Comment l'intelligence artificielle perturbe la finance

Résumé

La technologie à usage général est un terme que les économistes réservent aux technologies qui stimulent une croissance économique prolongée et des progrès sociétaux, révolutionnant les opérations des ménages et des entreprises. Un exemple de technologie à usage général est l'électricité. L'électricité a engendré une multitude de produits et de secteurs, y compris les réfrigérateurs, les machines à laver, les trains et, bien sûr, les ordinateurs. L'avènement de l'électricité a radicalement transformé le monde.

Un récent article de la Harvard Business Review désigne l'intelligence artificielle (IA) comme la technologie polyvalente la plus importante de notre époque . Nous connaissons la puissance de l'IA. Il se manifeste sous la forme d'un robot battant un joueur d'échecs de renommée mondiale. Une voiture qui peut se garer en parallèle. Des appareils qui répondent avec la météo de demain lorsque nous le demandons. Mais une grande partie de nos contacts et de notre compréhension de l'IA tourne autour de produits qui affectent notre vie quotidienne en tant que consommateurs. Au niveau organisationnel, il y a une question plus large sur la façon dont l'IA va perturber les industries, et plus précisément, comment les services financiers vont exploiter l'IA.

L'article suivant définira l'intelligence artificielle, la sphère de ses technologies connexes, la taille de l'industrie globale de l'IA et les applications de l'intelligence artificielle dans la finance. Cet article n'est pas destiné à fournir un jugement normatif sur le développement de l'IA ; il se concentrera plutôt sur la façon dont l'IA perturbe la finance.

Intelligence artificielle : qu'est-ce que l'IA ?

L'intelligence artificielle est un domaine de l'informatique axé sur la création de machines intelligentes qui fonctionnent comme des humains. Les ordinateurs IA sont conçus pour exécuter des fonctions humaines, notamment l'apprentissage, la prise de décision, la planification et la reconnaissance vocale.

L'intelligence artificielle permet aux machines d'améliorer continuellement leurs performances sans que les humains ne fournissent d'instructions prescriptives sur la manière de le faire. Ceci est important pour plusieurs raisons. Premièrement, les humains en savent plus que nous ne sommes capables d'en dire. Autrement dit, les humains peuvent être capables de reconnaître un visage ou d'exécuter une stratégie intelligente dans une partie d'échecs. Cependant, avant la technologie avancée de l'intelligence artificielle, l'incapacité des humains à articuler nos connaissances signifiait que nous ne pouvions pas automatiser de nombreuses tâches. Deuxièmement, la technologie de l'IA est d'exécution surhumaine, fonctionnant plus rapidement et souvent avec plus de précision que les humains.

Technologies d'intelligence artificielle

L'intelligence artificielle englobe une multitude de capacités et de technologies. Le cabinet de conseil PWC insiste sur le fait que l'IA n'est « pas un domaine monolithique. Il comprend un certain nombre de choses qui s'ajoutent à notre notion de ce que signifie être « intelligent ». Vous trouverez ci-dessous quelques-uns des domaines les plus populaires de l'IA :

• L' apprentissage automatique est une méthode d'analyse de données qui automatise la création de modèles analytiques. À l'aide d'algorithmes qui apprennent de manière itérative à partir des données, l'apprentissage automatique permet aux ordinateurs de trouver des informations cachées sans être explicitement programmés où chercher.
• L'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique. Il a facilité la reconnaissance d'objets dans les images, l'étiquetage vidéo et la reconnaissance d'activités, et fait des progrès dans la perception (y compris l'audio et la parole). Par exemple, l'application d'apprentissage en profondeur de Facebook DeepFace a été formée pour reconnaître les personnes sur les photos. Beaucoup établissent la comparaison entre la technologie d'apprentissage en profondeur et la biologie, mais les experts s'accordent généralement à dire que bien qu'inspirés par le cerveau humain, ils ne s'en inspirent pas nécessairement.
• Le traitement du langage naturel est la capacité d'un programme informatique à comprendre la parole humaine en temps réel. La recherche et le développement s'orientent vers des systèmes capables d'interagir avec les gens par le dialogue, et pas seulement de réagir à des demandes stylisées.
• L'Internet des objets (IoT) est consacré à l'idée qu'un large éventail d'appareils, y compris des appareils, des véhicules et des bâtiments, peuvent être interconnectés. Par exemple, si votre réveil sonne à 7h00, il pourrait automatiquement avertir votre cafetière de commencer à préparer du café pour vous. Les technologies portables qui agissent comme des capteurs lorsqu'elles sont portées font également partie de cette tendance plus large.

