Les institutions financières ont montré qu’elles pouvaient expérimenter avec l’intelligence artificielle. Elles sont capables de tester, de valider et de démontrer sa valeur dans des environnements contrôlés. Le véritable défi commence lorsqu’un projet pilote réussi doit devenir un système de production capable de fonctionner avec davantage de données, d’utilisateurs, de processus et d’unités opérationnelles.
Lorsque les organisations passent d’un projet pilote à un déploiement plus vaste, l’environnement change. Les projets pilotes s’appuient généralement sur des données sélectionnées, des intégrations spécifiques et un petit groupe d’utilisateurs. À l’échelle de l’entreprise, ces protections disparaissent. Les modèles doivent désormais gérer des systèmes fragmentés, respecter les règles de gouvernance, satisfaire aux normes de sécurité, rester dans les limites budgétaires et s’intégrer à des processus métier qui n’ont pas été conçus pour l’IA.
Teradata, fournisseur de plateformes d’analyse et de données pour les entreprises, décrit cette situation comme l’écart entre démontrer que l’IA peut fonctionner et créer un environnement dans lequel elle peut être utilisée de manière fiable et à grande échelle.
Pour les banques, les assureurs et les autres institutions financières, les exigences de gouvernance, de données, d’infrastructure, de sécurité et de supervision qui apparaissent à grande échelle ne sont pas de simples obstacles à l’adoption. Ce sont des capacités que les institutions doivent renforcer pour transformer les expérimentations réussies en systèmes de production durables.
Cinq domaines clés doivent retenir l’attention : la gouvernance et les exigences réglementaires, les données et l’architecture, la gestion des coûts et des ressources de calcul, la sécurité et l’auditabilité, ainsi que la supervision humaine.
Ce qui change après le projet pilote
Le passage de l’IA en production introduit de nouvelles exigences auxquelles les expérimentations contrôlées ne sont pas toujours confrontées.
Projet pilote d’IA | Déploiement à l’échelle de l’entreprise |
| Périmètre et nombre d’utilisateurs limités | Utilisation plus large au sein des équipes et des processus |
| Jeux de données préparés | Données issues des systèmes informatiques existants de l’entreprise |
| Intégrations définies | Connexions à l’ensemble de l’infrastructure existante |
| Coûts de test à court terme | Coûts d’exploitation récurrents |
| Contrôles conçus autour d’un seul cas d’usage | Contrôles opérants dans plusieurs déploiements |
- La gouvernance doit dépasser le cadre du projet pilote
- L’IA en production révèle les faiblesses de la base de données
- L’économie de l’IA évolue à l’échelle de l’entreprise
- La sécurité et l’auditabilité doivent être intégrées à l’environnement
- La supervision humaine doit faire partie de la conception
- Transformer la réussite de l’IA en processus reproductible
La gouvernance doit dépasser le cadre du projet pilote
Un petit projet d’IA peut souvent fonctionner dans le cadre d’un processus d’approbation limité, mais l’IA à l’échelle de l’entreprise soulève un ensemble plus vaste de questions de gouvernance. Les institutions doivent déterminer quelles données un modèle peut utiliser, qui
est responsable de ses résultats, comment les changements sont examinés et quelle documentation doit être disponible pour les autorités de réglementation ou les auditeurs.
La gouvernance est plus efficace lorsque les institutions mettent en place un cadre cohérent pour les approbations, la documentation et la responsabilité, applicable à plusieurs cas d’usage. Cette base doit être établie avant que les organisations ne se développent rapidement. Aller trop vite peut donner une impression de progrès, mais les lacunes non résolues en matière de gouvernance ont tendance à refaire surface plus tard, lorsque davantage de systèmes et de processus métier dépendent de la technologie.
L’IA en production révèle les faiblesses de la base de données
Les projets pilotes d’IA s’appuient souvent sur des jeux de données soigneusement préparés, tandis que les systèmes de production doivent fonctionner avec des données réparties entre les systèmes centraux, les plateformes cloud, les applications des différents services et les infrastructures historiques. Les équipes peuvent contourner ces lacunes dans le cadre d’une preuve de concept, mais le faire pour chaque nouveau cas d’usage ajoute des pipelines, des copies de données et des opérations de rapprochement.
Le passage à l’échelle de l’IA dépend de l’existence d’une base de données commune offrant un accès fiable à des informations de confiance, avec des contrôles appropriés. Les institutions peuvent s’appuyer sur leur environnement de données actuel et leurs processus de gouvernance afin que chaque nouveau déploiement nécessite moins de préparation. Les progrès dépendent alors de la fréquence à laquelle les cas d’usage réussis peuvent passer en production.
