AfricaPresse.Paris

.

Une contribution de Jean-Michel HUET , associé BearingPoint
et Marouane ZNAGUI, senior manager BearingPoint

.

Une transformation rapide
de l’environnement

Cette transformation est particulièrement visible en Afrique, où la généralisation du mobile money a généré des volumes de données sans précédent, tout en élargissant l’accès aux services financiers.

Dans le même temps, les attentes ont fortement évolué. Les décisions doivent être prises plus rapidement, sur la base d’informations plus fines et plus fréquentes, dans un contexte où les dynamiques économiques deviennent plus complexes. Les exigences de transparence imposent également des analyses robustes, traçables et explicables. Dans ce cadre, les dispositifs traditionnels, fondés sur des cycles longs et des données consolidées a posteriori, montrent leurs limites.

.

Des initiatives data
et IA prometteuses

Face à ces évolutions, la data et l’intelligence artificielle s’imposent progressivement comme des leviers de transformation majeurs. De nombreuses banques centrales ont engagé des projets pilotes sur leurs fonctions cœur, notamment en matière de supervision, de production statistique ou de gestion des risques.

Ces initiatives ont permis de démontrer des gains concrets. Elles ont contribué à réduire les délais de traitement, à améliorer l’homogénéité de certaines analyses et à traiter des volumes de données jusque-là difficiles à exploiter. Elles ont également favorisé l’évolution des pratiques et l’appropriation progressive de nouvelles approches par les équipes.

.

Des impacts encore limités
à l’échelle de l’institution

Malgré ces avancées, leur impact reste limité à l’échelle des institutions. Les solutions développées fonctionnent dans des cadres expérimentaux mais demeurent souvent confinées à des périmètres restreints. Leur diffusion dans les processus opérationnels reste partielle et leur maintien dans le temps est difficile.

Ce décalage ne s’explique ni par un manque d’intérêt ni par une insuffisance des outils. Il renvoie davantage aux conditions dans lesquelles ces transformations sont mises en œuvre. L’enjeu n’est plus de démontrer que les solutions fonctionnent, mais de les inscrire durablement dans le fonctionnement des institutions.

.

Des contraintes structurelles
qui freinent la transformation

Ces limites trouvent leur origine dans plusieurs facteurs structurels. Les banques centrales restent organisées en silos métiers, avec des logiques de production et d’utilisation de la donnée largement segmentées. Cette organisation garantit une expertise forte mais limite la circulation de l’information et la production de diagnostics transverses, pourtant indispensables dans des environnements économiques de plus en plus interdépendants.

Par ailleurs, la question de la donnée ne se pose plus en termes d’accès, mais de qualité d’usage. Les volumes disponibles ont fortement augmenté mais leur exploitation reste complexe. Les équipes consacrent encore une part importante de leur temps à préparer les données (rapprochements, corrections, harmonisations) au détriment de l’analyse. Le manque de standardisation et de documentation rend les résultats difficiles à reproduire et à stabiliser dans le temps.

Ces difficultés sont renforcées par des enjeux humains et organisationnels. Les expertises techniques restent concentrées et l’appropriation des outils par les métiers demeure inégale. Sans compréhension partagée de la donnée et des résultats produits, les solutions restent périphériques et peinent à s’intégrer dans les processus décisionnels.

Enfin, l’accélération des dynamiques économiques accentue la pression sur les dispositifs analytiques. Les données à haute fréquence et les nouveaux usages exigent des capacités d’analyse plus rapides, tout en maintenant des standards élevés de robustesse et de traçabilité. Cette évolution impose une transformation plus globale des méthodes et des processus.

Des contraintes révélatrices
des priorités de transformation

Ces contraintes ne doivent pas être considérées uniquement comme des freins. Elles mettent en évidence les priorités réelles de transformation : décloisonner les données, améliorer leur qualité, structurer leur exploitation et renforcer leur appropriation par les métiers.

Le défi ne consiste plus simplement à intégrer de nouveaux outils mais à transformer les conditions dans lesquelles la donnée est produite, partagée et utilisée. C’est à ce niveau que se situe désormais l’enjeu central pour les banques centrales : passer d’une logique d’expérimentation à une capacité réelle à exploiter durablement la donnée au service de leurs missions.

…………

À SUIVRE, SUR LE MÊME SUJET
> 2 - Le piège de l’expérimentation : pourquoi les preuves de concept ne suffisent pas.
> 3 - Passer à l’échelle : de l’expérimentation à la capacité institutionnelle

◊ ◊ ◊