Bien sûr, cette liste n'est pas exhaustive. Voir ci-dessous pour un plus large éventail de sujets et de technologies d'intelligence artificielle.

Taille du marché de l'intelligence artificielle

L'article susmentionné de la Harvard Business Review prédit que "les effets de l'IA seront amplifiés au cours de la prochaine décennie, alors que la fabrication, la vente au détail, le transport, la finance, les soins de santé, le droit, la publicité, l'assurance, le divertissement, l'éducation et pratiquement toutes les autres industries transformeront leur processus de base et modèles commerciaux pour tirer parti de l'apprentissage automatique. Le goulot d'étranglement réside dans la gestion, la mise en œuvre et l'imagination des entreprises. »

L'adoption généralisée de l'IA dans tous les secteurs devrait générer des revenus mondiaux de 12,5 milliards de dollars en 2017 et de 47 milliards de dollars en 2020 avec un taux de croissance annuel composé (TCAC) de 55,1 % de 2016 à 2020. Plus précisément, les secteurs qui investiront le plus dans la technologie sont la banque et la vente au détail, suivies de la santé et de la fabrication. Au total, ces quatre industries représenteront plus de la moitié des revenus mondiaux de l'IA en 2016, les secteurs de la banque et de la vente au détail rapportant chacun près de 1,5 milliard de dollars.

Dans tous les secteurs, les investissements les plus importants dans l'IA en 2017 concerneront des domaines tels que les agents de service client automatisés, les renseignements automatisés sur les menaces et l'analyse des fraudes (voir le tableau ci-dessous). Selon Jessica Goepfert, directrice de programme à la société d'études de marché IDC, « les opportunités à court terme pour les systèmes cognitifs se trouvent dans des secteurs tels que la banque, les valeurs mobilières et les investissements, et la fabrication. Dans ces segments, nous trouvons une richesse de données non structurées, un désir d'exploiter les connaissances de ces informations et une ouverture aux technologies innovantes. La section suivante de cet article se penchera sur les différents cas d'utilisation de l'intelligence artificielle dans le secteur des services financiers.

Applications présentes et futures de l'intelligence artificielle en finance

L'intelligence artificielle dans la finance pourrait générer des gains d'efficacité opérationnelle dans des domaines allant de la gestion des risques et du trading à la souscription et aux sinistres. Alors que certaines applications sont plus pertinentes pour des secteurs spécifiques au sein des services financiers, d'autres peuvent être exploitées à tous les niveaux.

Intelligence Artificielle en Finance : Gestion des Risques

L'intelligence artificielle s'est avérée extrêmement précieuse en matière de sécurité et de détection des fraudes. Les méthodes traditionnelles de détection des fraudes comprennent des ordinateurs analysant des données structurées par rapport à un ensemble de règles. Par exemple, une société de paiement donnée peut fixer un seuil pour les virements électroniques à 15 000 $ afin que toute transaction dépassant ce montant soit signalée pour une enquête plus approfondie. Cependant, ce type d'analyse produit de nombreux faux positifs et demande beaucoup d'efforts supplémentaires. Peut-être plus important encore, les fraudeurs de la cybercriminalité changent fréquemment de tactique. Par conséquent, les systèmes les plus efficaces doivent continuellement devenir plus intelligents.

