Le point central de l'article est que la concurrence dans l'IA financière ne porte pas sur qui peut créer un « ChatGPT financier » plus conversationnel, mais sur qui peut s'intégrer profondément dans les outils quotidiens des professionnels de la finance (comme Excel, PPT, Word) et leurs processus métier essentiels (comme la due diligence, l'approbation), et produire directement des « livrables » formels, prêts à être examinés et archivés.

Auteur de l'article : Resonant Ones

Source : Su Chu.AI

La concurrence dans l'IA financière ne porte pas sur « qui sait discuter », mais sur « qui peut intégrer Excel, PPT et les flux d'approbation ».

Beaucoup pensent que la concurrence dans l'IA financière consiste à entraîner un grand modèle plus compétent en finance.

Mais Claude for Financial Services révèle la vraie réponse : l'essence de l'IA financière n'est pas le modèle, mais le flux de travail.

Il ne s'agit pas de faire interagir l'IA avec les utilisateurs sur les actions, mais de faire entrer l'IA dans Excel, PowerPoint, Word, la recherche et l'analyse, les banques d'investissement, la due diligence, la conformité, le rapprochement et les flux d'approbation.

Cela est crucial pour les entrepreneurs nationaux. Car si vous continuez à développer un « ChatGPT financier », vous risquez d’être absorbé par les grandes entreprises, les terminaux de données et les suites bureautiques ; mais si vous parvenez à prendre en charge les Excel, PPT, Word et lots d’approbation que les institutions financières produisent quotidiennement, les opportunités viennent à peine de commencer.

Un scénario réel

Le mois dernier, j’ai discuté avec un ami qui travaille dans le private equity. Son équipe a effectué une due diligence sur une entreprise de consommation et a reçu un Data Room contenant 17 dossiers et plus de 400 documents — contrats, rapports d’audit, relevés bancaires, détails des commandes, comptes rendus d’entretiens, documents de la direction.

Avant, un VP accompagné de deux analystes mettait deux semaines pour produire une première version d’un IC Memo satisfaisante.

Et maintenant ? Si une personne (ou un agent) peut accomplir en 24 heures le tri des données, la signalisation des risques, l'identification des éléments manquants et la génération d'un brouillon — pensez-vous que les clients paieront ?

Ce n'est pas de la science-fiction. Claude for Financial Services fait déjà cela. Et ce n'est pas une application qu'il open-source, mais un modèle produit composé d'« Agent + Skill + Connector + Livrable + validation humaine ».

Commençons par la première découverte. La structure produit de Claude for Financial Services est en réalité très simple : l’Agent gère les tâches de bout en bout, les Skills intègrent les processus professionnels du secteur financier, les Connectors se connectent aux données financières et aux systèmes internes de l’entreprise, Excel, PowerPoint et Word servent à remettre les livrables finaux, le tout accompagné de contrôles d’accès, de références, d’audit et de vérification humaine pour garantir que les institutions financières puissent l’utiliser.

Autrefois, la forme de l’IA financière consistait à poser une question et à recevoir une réponse. Mais ce dont les institutions financières ont vraiment besoin, c’est : donnez-moi un ensemble de documents, et je vous fournis un livrable qui peut être examiné, cité, archivé et intégré dans les systèmes métier. La différence entre les deux est considérable. La valeur de l’IA financière réside dans le livrable, pas dans la boîte de discussion.

Une autre évolution à noter est que les institutions financières nationales ne sont plus en mode observation.

De 2025 à 2026, je vois la mise en œuvre se répartir en trois niveaux. Les banques avancent le plus rapidement ; la China Construction Bank a déployé DeepSeek en interne, couvrant des centaines de scénarios. China CITIC Securities Fund utilise DeepSeek pour la diligence raisonnable sur les REITs, réduisant le travail de 5 employés sur 70 jours à seulement 1 employé en 10 jours — une augmentation d'efficacité de 30 fois.

Les assureurs suivent également le mouvement : CITIC Construction Investment Securities propose des services de conseil basés sur des agents multiples, People's Insurance Company of China intègre DeepSeek pour construire une base de connaissances spécialisées, et le grand modèle de Ping An a été appelé 818 millions de fois en six mois.

Mais ce qui est vraiment intéressant, c’est le troisième échelon — les fonds de capital-investissement, la gestion d’actifs et la gestion de patrimoine. Ils disposent de nombreuses données, de budgets importants et subissent une forte pression de livraison, mais la plupart en sont encore au stade POC. Ce n’est pas du retard, c’est la fenêtre d’opportunité pour les startups.

En ce qui concerne l'entrée des startups, beaucoup pensent immédiatement à créer une version financière de ChatGPT. Mais ce projet comporte de grands risques, car il affrontera simultanément trois types de concurrents puissants.

Les fabricants de modèles rendront les capacités générales de plus en plus abordables. Les terminaux de données financières comme Wind, Choice, iFinD et Tonghuashun disposent déjà de données et d'accès aux utilisateurs ; une fois intégrées à l'IA, les questions financières générales seront difficiles à monétiser indépendamment. Les grandes institutions financières privilégient de plus en plus la création de leur propre plateforme interne d'IA, intégrant les capacités générales dans leur propre système de permissions.

Une startup attaque de front, confrontée à trois fronts.

Mais si vous changez de perspective, en ne regardant pas l'entrée, mais la couche d'opération, la situation est différente. Que signifie une couche d'opération verticale ? Cela consiste à approfondir l'IA autour d'un poste spécifique, d'un processus précis, d'un livrable concret. Par exemple : structuration des documents de due diligence en PE/finance d'entreprise, audit de modèles financiers Excel, examen initial des documents pour l'octroi de crédits, génération automatique de tableaux de conformité, assistance à la vérification des dossiers de réclamation et de souscription d'assurance, résumé automatique des comptes rendus de réunions des gestionnaires de clients.

