Décryptage.

Le secteur financier doit faire face depuis quelques années à un processus de transformation à marche forcée, accéléré par un environnement règlementaire toujours plus contraignant et par l’émergence de nouveaux acteurs proposant des modèles alternatifs à la banque traditionnelle. La recherche de compétitivité lancée dans les modes de travail s’était jusqu’à présent concentrée sur l’offshoring des activités humaines, piste qui semble aujourd’hui s’épuiser quelque peu. Une autre voie d’amélioration sur le même périmètre – destinée à dégager une efficience renforcée – s’est constituée au travers du RPA.

Le RPA n’est pas en soi un paradigme nouveau, et les débats sur sa véritable nature – est-ce une nouvelle technologie bouleversant les usages, ou bien une simple extension des technologies qui l’ont précédée ? – permettent de remettre en perspective ses prémices, en remontant dans les années 90. De ses premières incarnations, notamment au travers des logiciels de screen scrapping, des premiers outils d’automatisation et de gestion du workflow, le concept de RPA a commencé à se populariser au début des années 2000, posant les bases d’une approche combinée aujourd’hui aux promesses de l’intelligence artificielle.

Sur le plan pratique, et de manière générique, le RPA permet de repousser les limites de l’automatisation des processus opérationnels tout en minimisant le risque d’erreur humaine, de recentrer le salarié sur des tâches complexes et à haute valeur ajoutée, de booster la vélocité de l’exécution des opérations et d’interfacer ces processus à l’analyse de données.

Le RPA dans les banques : un engouement amorcé en 2015 et qui s’accélère

Le déploiement du RPA dans le secteur bancaire s’est amorcé en 2015 autour des opportunités d‘application pour les métiers de la banque et déboucha sur le début d’une course à l’innovation frénétique lancée en 2015 et 2016.

De nombreuses banques se sont lancées dans le déploiement de grandes fermes de bots, afin de faire opérer toutes sortes de processus en se projetant d’emblée dans la promesse de résultats financiers spectaculaires et immédiats et sur l’explosion attendue du marché durant les prochaines années.


Lire aussi : La banque du futur : le quotidien en ligne, le conseil en agence

De nombreux POCs ont alors été lancés sur différents métiers et différentes fonctions. Les enseignements tirés de cette phase test ont permis de consolider les business cases ainsi acquis, de traiter les différents points de blocage liés à la confidentialité de données, à la sécurité, à l’infrastructure ou encore à la réglementation, de se fixer sur les choix d’éditeurs et de définir le target operating model. Des déploiements à grande échelle ont déjà eu lieu outre-Atlantique, à l’instar de celui réalisé chez AT&T par KPMG aux Etats-Unis, et ont contribué – eux aussi – au socle d’expérience et de connaissance nécessaire à un déploiement plus global et plus massif en France, prévu pour 2018 et les années à venir.

Un succès indéniable… mais en dessous des prévisions.

Il est aujourd’hui possible d’établir plusieurs enseignements des premiers retours d’expérience et business cases. L’une des certitudes largement acquises est que le RPA fonctionne et apporte de la valeur pour les banques. Deux grands éditeurs s’affrontent aujourd’hui sur le marché et sont chacun en mesure de le déployer à grande échelle; à la marge d’autres éditeurs offrent des business cases avantageux pour des volumes moins importants. Mais d’autres éléments viennent modérer ce constat.

Tout d’abord, les établissements bancaires ont sous-évalué l’importance des ressources nécessaires à l’implémentation des fermes de robots, tout comme la complexité inhérente à des projets d’une telle envergure.

En outre, la technologie a été perçue – sans doute trop rapidement – comme accessible à tous et que sa diffusion et sa maîtrise se ferait facilement. Or, les salariés manquent aujourd’hui de formation sur les outils et une expertise externe reste nécessaire pour une meilleure appropriation.

Cette sous-performance relative – puisque les résultats sont malgré tout là – trouve également sa source dans une centralisation trop poussée et un certain conservatisme des organisations – posant de réels problèmes d’arbitrage des projets – tout autant que dans une délocalisation de la gestion et du développement des programmes dans les centres de service partagés. Il est à noter que les engagements sociaux des entreprises constituent eux aussi un frein à la diffusion de cette nouvelle efficacité, et ralentissent une adoption plus forte du RPA.