Avec des algorithmes d'apprentissage avancés, tels que ceux de l'apprentissage en profondeur, de nouvelles fonctionnalités peuvent être ajoutées au système pour un ajustement dynamique. Selon Samir Hans, conseiller principal chez Deloitte Transactions and Business Analytics LLP, « Grâce à l'analyse cognitive, les modèles de détection des fraudes peuvent devenir plus robustes et plus précis. Si un système cognitif expulse quelque chose qu'il considère comme une fraude potentielle et qu'un humain détermine qu'il ne s'agit pas d'une fraude à cause de X, Y et Z, l'ordinateur apprend de ces informations humaines et la prochaine fois, il n'enverra pas une détection similaire. . L'ordinateur devient de plus en plus intelligent.

Le succès de PayPal avec l'intelligence artificielle et la détection des fraudes

Prenez le géant du paiement PayPal et ses protocoles de fraude avancés, par exemple. En raison de son ampleur et de sa visibilité, PayPal "a une énorme cible sur le dos". Il a traité 235 milliards de dollars en 2015 à partir de quatre millions de transactions par ses 170 millions de clients. Cependant, PayPal a été en mesure de renforcer la sécurité en tirant parti de la technologie d'apprentissage en profondeur. En fait, la fraude de PayPal est relativement faible à 0,32 % des revenus, un chiffre bien meilleur que la moyenne de 1,32 % constatée par les commerçants.

Dans le passé, PayPal utilisait des modèles simples et linéaires. Aujourd'hui, ses algorithmes extraient les données de l'historique d'achat d'un client et examinent les schémas de fraude probable stockés dans ses bases de données en pleine croissance. Alors qu'un modèle linéaire peut consommer 20 à 30 variables, la technologie d'apprentissage en profondeur peut commander des milliers de points de données. Ces fonctionnalités améliorées aident PayPal à distinguer les transactions innocentes des transactions suspectes. Selon Hui Wang, directeur principal des sciences du risque mondial chez PayPal, « ce que nous apprécions d'un apprentissage automatique plus moderne et avancé, c'est sa capacité à consommer beaucoup plus de données, à gérer des couches et des couches d'abstraction et à être capable de « voir » des choses [… ] même les êtres humains pourraient ne pas être capables de voir.

L'Intelligence Artificielle en Finance : Trading

Transition des modèles construits par l'homme vers une véritable IA

Pendant des années, les sociétés de gestion de placements se sont appuyées sur les ordinateurs pour effectuer des transactions. Environ 1 360 fonds spéculatifs, représentant 9 % de tous les fonds, s'appuient sur de grands modèles statistiques construits par des data scientists souvent titulaires d'un doctorat en mathématiques (autrement appelés « quants »). Cependant, ces modèles n'utilisent que des données historiques, sont souvent statiques, nécessitent une intervention humaine et ne fonctionnent pas aussi bien lorsque le marché change. Par conséquent, les fonds migrent de plus en plus vers de véritables modèles d'intelligence artificielle capables non seulement d'analyser de gros volumes de données, mais aussi de continuer à s'améliorer.

Ces nouvelles technologies utilisent des techniques complexes, notamment l'apprentissage en profondeur, une forme d'apprentissage automatique appelée réseaux bayésiens et le calcul évolutif, inspiré de la génétique. Les logiciels de trading IA peuvent absorber d'énormes volumes de données pour en savoir plus sur le monde et faire des prédictions sur le marché financier. Pour comprendre les tendances mondiales, ils peuvent tout consommer, des livres, des tweets, des reportages, des données financières, des chiffres sur les bénéfices et de la politique monétaire internationale aux croquis de Saturday Night Live.

