OpenAI a lancé ChatGPT for Financial Services, une version de son IA conversationnelle qui est dotée de flux de données de marché tels que PitchBook et Crunchbase, respecte les normes de sécurité de niveau bancaire et promet de ne pas ingérer les documents propriétaires d'un client pour l'entraînement du modèle.

Les banques s'intéressent à l'IA générative depuis des années, mais ont été freinées par deux problèmes : la nécessité de nourrir le modèle avec des états financiers internes et la difficulté de garantir que ces documents ne quittent jamais le pare-feu de l'entreprise. La nouvelle offre d'OpenAI tente de résoudre ces deux problèmes. Au lieu d'exiger que les utilisateurs téléchargent des rapports de résultats, des bilans ou des feuilles de calcul de flux de transactions, le service contient déjà un ensemble sélectionné de données du domaine public et sous licence qui peuvent être interrogées directement. La plateforme respecte également des règles de sécurité bancaire strictes. Plus important encore, l'entreprise affirme que le modèle est « agnostique en matière de données » : il peut générer des analyses sans jamais stocker ou utiliser les fichiers téléchargés par un client pour améliorer le modèle sous-jacent.

Cette initiative intervient alors que les institutions financières s'efforcent de réduire le temps nécessaire pour transformer des chiffres bruts en mémos d'investissement, en évaluations de crédit ou en rapports de conformité. Les analystes passent traditionnellement des heures à compiler des données provenant de multiples fournisseurs, puis à rédiger manuellement des analyses. L'outil d'OpenAI aide les banquiers à analyser les comptes de résultat (P&L) et à créer des documents plus rapidement.

La sécurité et la confidentialité des données constituent l'autre versant de la médaille. En garantissant que les données des clients ne réintègrent jamais la boucle d'entraînement, OpenAI contourne une critique courante selon laquelle les fournisseurs d'IA pourraient par inadvertance « apprendre » à partir d'informations d'entreprise confidentielles et les exposer à d'autres clients.

Simultanément, OpenAI fait pression sur le Congrès pour obtenir un nouvel ensemble de lois sur la sécurité de l'IA. L'entreprise souhaite que les législateurs imposent des normes de test aux systèmes les plus puissants, en se concentrant sur les grands laboratoires de recherche plutôt que sur les dizaines de petites startups qui peuplent l'écosystème de l'IA. Cette démarche signale qu'OpenAI considère la certitude réglementaire comme une condition préalable à une intégration plus profonde dans des secteurs à enjeux élevés comme la finance, où une seule erreur de modèle pourrait entraîner des violations de conformité ou des pertes financières.

Les enjeux sont de taille pour toutes les parties. Pour les banques, la technologie pourrait se traduire par un flux de transactions plus rapide, des coûts de personnel réduits et un avantage concurrentiel dans un secteur où la vitesse décide souvent des gagnants. Pour OpenAI, s'implanter dans les services financiers ouvre une source de revenus lucrative et présente un cas d'usage qui pourrait être reproduit dans d'autres domaines réglementés tels que l'assurance ou la santé. Les régulateurs obtiennent une image plus claire de la manière dont un fournisseur majeur d'IA entend protéger les données sensibles, mais ils héritent également d'un nouvel ensemble de risques : l'opacité des grands modèles de langage, le potentiel de biais systématiques dans les flux de données de marché et le défi de la supervision des conseils générés par l'IA qui pourraient être utilisés pour des décisions d'investissement.

Les critiques avertissent que la dépendance à l'égard d'un seul fournisseur d'IA externe pourrait créer une nouvelle forme de dépendance technologique (vendor lock-in), en particulier si les banques intègrent l'outil dans leurs flux de travail de souscription ou de conformité. La question de la précision du modèle se pose également. Bien que le système puisse récupérer et synthétiser rapidement des données publiques, il ne garantit pas l'exactitude ; un chiffre de bénéfices mal interprété ou une métrique de valorisation obsolète pourrait conduire à des conclusions erronées. La politique de « non-entraînement sur les données clients » élimine une voie d'amélioration, ce qui signifie que le modèle peut accuser un retard par rapport aux solutions sur mesure entraînées en interne qui apprennent continuellement des propres décisions historiques d'une entreprise.

À surveiller ensuite : les indicateurs d'adoption seront le premier indicateur de succès. Les premiers projets pilotes dans la banque de détail, la banque d'investissement ou la gestion d'actifs révéleront si les gains de rapidité l'emportent sur le besoin de supervision humaine. La réponse des régulateurs au projet de loi sur la sécurité d'OpenAI façonnera le paysage de la conformité pour l'IA dans la finance — si le Congrès adopte des normes de test strictes, d'autres entreprises d'IA pourraient être contraintes de faire de même, ce qui pourrait augmenter le coût du déploiement de solutions similaires. Enfin, la concurrence s'intensifie ; d'autres fournisseurs de cloud et des startups d'IA courtisent déjà les banques avec des modèles personnalisés, l'avantage d'OpenAI pourrait donc être de courte durée à moins qu'elle ne continue à approfondir ses intégrations de données et ses certifications de sécurité.

Si les banques peuvent faire confiance au modèle pour garantir la confidentialité de leurs données tout en fournissant des analyses précises et opportunes, ChatGPT for Financial Services pourrait devenir un nouvel outil standard sur les salles de marché. Dans le cas contraire, la technologie pourrait rester une expérience de niche, reléguée à des projets de preuve de concept, tandis que le secteur attend des directives réglementaires plus claires et des garanties plus solides quant à la fiabilité du modèle.