Les questions sur l'AI, la gouvernance, les données et les coûts qui méritent d'être posées au Sibos à Miami.
par Junta Nakai, Erin Butler, Roshni Joshi, Antoine Amend, Jennifer Miller, Andrea DeSosa, Rajaram Suresh, Kim Hatton, Naeem Rehman, Spencer Cook, Ed Bullen et Felix Mutzl
L'année dernière au Sibos de Francfort, la question était de savoir si l'AI fonctionnait. Cette année : votre AI peut-elle gagner votre confiance ?
Les données confirment cette tendance. Dans l'enquête 2026 de Grant Thornton sur l'impact de l'AI dans le secteur bancaire (Banking Insights AI Impact Survey), la moitié des dirigeants de banques ont déclaré que la gouvernance et la conformité limitaient déjà les performances de l'AI, tandis que seulement 18 % se disaient confiants dans leur capacité à réussir un audit indépendant de leurs contrôles d'AI. Notre propre étude menée avec Economist Enterprise, le rapport 2026 Making AI Deliver, a révélé un écart similaire pour l'AI agentique spécifiquement : moins de la moitié des organisations imposent formellement un cadre de gouvernance pour les systèmes autonomes.
Voici les cinq questions que nous entendons le plus souvent de la part des directeurs financiers (CFO), des responsables de la conformité, des trésoriers et des chargés de relation client. Elles méritent d'être posées, que vous vous rendiez ou non à Sibos cette année.
« Quelle est notre situation de liquidité réelle en ce moment même, pour chaque entité et chaque devise ? » C'est la question qu'un trésorier se pose tous les jours. Et c'est celle à laquelle l'AI devrait enfin répondre, sans nécessiter un sprint de trois jours sur des feuilles de calcul.
Demander à un modèle de résumer un rapport est simple. Le plus difficile est d'intégrer des données gouvernées et l'AI dans les décisions que les équipes financières prennent chaque jour concernant le bilan, la liquidité, les dépenses et les opérations. L'objectif est d'aider les équipes à détecter les changements, à en analyser les causes et à faire bien plus que simplement automatiser le cycle de reporting.
Sur le stand Databricks (#DISL25) au Sibos de Miami, nous présenterons une conférence intitulée Trapped Capital, Released by AI: Reconciliation Your Regulator Can Audit. Elle montre comment identifier les ruptures de données GL-to-Risk qui gonflent silencieusement les actifs pondérés par les risques, comment les analyser à l'aide de preuves tangibles et comment libérer le capital réglementaire bloqué, le tout sous le contrôle d'un vérificateur humain (maker-checker) et avec une piste d'audit qu'un contrôleur peut réellement suivre.
Nous examinerons également ce qui se passe après le transfert de fonds. Les systèmes de règlement tokenisés résolvent une partie du problème, mais le rapprochement, les contrôles liés à la criminalité financière et la gestion de la liquidité intrajournalière doivent toujours s'effectuer hors chaîne. Notre présentation rapide (lightning talk), Tokenization Moved the Money. It Didn't Move the Hard Part, détaillera le modèle opérationnel permettant de maintenir un alignement continu entre les positions de jetons, les sous-livres de dépôts et les comptes de financement. De plus, vous découvrirez en direct un plan de contrôle pour le rapprochement des dépôts tokenisés.
« Cette alerte représente-t-elle un risque réel ou s'agit-il d'un faux positif ? » C'est la question qu'un analyste AML se pose des dizaines de fois par jour, et c'est ce qui distingue une AI véritablement utile d'une AI qui ne fait qu'ajouter un système supplémentaire auquel personne ne fait confiance.
L'AI peut analyser des dossiers, faire le lien avec le contexte et appuyer les décisions des analystes. Mais chaque recommandation doit avoir une source traçable : quelles données l'ont alimentée, ce qu'elle a recommandé, si une personne a vérifié le résultat et si l'institution peut reconstituer l'enquête pour un audit ou un contrôle réglementaire. La gouvernance ne peut pas se limiter à un document de politique générale. Elle doit être intégrée directement dans les données, les contrôles d'accès et le flux de travail lui-même.