Pour être clair, ce qui précède est distinct du trading à haute fréquence (HFT), qui permet aux traders d'exécuter des millions d'ordres et de scanner plusieurs marchés en quelques secondes, répondant aux opportunités d'une manière que les humains ne peuvent tout simplement pas. Les plates-formes basées sur l'IA décrites ci-dessus recherchent les meilleurs métiers à long terme, et les machines - et non les humains - dictent la stratégie.

Certains de ces systèmes de trading IA sont développés par des startups. Par exemple, Aidiya, basé à Hong Kong, est un fonds spéculatif entièrement autonome qui effectue toutes ses transactions boursières à l'aide de l'intelligence artificielle (IA). "Si nous mourons tous", déclare le co-fondateur Ben Goertzel, "cela continuerait à se négocier." Les institutions traditionnelles s'intéressent également à la technologie de trading de l'IA. En 2014, Goldman Sachs a dirigé le cycle de financement de série A et a commencé à installer une plateforme de trading d'IA appelée Kensho. Pour le tour de série B de Kensho, en plus de S&P Global, les six plus grandes banques de Wall Street (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup et Wells Fargo) ont également participé.

Comparaison des performances commerciales

Une étude récente réalisée par la société de recherche en investissement Eurekahedge a suivi la performance de 23 fonds spéculatifs utilisant l'IA de 2010 à 2016, constatant qu'ils ont surpassé ceux gérés par des quants plus traditionnels et des fonds spéculatifs généralisés.

Implications pour les commerçants et les quants

Il sera intéressant d'observer l'impact de l'IA sur le marché du travail commercial. Ses effets se font déjà sentir dans certaines grandes institutions bancaires. En 2000, le bureau de négociation des actions américaines au comptant de Goldman Sach à son siège social de New York employait 600 commerçants qui achetaient et vendaient des actions. Aujourd'hui, il compte deux négociants en actions, les machines faisant le reste. Daniel Nadler, PDG de Kensho, déclare : "Dans 10 ans, Goldman Sachs sera beaucoup plus petit en termes d'effectifs qu'il ne l'est aujourd'hui." Et quant aux quants, ils peuvent constater que leurs compétences sont moins demandées par les sociétés de gestion de portefeuille.

Actuellement, environ un tiers des diplômés des meilleurs programmes de commerce s'orientent vers la finance. Où déménageraient certains des meilleurs talents du pays ? Mark Minevich, conseiller principal du US Council on Competitiveness, estime que "Certaines de ces personnes intelligentes se lanceront dans des startups technologiques, ou aideront à développer davantage de plateformes d'IA, ou de voitures autonomes, ou de technologies énergétiques […] New York pourrait concurrencer Silicon Vallée de la technologie.

Intelligence Artificielle en Finance : Robo-Advisory

Qu'est-ce qu'un Robo-Advisor et comment ça marche ?

Les robots-conseillers sont des plateformes numériques qui fournissent des services de planification financière automatisés et basés sur des algorithmes avec une supervision humaine minimale. Alors que les gestionnaires financiers humains utilisent l'allocation de portefeuille automatisée depuis le début des années 2000, les investisseurs ont dû faire appel à des conseillers pour bénéficier de la technologie. Aujourd'hui, les robots-conseillers permettent aux clients d'accéder directement au service. Contrairement à leurs homologues humains, les robots-conseillers surveillent les marchés en continu et sont disponibles 24h/24 et 7j/7. Les robots-conseillers peuvent également offrir aux investisseurs jusqu'à 70 % d'économies de coûts et exigent généralement des minimums inférieurs ou nuls pour participer.

Aujourd'hui, les robots-conseillers peuvent aider avec les tâches les plus répétitives telles que l'ouverture de compte et le transfert d'actifs. Le processus implique généralement que les clients répondent à des questionnaires simples sur l'appétit pour le risque ou les facteurs de liquidité, que les robots-conseillers traduisent ensuite en logique d'investissement. La majorité des robots-conseillers actuels visent à répartir leurs clients dans des portefeuilles d'ETF gérés en fonction de leurs préférences. On s'attend à ce que les capacités à l'avenir évoluent vers des offres plus avancées telles que les transferts automatiques d'actifs et une couverture étendue à d'autres classes d'actifs comme l'immobilier.

