Published in: Actualités

Comment l’IA s’impose dans le Post-Trade ?

Dans un environnement en constante mutation et face aux prochaines évolutions réglementaires des activités de marché financier, l’optimisation des processus, l’adaptation des organisations, la gestion des risques, la préservation de la rentabilité ainsi que la transition numérique restent des défis majeurs pour l’ensemble de l’écosystème des marchés financiers, et en particulier pour le Post-Trade.

Au quotidien, les différents acteurs de la chaîne (Banques de Financement et d’Investissement (BFI), Infrastructures de marché, Conservateurs, Sociétés de gestion…) sont confrontés à des enjeux de taille dans des domaines comme les processus opérationnels dont la sophistication ne cesse de croître, la relation client avec des exigences accrues de ces derniers, et la lutte contre la fraude où la variété, la rapidité et la volumétrie des transactions complexifient le travail d’analyse.

Si divers outils ont permis de relever les challenges passés, l’intégration de l’intelligence artificielle (IA) peut offrir des solutions efficaces à ces nouveaux défis, à l’image de son impact sur d’autres activités des services financiers, activités dont elle a profondément transformé les opérations, la gestion des risques ou bien l’expérience client. Cela a été rendu possible grâce à sa capacité à s’adapter à des volumes croissants de transactions, à intégrer de nouveaux types de données, et à maintenir un suivi détaillé de toutes les opérations, facilitant ainsi les audits et le respect des réglementations.

Dans le secteur financier, on peut noter que les types d’IA les plus répandus sont le Machine Learning (ML), le Natural Language Processing (NLP), et depuis peu les Large Language Models (LLM) ou IA Générative, qui ont favorisé des avancées telles que la génération automatisée de rapports, la conception de modèles prédictifs plus sophistiqués et la création ou la revue des contrats.

Qu’en est-il des applications de l’IA dans le Post-Trade ? Quels cas d’usages ont déjà été implémentés ? Quelles sont les pistes de développement à explorer ? Et quelles sont les implications pour les acteurs de cet écosystème ?

Quelles applications concrètes offre aujourd’hui l’IA dans le Post-Trade ?

Si l’exploitation des données et le recours aux modèles algorithmiques avancés ont toujours été au cœur des processus des acteurs du Capital Market pour les activités de trading ou de gestion d’actif, ces dernières années ont vu émerger des applications de l’IA sur l’ensemble de la chaîne, et plus particulièrement sur le Post-Trade. Ces innovations visaient entre autres à améliorer la gestion de la relation client, automatiser les tâches manuelles à risque élevé, faciliter la détection des fraudes ou des abus de marchés… comme en témoignent les cas d’usages concrets déjà déployés par les grandes banques de la Place :

Zoom sur quelques cas d’usages de l’IA appliquée aux processus Post-Trade :

Gestion du collatéral : Afin d’optimiser la gestion du collatéral sur l’ensemble des expositions à couvrir (en Banque centrale, avec les Chambres de compensation, en Bilatéral, et en Tripartite) tout en maximisant l’utilisation du portefeuille de titres, les BFI et les agents tripartites ont développé des solutions s’appuyant sur le Machine Learning et les analytics avancées, permettant de générer des prescriptions sur les meilleurs actifs à livrer en collatéral en face de chaque besoin, d’automatiser les allocations, et d’exploiter les données historiques afin d’anticiper les futures transactions et exigences en collatéral.

Règlement / Livraison : Pour anticiper et prévenir les fails sur le Règlement / Livraison dans le cadre de la mise en œuvre de la réglementation CSDR, BFI et Conservateurs ont déployés des solutions exploitant le Machine Learning pour identifier les anomalies potentielles en s’appuyant sur l’historique des transactions passées, afin d’intervenir avant la constatation du suspens ; et sur des analytics avancées pour évaluer l’efficacité du Règlement / Livraison, les origines des fails et ainsi faire évoluer leurs processus opérationnels.