Les fonctions Finance et Conformité, RH, Achats sont celles qui proposent à l’heure actuelle les business cases les plus intéressants au sein des établissements bancaires, d’autres fonctions de l’entreprise trouvant pour l’instant peu de terrain pour une automatisation de ce type. Les business cases sur des processus très fragmentés n’apportent en outre pas toutes les économies escomptées, et à ce titre, 70% des économies réalisées tiennent davantage à l’optimisation réalisée sur les processus en tant que tels que sur leur robotisation. A l’arrivée, les pourcentages d’automatisation n’ont donc pas toujours été atteints.

Il ressort en outre que l’implémentation à grande échelle du RPA n’est pas et ne peux pas être qu’un sujet purement technique et logiciel. Les entreprises du secteur bancaire ont aujourd’hui besoin d’être accompagnées, devant composer avec des réalités humaines que la technologie ne peut gérer seule.

Mais les promesses du RPA vont aujourd’hui plus loin.

L’intelligent Automation : un nouvel horizon très prometteur

Ce succès du RPA ouvre en effet aujourd’hui la voie à un nouvel horizon d’opportunités basées sur une rencontre entre Intelligence Artificielle et RPA et à des usages plus élaborées et plus complexes.

Alors que l’automatisation est capable de rationaliser des processus métiers répétitifs et basés sur des règles, les solutions qui la portent sont, elles, incapables de gérer seules les exceptions ou de prendre des décisions en dehors de la façon dont elles ont été programmées. De l’autre côté, l’IA peut être utilisée pour appréhender des tâches nécessitant des prises de décision et des analyses plus complexes, telles que par exemple le traitement du langage naturel (NLP).


Lire aussi : Legaltech : l’intelligence artificielle libère les cerveaux des juristes et avocats

L’intelligence artificielle permet d’envisager et d’écrire un usage où ce n’est plus le responsable IT qui paramètre l’arbre de décision, mais bel et bien l’algorithme en tant que tel. Le robot optimise ses processus par l’apprentissage de type « machine learning » inculqué par l’utilisateur. Le RPA continue de récupérer la donnée et crypter l’arbre, mais les résultats sont directement inséminés dans l’algorithme chargé de l’opération et dont l’efficacité se bonifiera au fil de la réitération du processus.

Cette convergence prometteuse « d’intelligent automation » a accéléré les initiatives et les projets pilotes visant à déployer le RPA à grande échelle au sein des établissements bancaires.

L’intelligent Automation : les conditions du succès

Les chances de réussite de ces projets d’un nouveau genre repose sur une intégration plus forte de compétences diversifiées, à l’instar des data scientists, des programmeurs R et Python ou des architectes de donnée. L’IT et le corps de data scientists mobilisés doivent également apprendre à travailler ensemble et non en silos, afin de permettre une meilleure intégration de l’IA dans le processus d’automatisation.

Les projets initiés doivent également cultiver l’obsession de la donnée de qualité. De fait beaucoup de POC d’intelligence artificielle restent aujourd’hui dans leurs cartons car ils se révèlent peu adaptable à l’environnement opérationnel. La viabilité d’un processus robotisé ne tient et ne tiendra toujours qu’à sa réalisation opérationnelle, et non aux promesses apparentes qu’il pourrait formuler dans sa phase de test and learn, condition que seules des données fiables et précises sont en mesure de garantir.

Enfin, certains business cases permettent d’ores et déjà d’évaluer des opportunités de développement de machine learning et d’intelligence artificielle. De fait l’intégration des technologies les plus poussées, à l’instar de l’OCR (reconnaissance optique des caractères) et du NLP (natural language processing), dans les projets à venir permettra d’obtenir à terme des résultats encore plus intéressants, couvrant des process dans leur plus grande globalité.

 Crédit Illustration : Hannes Dreyer – CG Society 

A lire aussi

La communauté des leaders de l'innovation

Innovating in good company

Rejoignez-nous