Le robot-conseil peut avoir un impact majeur sur les secteurs des finances personnelles et de la gestion de patrimoine. Alors que le total des actifs sous gestion (AUM) des robots-conseillers actuels ne représente que 10 milliards de dollars sur les 4 000 milliards de dollars de l'industrie de la gestion de patrimoine (moins de 1 % de tous les actifs des comptes gérés), une étude de Business Insider estime que ce chiffre passera à 10 % d'ici 2020. Cela équivaut à environ 8 000 milliards de dollars d'actifs sous gestion.

Adoption par l'industrie de Robo-Advice

Les acteurs de l'industrie ont adopté diverses approches du robo-conseil. Les petites sociétés de gestion de patrimoine ajoutent des composants algorithmiques pour automatiser leur gestion des investissements, réduire les coûts/frais et concurrencer les robots-conseillers. D'autre part, les sociétés d'investissement établies achètent des robo-conseillers existants, comme l'acquisition de Jemstep par Invesco ou créent leurs propres solutions de robo-conseiller, comme FidelityGo et Intelligent Advisory de Schwab.

Robo-conseillers vs conseillers financiers : les humains seront-ils remplacés ?

Le consensus général parmi les experts est que les humains resteront indispensables. La touche humaine restera essentielle, car les conseillers devront toujours rassurer les clients pendant les périodes financières difficiles et les convaincre avec des solutions utiles. Une étude réalisée par le cabinet de conseil Accenture a révélé que 77% des clients en gestion de patrimoine font confiance à leurs conseillers financiers tandis que 81% indiquent que l'interaction en face à face est importante. Pour les clients ayant des décisions d'investissement complexes, le modèle de conseil hybride, qui associe des services informatisés à des conseillers humains, gagne du terrain.

Alors que les conseillers financiers resteront centraux, les robots-conseillers pourraient entraîner des changements dans leurs responsabilités professionnelles. L'IA gérant les tâches répétitives, les gestionnaires d'investissement peuvent assumer les responsabilités d'un data scientist ou d'un ingénieur, comme la maintenance du système. Les humains peuvent également se concentrer davantage sur l'établissement de relations avec les clients et sur l'explication des décisions prises par la machine.

L'intelligence artificielle en finance : souscription d'assurance et réclamations

L'assurance repose sur l'équilibre des risques entre les groupes de personnes; les assureurs regroupent des personnes similaires, et certaines personnes exigeront des paiements tandis que d'autres ne le feront pas. L'industrie est construite autour de l'évaluation des risques; les compagnies d'assurance ne sont pas étrangères à l'analyse des données. Cependant, l'IA peut augmenter la quantité de données analysées ainsi que la manière dont elles peuvent être utilisées, ce qui se traduit par une tarification plus précise et d'autres efficacités opérationnelles.

Les startups sont à l'avant-garde pour faire avancer l'industrie. Selon Henrik Naujoks, associé chez Bain & Co, « Les start-up montrent ce qui est possible et ce qui peut être fait. Beaucoup de cadres en place l'examinent – ​​ils ne le comprennent pas vraiment, mais ils veulent s'impliquer. Les investisseurs ont également saisi cette tendance (voir ci-dessous). En 2016, l'IA était l'un des thèmes les plus populaires pour les investissements dans les technologies d'assurance.