Ces orientations semblent moins ambitieuses que les « grands modèles financiers », mais sont plus proches du budget des clients.

Quels produits méritent d'être développés ?

Je résume donc qu'il faut remplir simultanément quatre conditions.

Capable de recevoir les données

Les scénarios à véritable haute valeur nécessitent souvent l'intégration avec les fichiers internes des clients, le CRM, le stockage en ligne, les e-mails, les contrats et les systèmes d'approbation. Traiter uniquement les pages web publiques présente une valeur très limitée.

Processus fonctionnel

Les utilisateurs financiers ne modifieront pas leurs habitudes de travail pour l'IA. Le produit doit s'intégrer aux outils qu'ils utilisent déjà : Excel, PPT, Feishu, WeCom, DingTalk, WPS, CRM.

Fournir les documents

Les institutions financières ne paient pas pour les réponses, mais pour les documents. La capacité à produire des tableaux de contrôle, des mémos, des présentations et des fichiers Excel génère une volonté de payer.

Maintenir les limites de responsabilité

L'IA doit prendre en charge la référence, la traçabilité, les autorisations, l'audit et la vérification humaine. Ne pas fournir de conseils en investissement, ne pas effectuer de transactions automatiques, ne pas remplacer l'approbation finale.

Sans l'une de ces quatre éléments, le produit peine à entrer en production réelle.

Si on élargit le cadre et qu’on regarde les 24 prochains mois, je pense qu’il y a sept domaines spécifiques qui méritent particulièrement notre attention.

La recherche et la diligence raisonnable sont en tête. Avec beaucoup de données, un délai serré et des livrables clairs, c’est la direction la plus proche de Hebbia et Rogo.

Ensuite, l'audit des modèles Excel — les banques d'investissement, les fonds de capital-investissement, le crédit et la gestion d'actifs utilisent de nombreux fichiers Excel, avec des erreurs de formules, du codage en dur et des hypothèses incohérentes : le potentiel d'assistance par l'IA est très important.

L'assistance à l'approbation du crédit se classe troisième : les banques et les établissements non bancaires nécessitent une vérification initiale des documents, une analyse des flux de trésorerie, une extraction des risques et la génération de rapports de crédit. La vérification de la conformité se classe quatrième : la comparaison des réglementations, l'examen des supports de marketing et les contrôles KYC sont tous adaptés à un assistant IA réutilisable et traçable.

Le rapprochement administratif et financier des fonds, l'évaluation, la vérification des frais et les documents d'audit sont très standardisés et présentent un coût élevé en cas d'erreur.

Les dossiers de réclamation et d'underwriting sont nombreux, les règles sont complexes, la pression de vérification est élevée, mais une confirmation manuelle est obligatoire.

Enfin, le gestionnaire de client et le copilote conseiller : ce n’est pas l’IA qui donne directement des conseils d’investissement, mais elle aide les conseillers à se préparer avant les réunions, à expliquer les produits, à rédiger les comptes rendus et à mettre à jour le CRM.

Ces sept directions partagent une hypothèse commune : le produit doit être auditables, référençables et privatisables.

Les institutions financières n'acceptent pas « L'IA a probablement dit cela ». D'où viennent les chiffres ? Où sont les citations ? Qui les a vérifiées ? Les données sont-elles hors périmètre ? Ce sont des conditions préalables à toute décision d'achat. Il faut donc concevoir dès le départ la traçabilité des citations, la validation humaine, l'isolation des données et la journalisation des opérations. Ce n'est pas un coût de conformité, c'est un avantage concurrentiel.

Il y a une tendance encore plus grande. Une fois que les capacités des modèles sont devenues des biens communs, les opportunités se déplacent vers les workflows, les connecteurs et la couche de gouvernance. Tout comme le cloud computing a transformé les infrastructures informatiques en API, de nouveaux entrepreneurs créeront des SaaS dessus. Il en va de même pour les grands modèles d’aujourd’hui — celui qui parvient à encapsuler des workflows industriels dessus possède un avantage concurrentiel.

Le secteur financier présente une forte densité d'informations pour les tâches professionnelles, des exigences strictes en matière de format et une forte responsabilité, ce qui fait que ce domaine ne peut pas être rapidement couvert par une IA générale. C'est précisément la zone de sécurité des startups.

Comment une startup peut-elle entrer sur le marché ?

Ne commencez pas par la plateforme.

Trouvez un scénario étroit : avec des données réelles, un modèle fixe, un livrable clair, une vérification humaine, un budget départemental, et capable de valider le ROI en 60 à 90 jours.

Ne dites pas cela :

Je veux créer une plateforme IA pour institutions financières.

Il faut dire cela :

Je structure automatiquement les documents de la Data Room pour l'équipe PE/FA, puis génère un projet de Q&A due diligence, une liste des risques et une première version de l'IC Memo.

Plus c'est précis, plus il est facile de conclure un ordre.

Le risque maximal remplacé par les grandes entreprises ?

L'entrée universelle sera remplacée. Les questions financières générales, les résumés de rapports d'analyse et les requêtes de données simples peuvent facilement être couvertes par des grands modèles et des terminaux de données.

Mais les processus verticaux profonds ne le feront pas.

Les grandes entreprises ne veulent pas faire les tâches désagréables pour chaque poste spécialisé. Ce qui est vraiment difficile, c’est : intégrer les systèmes internes des clients, comprendre les processus du poste, adapter les modèles des clients, et accompagner les clients de la phase POC à la production.

Ces éléments ne peuvent pas être résolus automatiquement par une API de modèle.