Les banques centrales mises en garde contre les risques liés à l'adoption d'outils d'IA

Dans un récent rapport de la Banque des règlements internationaux (BRI), les banques centrales du monde entier ont été mises en garde contre les risques inhérents à leur dépendance croissante aux outils d'intelligence artificielle (IA). Ce rapport de neuf pages intitulé « Intelligence artificielle dans la banque centrale » met en lumière les cas d'utilisation et les pièges potentiels de l'intégration de grands modèles de langage (LLM) dans leurs opérations.

Les banques centrales, souvent considérées comme des pionnières de la technologie d'IA, se tournent de plus en plus vers des modèles d'IA à diverses fins. Ces modèles d'IA ont été instrumentaux dans la transformation de la collecte et du traitement de l'information, rendant de nombreux efforts humains traditionnels presque obsolètes. Les modèles d'IA sont désormais déployés pour l'échantillonnage des données, le nettoyage et la correspondance, aidant les banques centrales à rationaliser leurs opérations avec des techniques d'apprentissage automatique éprouvées.

Une application significative de l'IA dans la banque centrale est la prise de décisions éclairées en matière de politique monétaire. En utilisant des réseaux neuronaux et des modèles de forêt aléatoire, les banques centrales ont accès à des données en temps réel pour évaluer les anticipations d'inflation et évaluer l'efficacité de leurs politiques monétaires. Ces données proviennent non seulement des canaux financiers traditionnels, mais aussi de la vaste gamme d'informations disponibles sur les plateformes de médias sociaux.

Extraire des informations à partir de vastes données

Comme le souligne le rapport, le tri à travers un volume énorme de données peut être chronophage et difficile, rendant les modèles d'IA inestimables pour extraire efficacement des informations pertinentes. Les banques centrales utilisent des modèles de langage pour résumer des rapports financiers complexes, suivre les tendances économiques et interpréter des interviews avec des dirigeants d'entreprise et des experts du marché. De plus, ces modèles de langage de banque centrale (CB-LMs) ont démontré une capacité à prédire les réactions du marché aux annonces de politique monétaire.

Les systèmes d'IA ont également prouvé leur compétence dans la supervision et la surveillance des systèmes de paiement. Ils excellent dans l'identification des transactions financières irrégulières, un facteur critique dans la lutte contre le blanchiment d'argent et la prévention des cyberattaques. La Banque centrale du Brésil, par exemple, a récemment introduit ADAM, un modèle de classification conçu pour prédire les emprunteurs susceptibles de faire défaut sur leurs prêts, améliorant ainsi leur capacité à atténuer les risques financiers.

Au-delà des applications traditionnelles, les banques centrales se tournent également vers des systèmes d'IA pour prédire le comportement des consommateurs en réponse à l'introduction de devises numériques de banque centrale (CBDC) et d'autres développements financiers. Ces modèles prédictifs fournissent des informations précieuses aux décideurs politiques pour anticiper les réactions du marché et s'adapter en conséquence.

Défis et risques de l'intégration de l'IA

Bien que les avantages de l'intégration de l'IA soient évidents, le rapport souligne les défis et les risques auxquels les banques centrales sont confrontées. L'une des principales préoccupations est le potentiel de sorties biaisées provenant des données utilisées pour former les modèles d'IA. De plus, les modèles d'IA générative, bien que puissants, nécessitent une supervision humaine vigilante pour réduire la probabilité d'erreurs et d'inexactitudes.

À court terme, les banques centrales devront investir dans l'équipement de leur personnel avec de nouvelles compétences en IA pour intégrer efficacement les systèmes d'IA dans leurs flux de travail. Cependant, elles sont susceptibles de rencontrer une concurrence féroce de la part des entreprises financières privées dans le recrutement d'employés ayant une expertise avancée en IA. L'écart salarial entre les institutions publiques et le secteur privé intensifie encore cette concurrence.