Relation clients (support et copilot) : Bien que déjà pris en charge par des versions basiques d’assistants virtuels, le support client a considérablement évolué grâce aux agents conversationnels avancés basés sur l’IA générative, capable de personnaliser leurs réponses en fonction des clients et d’aborder des sujets métiers pointus en accédant aux données systèmes ou à l’historique des transactions pour affiner la pertinence des informations fournies.

Les premiers retours d’expérience ont confirmé les atouts de l’IA en matière de flexibilité et d’évolutivité, permettant d’optimiser la gestion de processus jusqu’alors jugés particulièrement complexes ou de faciliter la mise en place de nouvelle réglementation. Ils ont également mis en lumière certains prérequis essentiels, tels que la qualité et l’accessibilité des données, l’acculturation des équipes, la disponibilité des compétences, ainsi qu’une organisation en mode Agile. Ces éléments s’avèrent déterminants pour atteindre les objectifs fixés (gains de productivité, réduction des risques…), faciliter le déploiement des futurs cas d’usage et assurer le passage à l’échelle de ces solutions.

L’IA : Quelles pistes à explorer pour transformer le Post-Trade ?

Dans le cadre cette révolution de l’univers Post-Trade, les bénéfices liés à l’application de l’IA, notamment de ses dernières formes comme l’IA Agentique, sont donc nombreux : amélioration de l’efficacité opérationnelle, réduction des erreurs, automatisation de processus complexes.

Ces derniers pourraient ainsi générer des gains substantiels dans des domaines du Post-Trade encore largement manuels :

Réconciliation inter-systèmes : Bien que ce processus soit essentiel pour assurer l’exactitude des opérations financières, de nombreux écarts de rapprochement de données sont observés quotidiennement, résultant notamment de l’hétérogénéité des systèmes (internes et/ou externes) utilisés tout au long de la chaîne Front to Back, en particulier en ce qui concerne le calcul des indices et la valorisation des produits exotiques.
L’apport de l’IA aux solutions traditionnelles de réconciliation peut permettre de résoudre cette problématique en améliorant le rapprochement des données (indépendamment de leurs formats) et l’identification des écarts, la préparation et même l’exécution des actions de résolutions en s’appuyant sur l’IA Agentique.
Le Machine Learning et les analytics prescriptives peuvent quant à eux permettre d’anticiper les anomalies en identifiant les zones à risque et en fournissant des informations détaillées sur les schémas récurrents d’erreurs, les tendances observées, ainsi que des recommandations de correction basées sur l’historique des exceptions détectées et des actions de résolution mises en œuvre.

Automatisation de la saisie des opérations : Les produits financiers non standards, dit structurés ou exotiques, rendent plus complexes pour les traders la saisie des informations dans les systèmes en conformité avec la termsheet associée. Cela conduit à des tâches manuelles chronophages et sujettes aux erreurs.
L’IA peut considérablement simplifier ce processus en automatisant l’extraction des données de la documentation, grâce à des technologies comme la reconnaissance optique de caractères (OCR) et le NLP, offrant la capacité de lire et d’interpréter des documents non structurés pour ensuite alimenter directement les systèmes de booking. En outre, ces solutions facilitent la comparaison des données extraites avec celles saisies par les opérateurs, afin d’identifier et corriger les incohérences, tout en complétant les champs manquants. Résultat : un traitement plus rapide et une réduction significative du risque d’erreurs humaines.
Le déploiement de ces solutions doit s’accompagner de la mise en place de workflows robustes pour gérer les exceptions (dans le cas où l’IA ne pourrait accéder à un document ou traiter certaines données…) nécessitant l’intervention des opérateurs, permettant ainsi à l’IA d’apprendre et d’automatiser progressivement les exécutions futures du processus.

Le déploiement de solutions d’IA : quelles implications pour les acteurs du Post-Trade ?

L’adoption de l’IA par les acteurs du Post-Trade nécessite une révision et une évolution de plusieurs éléments clés afin de maximiser le potentiel de ces solutions et d’éviter l’effet « From dream to reality » observé avec certaines technologies par le passé :

Stratégie d’entreprise : Pour permettre le déploiement de l’IA à travers l’ensemble des métiers, il est essentiel de définir une stratégie globale accompagnée d’une feuille de route qui abordera, entre autres, les choix technologiques (recours à des éditeurs ou partenaires externes, ou développement interne, hébergement des solutions…), la mise en place d’une gouvernance de l’IA intégrant toutes les fonctions (conformité, risque, sécurité…) afin d’assurer le respect des régulations en vigueur (RGPD, AI Act, …) et un déploiement éthique, ainsi que l’acquisition et le développement des compétences nécessaires.