Nous en ferons une démonstration en direct sur notre stand : un agent traitant de réelles alertes AML sur le lakehouse de la banque, en ne voyant que ce que l'analyste est autorisé à voir. Il rédige le rapport d'activité suspecte (SAR) et laisse la soumission à un humain, chaque étape étant enregistrée et associée aux preuves de connaissance du client (KYC)/AML ainsi qu'au modèle exécuté. C'est ce même sujet que nous aborderons lors de notre session sur la scène Discover, How financial institutions are governing AI in financial crime operations, le jeudi 1er octobre à 11 h 00, démontrant ce que l'AI a réellement fait, et pas seulement ce qu'elle est capable de faire.
« De quoi ce client a-t-il réellement besoin de notre part en ce moment ? » Tout chargé de relation client se pose cette question sous une forme ou une autre avant un appel, et la réponse honnête dépend généralement de données dispersées dans trois systèmes différents et d'un dossier de recherche qu'il n'a pas eu le temps de lire.
RBC Brewin Dolphin utilise l'AI générative pour automatiser la préparation des dossiers de réunion de suivi client, ce qui permet d'économiser environ 4 700 heures par an. D'autres entreprises vont encore plus loin. Chez un gestionnaire d'actifs mondial, des flux de travail multi-agents génèrent des commentaires sur les investissements pour des centaines de fonds, élargissant ainsi la couverture des conseillers tout en maintenant la conformité informée. Chez un autre, des agents combinent l'évaluation exclusive des fonds avec des documents internes pour produire en quelques secondes des analyses de portefeuille prêtes pour l'audit, faisant ainsi ressortir des opportunités qu'une équipe n'aurait pas eu le temps d'identifier seule.
L'objectif n'est pas d'écarter l'humain des décisions à forte valeur ajoutée. Il s'agit de réduire la charge de travail liée à ces décisions afin de consacrer plus de temps à l'analyse et à la relation elle-même.
« Pourquoi venons-nous de refuser une transaction légitime ? » C'est la question que se pose un responsable de la banque transactionnelle lorsque les décisions de risque reposent sur des données datant de plusieurs minutes et non de quelques millisecondes.
La plupart des institutions disposent déjà des données. Elles sont simplement réparties entre plusieurs systèmes, retardées par des processus par lots (batch) ou difficiles à utiliser de manière gouvernée. Coinbase exécute une détection des fraudes en temps réel sur Databricks avec une latence P99 inférieure à 100 ms, une référence utile de ce que le « temps réel » doit réellement signifier.
L'aspect économique de l'AI semble gérable lors d'un projet pilote, mais s'avère très différent en production. Lors d'un récent briefing Bloomberg CFO, un CFO a qualifié le coût des jetons d'AI de « dérisoire » pour le premier semestre 2026, tout en soulignant que chaque tâche ne nécessite pas le modèle le plus coûteux. Cela ne restera pas dérisoire bien longtemps, dans cette banque comme ailleurs. La maîtrise des coûts doit commencer avant que les dépenses ne deviennent difficiles à suivre, et non après.
Pour découvrir comment les équipes d'ingénierie résolvent déjà ce problème, consultez l'article de blog de Databricks, Managing AI Coding Costs at Scale, qui détaille les leviers, de l'aiguillage des modèles à la visibilité des dépenses, permettant d'éviter que les coûts de l'AI ne dépassent la valeur qu'elle génère.
Si ce sont les discussions que votre équipe a déjà en interne, nous aimerions beaucoup les poursuivre en personne. Databricks sera présent à Miami pour le Sibos 2026, du 28 septembre au 1er octobre. Envoyez un e-mail à sibos@databricks.com ou visitez notre page d'événement pour consulter l'agenda complet et planifier un rendez-vous.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.