L’économie de l’IA évolue à l’échelle de l’entreprise
Une preuve de concept peut tolérer des coûts plus élevés pendant que les équipes vérifient si un cas d’usage génère de la valeur. À l’échelle de l’entreprise, les dirigeants doivent comprendre combien coûte l’exécution de chaque charge de travail et si elle produit suffisamment de valeur métier pour justifier cet investissement.
Les décisions relatives aux ressources de calcul deviennent également plus complexes à mesure que l’IA passe en production. Les institutions peuvent devoir trouver un équilibre entre les performances, les coûts, la localisation des données, la sécurité et les exigences des charges de travail dans différents environnements d’infrastructure. Prendre ces décisions dans le cadre d’une méthode reproductible peut éviter que chaque nouveau cas d’usage de l’IA ne se transforme en exercice d’infrastructure distinct.
La gestion des coûts doit être au cœur des opérations d’IA. Teradata estime qu’une fois que les organisations ont industrialisé leur environnement d’IA, les coûts et les efforts nécessaires au passage à l’échelle peuvent se stabiliser. Il devient alors plus facile d’évaluer les nouveaux déploiements sur la base d’un socle opérationnel et économique plus cohérent.
La sécurité et l’auditabilité doivent être intégrées à l’environnement
Les institutions financières appliquent déjà des exigences strictes en matière de sécurité et de risques. L’IA soulève de nouvelles questions concernant les personnes autorisées à accéder aux systèmes et aux données, ainsi que la manière dont les activités peuvent être retracées et examinées. Il est plus difficile d’y répondre lorsque les équipes d’IA travaillent avec des outils et des processus distincts.
Un environnement de production doit disposer de contrôles de sécurité cohérents et d’un historique fiable de l’activité des systèmes d’IA. À mesure que ces systèmes gagnent en autonomie, les institutions doivent également définir clairement ce qu’ils sont autorisés à faire et disposer d’un moyen d’examiner leurs actions.
La supervision humaine doit faire partie de la conception
Le passage à l’échelle de l’IA nécessite des règles claires déterminant quand un système peut agir de manière autonome et quand un humain doit examiner ses actions. Ces seuils doivent refléter le risque associé au cas d’usage et établir clairement les responsabilités.
Un système qui résume un document interne ne justifie peut-être pas le même niveau de supervision qu’un système influençant les décisions en matière de crédit, de fraude, d’assurance ou de relation client. Les institutions peuvent ajuster le niveau d’examen humain en fonction des conséquences potentielles des actions d’un système.
Transformer la réussite de l’IA en processus reproductible
Pris ensemble, ces domaines déterminent ce qui se passe après la réussite d’un projet pilote d’IA. Une gouvernance, une infrastructure, une sécurité et une supervision renforcées fournissent aux institutions financières une base qu’elles peuvent
réutiliser à mesure que de nouveaux cas d’usage passent en production. Le véritable test de la maturité d’une organisation en matière d’IA consiste à savoir si elle peut reproduire ce processus sans reconstruire la base à chaque fois.
Teradata décrit ce qui se produit lorsque cette base prend du retard. Un projet pilote réussi donne lieu à plusieurs autres initiatives, mais l’environnement qui les prend en charge n’est pas prêt à évoluer au même rythme. Les équipes finissent par consacrer davantage de temps à la maintenance des déploiements existants, ce qui rend chaque nouveau déploiement plus difficile à prendre en charge.
Ce schéma dépasse le secteur des services financiers. Le rapport de Teradata Arrested Automation: Why Agentic AI Stalls at the Enterprise Level s’appuie sur une étude de Wakefield Research menée auprès de 1 000 dirigeants technologiques du monde entier et consacrée au passage des projets pilotes d’IA agentique à la production. Ses conclusions soulignent l’importance de bâtir une base opérationnelle capable de soutenir l’IA à grande échelle.
Pour les institutions financières, les progrès reposent sur la reproductibilité. Chaque expérimentation réussie devrait être plus facile à mettre en production, car la base nécessaire pour la prendre en charge est déjà en place.
Pour mieux comprendre ce qui freine l’IA agentique à l’échelle de l’entreprise, téléchargez le rapport de Teradata intitulé Arrested Automation: Why Agentic AI Stalls at the Enterprise Level.