Le secteur des services financiers investit massivement dans l'IA de nouvelle génération, passant de 35 milliards de dollars en 2023 à 97 milliards de dollars prévus d'ici 2027, les dépenses annuelles d'infrastructure étant en voie d'atteindre 400 milliards de dollars d'ici 2030. Toutes les grandes banques, compagnies d'assurance et sociétés de gestion d'actifs ont une stratégie en matière d'IA, et la plupart ont des dizaines de projets pilotes en cours.
Et pourtant, la plupart de ces projets pilotes sont bloqués. Non pas parce que les modèles sont mauvais, mais parce que l'infrastructure de données sous-jacente ne peut pas suivre le rythme.
Le véritable goulot d'étranglement
Le Forum économique mondial Elle l'a clairement identifié dans son Plan d'action IA 2026 : la deuxième priorité d'investissement pour les institutions financières est "Données fondamentales et capacités techniques." Ils constatent que les entreprises sont «Prioriser les plateformes de données de niveau entreprise, investir dans des architectures de données modernes qui prennent en charge l'ingestion en temps réel, les données non structurées à grande échelle et l'accès contrôlé pour les modèles et agents d'IA.»
C'est une façon polie de dire que l'IA ne peut pas apporter de valeur ajoutée à l'entreprise si elle ne peut pas accéder à vos données.
Les institutions financières possèdent certains des plus riches patrimoines de données au monde, comprenant des décennies de documents réglementaires, d'historiques de transactions, d'archives de recherche, d'historiques d'interactions clients, d'enregistrements d'appels, de documents de conformité et de données de marché remontant à plusieurs années. Tout est là, mais le problème est que ces données sont fragmentées et réparties dans des dizaines de silos de stockage, inaccessibles aux charges de travail d'IA sans des semaines de préparation et de réplication.
75 % des projets informatiques n'atteignent pas leurs objectifs, et le taux d'échec des projets d'IA est encore plus élevé. Le scénario est toujours le même : le modèle fonctionne en laboratoire, puis, une fois en production, il se retrouve dans l'incapacité d'accéder aux données nécessaires, là où il en a besoin et au moment où il en a besoin.
Les deux faces d'une même pièce
Dans le secteur des services financiers, chaque cas d'utilisation de l'IA de nouvelle génération se résume à deux choses : faire en sorte que le corpus de données soit utile à l'institution et que l'IA soit utile au client.
Il ne s'agit pas de problèmes distincts, mais des deux faces d'une même pièce. Une couche de données bien conçue garantit les résultats escomptés en matière d'IA. Dans le cas contraire, les milliards dépensés ne déboucheront que sur des projets pilotes fragmentés, au lieu d'une véritable transformation de l'entreprise.
L'aspect données : l'intelligence d'entreprise
Réfléchissez aux véritables besoins des institutions financières en matière d'IA pour leurs opérations internes. Les équipes de conformité consacrent plus de 60 % de leur temps à la simple recherche et à la synthèse d'informations. Deutsche Bank construit « Aggie » avec Kodex AI Pour gérer la synthèse de textes réglementaires et réduire le délai de traitement de plusieurs heures à quelques minutes, d'autres institutions ont considérablement diminué le temps de génération des rapports d'activités suspectes grâce à l'intelligence artificielle générale (GenAI) basée sur le cloud. Il ne s'agit pas d'expérimentations, mais de systèmes de production qui produisent des résultats concrets.
La modélisation des risques englobe la détection des fraudes, la notation de crédit, l'analyse climatique et ESG, ainsi que la tarification, et toutes ces disciplines nécessitent un réentraînement continu sur des ensembles de données non structurées massifs. Capital One et JPMorgan ont signalé des réductions significatives des faux positifs et une amélioration des taux de détection grâce aux systèmes de détection de fraude basés sur GenAI (FMI), tandis que les principaux assureurs européens ont déployé des dizaines d'applications d'IA qui traitent des millions d'appels API chaque mois.