Méthodologie de déploiement : L’adoption d’une approche claire axée sur les besoins métier plutôt que sur les aspects techniques est essentielle pour déterminer dès la phase de cadrage si l’IA est la solution adaptée à un cas d’usage donné (et si oui, sous quelle(s) forme(s)). Il convient ensuite d’itérer rapidement sur la solution afin de favoriser un apprentissage continu et l’identification précoce des échecs. Cela permet également d’éviter l’effet tunnel sans résultats concrets pour les métiers avant plusieurs mois, et d’orienter les capacités vers d’autres cas d’usages en fonction des bénéfices observés
Dans cette démarche incrémentale, une attention particulière doit être accordée à la définition des objectifs et des mesures de réussite pour faciliter la validation des apprentissages par les équipes métier, ainsi que l’identification et la préparation des jeux de données de test et d’apprentissage pour garantir un modèle performant et éviter l’introduction de biais.

Adaptation des modèles opérationnels : Les processus opérationnels utilisant ces solutions d’IA étant par nature évolutifs, il est essentiel d’intégrer la supervision de l’IA aux modèles opérationnels existants et d’adapter les matrices RACI pour inclure de nouvelles parties prenantes, notamment les équipes en charge des modèles. Cette approche permettra d’assurer un suivi efficace du retour d’apprentissage et d’optimiser en continu les modèles déployés.

Evolution du Système d’Information (SI) : Pour exploiter ces solutions efficacement et à l’échelle, garantir un accès rapide, facile et sécurisé aux données est clé, entre autres via « l’APIsation » de l’environnement, qui permet d’améliorer la précision des modèles, la rapidité des solutions (tant en termes de latence que de traitement), et l’optimisation des ressources. Elle contribue également à réduire les défis liés à l’hétérogénéité des sources, résultant de la diversité des systèmes composant les SI des acteurs du Post-Trade.

Data Management & Gouvernance : La qualité des données exploitées par les différentes IA est un enjeu central pour leurs déploiements. Une gouvernance et une gestion des données efficaces doivent ainsi permettre de limiter le travail de préparation et de nettoyage des données lors des phases d’apprentissage et de test, tout en assurant la fiabilité des solutions mises en production.

L’adoption de l’IA dans les processus Post-Trade constitue donc une opportunité stratégique pour les institutions financières. Ces technologies permettent de réduire les erreurs, d’optimiser les flux de travail et de renforcer la conformité, tout en libérant les équipes des tâches répétitives.

Bien que l’implémentation de ces solutions nécessite un investissement initial conséquent (mise à niveau des systèmes et formation du personnel), les bénéfices à long terme sont significatifs : une efficacité accrue, des coûts opérationnels réduits et une amélioration du service client.

Cependant, des défis tels que l’intégration avec des systèmes anciens, la concurrence pour attirer les profils possédant les compétences clés, ainsi que les préoccupations concernant la sécurité des données et l’explicabilité des modèles ralentissent parfois cette transformation.

Malgré ces obstacles, les institutions financières qui parviendront à les surmonter obtiendront un avantage concurrentiel indéniable. En investissant dans l’IA, elles seront mieux armées pour s’adapter aux évolutions du secteur financier et fournir des services plus rapides, plus sécurisés et plus efficaces.

Fort de son expérience dans le Capital Market et le déploiement de solutions innovantes, Fincley consulting peut vous accompagner dans vos projets d’IA, de la phase de cadrage jusqu’à la mise en œuvre avec un soutien fort des équipes sur l’ensemble des chantiers (identification des cas d’usages et des solutions d’IA appropriées, déploiement en Agile, revue du modèle opérationnel, démarche de change management et acculturation des équipes, simplification et optimisation du SI,…).