Intelligence artificielle et souscription

Un rapport de PWC prédit que l'IA automatisera une quantité considérable de souscriptions d'ici 2020, en particulier sur les marchés matures où les données sont disponibles. Actuellement, un souscripteur d'assurance, à l'aide de logiciels informatiques et de modèles actuariels, évalue le risque et les expositions des clients potentiels, le montant de la couverture qu'ils devraient recevoir et le montant qui devrait leur être facturé. À court terme, l'IA peut aider à automatiser de gros volumes de souscription en assurance automobile, habitation, commerciale, vie et collective. À l'avenir, l'IA améliorera la modélisation, mettant en évidence des considérations clés pour les décideurs humains qui, autrement, seraient peut-être passées inaperçues. Il est également prévu que l'IA avancée permettra une souscription personnalisée par entreprise ou individu, en tenant compte des comportements et des circonstances uniques.

Une souscription améliorée peut tirer parti non seulement de l'apprentissage automatique pour l'exploration de données, mais également de la technologie portable et des analyseurs faciaux d'apprentissage en profondeur. Par exemple, Lapetus, une startup, souhaite utiliser des selfies pour prédire avec précision l'espérance de vie. Dans leur modèle proposé, les clients enverront par courrier électronique leurs autoportraits, que les ordinateurs numériseront et analyseront ensuite, analysant des milliers de régions du visage. L'analyse tiendrait compte de tout, des données démographiques de base à la rapidité avec laquelle la personne vieillira, son indice de masse corporelle et si elle fume. De plus, la technologie portable pourrait rendre le processus de souscription plus collaboratif. Au lieu de s'appuyer sur de longs contrôles médicaux et des processus contractuels compliqués, les appareils portables peuvent fournir des informations en temps réel sur la santé et le comportement des assurés. De toute évidence, l'apprentissage automatique dans la finance évolue déjà.

Ces types d'analyses de risque nuancées et en temps réel permettront non seulement une tarification client plus précise, mais également une détection précoce des risques pour la santé et une opportunité pour les compagnies d'assurance d'investir dans la prévention. Au lieu de payer éventuellement des traitements coûteux pour le patient, les compagnies d'assurance peuvent essayer de manière proactive de réduire la probabilité de dommages et les coûts associés.

Dans une étude d'Oxford de 2013 analysant plus de 700 professions pour déterminer lesquelles étaient les plus sensibles à l'informatisation, les souscripteurs d'assurance figuraient parmi les cinq plus sensibles. Même lorsque l'IA ne remplace pas complètement un souscripteur, l'automatisation de l'IA peut modifier les responsabilités d'un souscripteur. L'IA peut libérer du temps pour un souscripteur pour une plus grande valeur ajoutée, comme l'évaluation et la tarification des risques dans les marchés émergents moins riches en données, en fournissant davantage de retours sur la gestion des risques et le développement de produits.

Intelligence artificielle et réclamations d'assurance

Les réclamations d'assurance sont des demandes formelles de paiement envoyées aux compagnies d'assurance. Les compagnies d'assurance examinent ensuite la validité de la demande et paient à l'assuré une fois approuvée. Voici comment l'intelligence artificielle peut améliorer le processus :

Amélioration de la précision des données client. Le processus de réclamation est assez manuel : des agents humains consignent manuellement les informations sur les clients et les détails de l'incident. Selon un rapport d'Experian, la qualité des données peut en pâtir : les données incomplètes représentent 55 % des erreurs de données, tandis que les fautes de frappe représentent 32 %. L'IA peut améliorer la précision en réduisant la saisie manuelle. En outre, les processus de réclamation exigent souvent que les agents d'assurance associent les informations des clients à de nombreuses bases de données. L'IA peut être utilisée pour le faire plus efficacement.

Recommandations de paiement plus rapides. Selon une étude de JD Power & Associates sur la satisfaction des réclamations immobilières, la lenteur des cycles de réclamation est l'un des principaux facteurs d'insatisfaction des clients. L'IA peut aider à réduire les délais d'exécution en validant d'abord la police, puis en prenant des décisions sur les réclamations et en déterminant s'il faut automatiser le paiement. En effet, l'IA a la capacité d'analyser non seulement des données structurées, mais également des données non structurées telles que des formulaires et des certificats manuscrits.