Les recherches confirment cette même réalité. Morgan Stanley utilise OpenAI pour offrir aux conseillers financiers un accès instantané à des informations sur les entreprises, les secteurs et les classes d'actifs, issues de ses données propriétaires. D'autres grandes banques ont fait état d'une multiplication par dix de leur efficacité en matière de prospection. Robin des Bois a construit Cortex Fournir des informations de marché de qualité professionnelle sur Amazon Bedrock.
Tous les cas d'utilisation sont différents, mais ils ont tous la même dépendance : ils ont besoin que les bonnes données non structurées soient livrées à la bonne machine de calcul au bon moment.
Voici une statistique préoccupante : le taux d’utilisation moyen des GPU en entreprise n’est que de 5 %. Avant même de pouvoir lancer des applications d’IA, les organisations doivent souvent trouver de la capacité GPU, la réserver et migrer leurs données vers les serveurs où ces GPU sont disponibles. Le problème ne se limite pas à la disponibilité des GPU. La gravité des données les maintient ancrées à des emplacements spécifiques, tandis que le stockage fragmenté oblige les équipes à répliquer et à préparer les ensembles de données avant de pouvoir démarrer les charges de travail d’IA. Il en résulte une complexité opérationnelle accrue, des initiatives d’IA plus lentes et des coûts d’infrastructure plus élevés. Il n’est donc pas surprenant que 43 % des organisations fassent état d’une augmentation de leurs dépenses d’infrastructure d’IA, l’infrastructure d’IA agentielle enregistrant la plus forte hausse (56 %).
La solution consiste en une couche de données unifiée et performante qui centralise toutes les charges de travail d'IA dans un espace de noms unique. Elle regroupe les archives de conformité, les données KYC (Know Your Customer), les corpus de recherche, les données de marché, les transcriptions et les analyses propriétaires dans un emplacement unique et accessible, sans fragmentation, réplication entre équipes ni phase de transit. Un débit soutenu alimente les GPU en continu, permettant ainsi le réentraînement selon le planning de l'équipe, et non celui de l'infrastructure.
Lorsque la couche de données fonctionne correctement, les analystes de conformité passent de la récupération à l'investigation, les data scientists passent de l'attente à l'itération, les équipes de recherche passent de la manipulation des données à l'analyse du marché, et l'acquisition de GPU devient une décision de planification plutôt qu'un projet de migration de données.
L'aspect expérience : l'engagement client
Les attentes des clients ont durablement évolué. 71 % des utilisateurs de services bancaires dans le monde souhaitent un assistant IA intégré à leur application bancaire, et 82 % veulent approuver les actions des agents avant leur exécution. L'écart entre les attentes des clients et les services proposés par les institutions se creuse chaque trimestre.
Certaines banques sont déjà présentes. ABN AMRO L'entreprise gère plus de 2 millions de conversations textuelles et 1.5 million de conversations vocales par an grâce à des agents IA, dont plus de 50 % sont entièrement automatisées. D'autres grandes banques ont constaté une nette amélioration de l'engagement client et des demandes d'épargne grâce à la personnalisation pilotée par l'IA, tandis que le temps de collecte des données dans les centres d'appels a considérablement diminué dans tout le secteur.
Mais le défi ne réside pas dans la création de l'agent IA. Il s'agit de lui fournir l'accès à toutes les informations nécessaires pour résoudre une requête en temps réel, notamment les enregistrements d'appels, les transcriptions de conversations, les documents de compte, les courriels, l'historique des transactions, les interactions précédentes, les produits en stock et les dossiers de réclamation.
Le stockage fragmenté signifie que les agents n'obtiennent qu'un contexte partiel ; un contexte partiel signifie une intervention humaine, et cette intervention signifie que le taux d'automatisation de 50 % chute à un chiffre.
