Bank of America mise sur la qualité des données avant l'IA

Bank of America souligne l’importance des données de qualité avant d’adopter l’IA, évitant ainsi les investissements mal conçus. Le projet EricaAssist illustre cette approche en intégrant des capacités d’IA de génération pour améliorer l’assistant d’employés. Cette stratégie met l’accent sur la stabilité des données comme fondement de toute automatisation ou prévision IA fiable.

Misinvestissements avec l’IA. Matthew Davies, responsable des solutions de paiements globaux chez Bank of America, met en garde contre les données fragmentées qui entravent la mise en œuvre efficace des solutions IA. Avec des systèmes variés tels que les ERP ou les plateformes de trésorerie, même les IA les plus avancées peinent à harmoniser les informations. Ceci est un obstacle majeur à la standardisation et à l’automatisation des processus.

Davies, Davies alerte sur les risques de données fragmentées

Standardisation des données est la priorité de Bank of America avant de lancer de gros projets IA. Sans elle, les erreurs de saisie manuelle et les doublons coûtent un temps précieux aux équipes financières. Selon Davies, une fois les données homogénéisées, les tâches répétitives peuvent être automatisées, optimisant ainsi le fonctionnement interne de la banque et préparant le terrain pour des initiatives IA plus importantes.

EricaAssist illustre la stratégie IA de la banque

EricaAssist offre un aperçu clair de cette approche axée sur les données. L’assistant intégré aide les employés en s’appuyant sur des années d’historique client bien organisé. Bank of America évite ainsi de laisser les modèles IA prendre des décisions critiques. Ce modèle démontre l’avantage d’une bonne base de données avant de tenter des implémentations IA sophistiquées, comme relayé par Tearsheet.

Le cheminement envisagé par Bank of America rappelle l’importance de ne pas précipiter l’adoption de l’IA. Davies insiste sur l’idée que le véritable défi ne réside pas dans le manque d’investissement mais dans la mauvaise allocation des ressources dues à des données insuffisamment robustes. Ainsi, l’essentiel est d’établir des bases solides avant d’avancer davantage dans les capacités de l’IA.