L'Intelligence Artificielle en Finance : Banque Conversationnelle et Service Client

Les banques font de gros paris avec leurs assistants virtuels en contact avec les clients, appelés chatbots. Alors que les premières versions des chatbots ne pourront répondre qu'aux questions de base sur les limites de dépenses et les transactions récentes, les futures versions devraient devenir des assistants virtuels à service complet capables d'effectuer des paiements et de suivre les budgets des consommateurs. S'engager avec les clients peut se traduire par des économies de coûts importantes, mais les interactions humaines sont également sans aucun doute plus complexes que la simple analyse des chiffres. Les critiques soulignent le manque d'empathie et de compréhension des chatbots, dont les humains pourraient avoir besoin lorsqu'ils sont confrontés à des décisions et des situations financières difficiles. Pour cette technologie, la technologie IA de traitement du langage naturel sera essentielle pour traiter et répondre aux préoccupations et souhaits personnalisés des clients.

En octobre 2016, Bank of America et MasterCard ont dévoilé leurs chatbots, Erica et Kai, respectivement. Ceux-ci permettront aux clients de poser des questions sur leurs comptes, d'initier des transactions et de recevoir des conseils via Facebook Messenger de la tour Echo d'Amazon.

Capital One a également lancé son propre chatbot, nommé "Eno", qui est un anagramme de "One". Eno permet aux clients de discuter avec la banque en utilisant un langage textuel pour payer les factures et récupérer les informations de compte. Barclays se lance également dans l'action. En décrivant le nouveau chatbot de Bank of America, Michelle Moore, responsable de la banque numérique chez Bank of America, a déclaré : « Que sera la banque dans deux, trois ou quatre ans ? Ça va être ça.

Pensées d'adieu

Le plein impact de l'intelligence artificielle dans les services financiers est à voir. Certains futuristes ont fait valoir que le monde s'approche rapidement d'un point de basculement, appelé "singularité", où l'intelligence artificielle dépassera l'intelligence humaine. Des technologues et scientifiques célèbres, dont Bill Gates et Stephen Hawking, ont mis en garde sur ce point. Elon Musk a également déclaré: "L'IA est un risque existentiel fondamental pour la civilisation humaine, et je ne pense pas que les gens l'apprécient pleinement."

Alors que l'IA continue de proliférer dans nos vies personnelles et professionnelles, de nombreux problèmes continueront d'émerger. Ceux-ci incluent le potentiel d'erreurs, un sentiment général de méfiance à l'égard des machines et des inquiétudes quant au remplacement d'un emploi. Ce serait une erreur de ne pas tenir compte de ces craintes. Pourtant, la société est déjà sur une voie accélérée vers un monde axé sur l'IA. Dans ce nouveau monde, il pourrait être plus productif de se concentrer sur la meilleure façon dont les machines et les humains peuvent coexister. Il sera important que les décideurs politiques restent prudents, permettant aux nouvelles technologies de se développer tout en surveillant et en minimisant leurs conséquences négatives. Les développeurs et les concepteurs doivent également améliorer la capacité des humains à comprendre les systèmes d'IA afin d'instaurer la confiance et d'accroître la satisfaction à l'égard des applications d'IA. Chacun aura un rôle à jouer.

Comme l'a déclaré Haruhiko Kuroda, gouverneur de la Banque du Japon, lors d'une conférence sur l'IA et les services financiers en 2017, « Il est essentiel pour nous d'examiner de manière constructive les moyens souhaitables par lesquels les humains et l'IA se complètent, plutôt que de s'affronter. Par exemple, le jugement humain n'est pas complètement exempt de paradigmes existants et est donc parfois négligent face aux changements. À cet égard, l'IA pourrait ajuster notre biais en analysant de manière neutre et en trouvant de nouvelles corrélations parmi une myriade de données [sic]. Pendant ce temps, les humains pourraient compenser la faiblesse de l'IA avec leur intuition, leur bon sens et leur imagination.