Les banques multinationales sont confrontées à une complexité accrue : les données clients doivent rester souveraines dans chaque juridiction, tandis que les services d’IA exigent un accès unifié à l’échelle internationale, conformément au RGPD en Europe, à la DORA pour la résilience opérationnelle, à la norme PCI-DSS pour les paiements et aux lois locales sur la résidence des données. Les architectures de stockage traditionnelles ne peuvent satisfaire ces exigences sans répliquer les données dans des silos distincts par région, ce qui compromet la vision unifiée dont l’agent d’IA a besoin pour assister efficacement le client.
La réponse est la même que pour le cas d'utilisation du corpus : une seule couche de données, souveraine par juridiction, accessible en temps réel depuis n'importe quel service d'IA dans n'importe quelle zone géographique, avec des historiques clients complets disponibles pour les agents sans préconfiguration, sans réplication entre les canaux et sans compromis sur la conformité.
Lorsque ce système fonctionne, ce sont les agents qui résolvent les demandes au lieu que des humains trient les files d'attente, et les institutions offrent l'expérience personnalisée et instantanée que les clients exigent, tout en maintenant une conformité réglementaire totale dans toutes les juridictions où elles opèrent.
Le fil conducteur
Dans le secteur financier, chaque cas d'usage de l'IA de génération repose sur l'obtention de données non structurées, traitées au bon moment, au bon endroit et sous une gouvernance appropriée. Le modèle n'est jamais le facteur limitant, mais l'infrastructure de données.
C’est là que Qumulo change la donne.
Qumulo propose une plateforme de données unifiée couvrant les environnements sur site, en périphérie et dans le cloud, offrant aux applications d'IA un accès contrôlé aux données non structurées via un espace de noms global unique. Cloud Data Fabric élimine les silos de stockage fragmentés, tandis que Cloud Native Qumulo étend les services de fichiers d'entreprise au cloud avec l'évolutivité et les performances requises par l'IA.
Côté données, Qumulo CloudBridging et GPU Liquidity permettent aux institutions d'exposer rapidement leurs données d'entreprise à la capacité GPU disponible dans le cloud, sans créer de copies supplémentaires ni entreprendre de projets de migration à grande échelle. Cloud Data Fabric assure une vue unifiée des données distribuées, tandis que NeuralCache maintient les jeux de données actifs à proximité des serveurs de calcul, accélérant ainsi l'entraînement et l'inférence des modèles et aidant les organisations à optimiser l'utilisation de leurs ressources GPU.
Côté relation client, cette même plateforme offre aux agents IA un accès sécurisé et en temps réel au contexte client complet, tous canaux et juridictions confondus, sans duplication des données dans des silos régionaux. Les institutions financières peuvent ainsi proposer des expériences personnalisées tout en préservant la souveraineté de leurs données, leur conformité réglementaire et une vision opérationnelle unifiée de leurs données d'entreprise.
La sécurité est au cœur de tout cela. NeuralProtect protège les données dès leur écriture, renforçant ainsi la cybersécurité et garantissant l'intégrité des données dont dépend l'IA. Il en résulte une plateforme unique permettant aux institutions financières de déployer l'IA en toute confiance, aussi bien pour leurs opérations internes que pour leurs interactions avec les clients.
Les institutions qui réussiront cette transition ne se contenteront pas de déployer l'IA, mais la déploieront à grande échelle, dans tous leurs secteurs d'activité, partout dans le monde et sur tous les clouds. Celles qui échoueront continueront de mener des projets pilotes qui ne seront jamais mis en production.
D’ici 2027, 97 milliards de dollars seront investis dans l’IA financière. La question n’est pas de savoir si votre institution dépensera cet argent, mais si vous disposerez de l’infrastructure de données nécessaire pour en tirer pleinement parti.
Tom Tasker est architecte principal de solutions cloud chez Qumulo, spécialisé dans la protection des données cloud et la résilience aux ransomwares pour les services financiers et les secteurs réglementés en Europe, au Moyen-Orient, en Afrique et en Asie-Pacifique. Il est co-auteur de l'article de blog sur le stockage AWS. Résilience par la conception : Élaborer une stratégie de récupération efficace après une attaque de ransomware et des cours à l'université de Loughborough sur l'architecture moderne des données.