Les paiements instantanés laissent aux banques moins de temps pour détecter, enquêter et corriger les problèmes de paiement. Les clients d'entreprise s'attendent à des réponses rapides concernant les paiements manquants, les retours et les rappels. Les clients de détail s'attendent à la même chose lorsqu'ils signalent une fraude, contestent une transaction par carte ou remettent en question un paiement de compte à compte. Les auditeurs et les régulateurs s'attendent à des preuves que chaque décision a suivi la politique et que les actions présentant un risque plus élevé ont bénéficié de la supervision appropriée.

Pour les équipes de direction, la question centrale est passée de savoir s’il faut automatiser à comment accroître l’autonomie sans introduire de nouveaux risques opérationnels, de conduite ou de conformité.

La recherche Future of Payments de HCLTech illustre cette tension. Bien que 99 % des organisations sondées utilisent l’AI dans les opérations de paiement, 91 % des dirigeants restent préoccupés par ses risques. Par ailleurs, 52 % des organisations s’attendent à devenir autonomes d’ici 18 à 24 mois, mais seulement 17 % fonctionnent déjà pleinement selon ce modèle.

La solution réside dans la confiance intégrée à la conception, qui exige des politiques claires, des droits de décision contrôlés, une revue humaine lorsque le jugement est requis et un dossier retraçant ce qui s’est passé, pourquoi et qui a approuvé.

Une vision unique des paiements, deux réalités opérationnelles

Les exceptions de paiement d’entreprise et les litiges de détail relèvent de la même stratégie, mais ce ne sont pas les mêmes parcours.

Les équipes corporatives enquêtent sur les paiements manquants ou retardés, les informations de remise incomplètes, les demandes de statut, les modifications, les retours et les rappels. Leur travail couvre souvent les messages de paiement, les institutions correspondantes et les équipes de service client. Les opérations de détail traitent les réclamations de fraude et les litiges non frauduleux touchant les cartes, les virements de compte à compte, les paiements en temps réel et les canaux numériques, avec des règles de réseau et des obligations de protection du consommateur qui façonnent le processus.

Pega répond à ces environnements par des capacités reliées. L’automatisation agentique pour les enquêtes intelligente appuie les enquêtes commerciales et transfrontalières, alors que l’automatisation agentique pour les litiges intelligente soutient les litiges consommateurs et les réclamations de fraude. Les deux offrent des capacités de gestion de cas et de flux de travail intégrant des règles, des décisions, de l’AI et des revues humaines suivant chaque parcours.

Une meilleure automatisation commence par une meilleure réception

Un dossier ne peut avancer sans entrave s’il débute avec des informations incomplètes ou ambiguës. Une mauvaise réception entraîne plus de travail à l’aval — rappels, recherches manuelles, acheminement incorrect, niveaux de service non atteints et preuves d’audit faibles.

Pour les litiges de détail, numériser un formulaire statique n’en résout pas la cause. La réception devrait reconnaître le type de paiement et la raison du litige, récupérer toute information déjà détenue par la banque, poser des questions pertinentes et recueillir la preuve requise par le flux de travail. L’analyse de Pega sur l’accueil des litiges le montre bien : une réception propre et adaptative constitue le socle d’un plus grand traitement direct.

Prenons l’exemple d’un client de détail qui conteste une transaction par carte parce que l’achat a finalement été réglé autrement. Une réception guidée permet d’identifier la transaction, de recueillir la preuve, de vérifier s’il y a eu remboursement ou activité doublée et d’acheminer la réclamation selon le flux approprié du réseau de cartes. La revue manuelle est réservée aux faits contradictoires, aux preuves manquantes ou aux dossiers atteignant un certain seuil de risque. Pega Smart Dispute soutient les règles des réseaux de paiement, les exigences réglementaires et la collecte guidée des informations essentielles dès l’ouverture d’une réclamation.

L’équivalent corporatif commence quand un client signale un paiement transfrontalier manquant, avec des détails de remise partiels. La plateforme peut récupérer les données transactionnelles et de messagerie, demander ce qui manque, appliquer les contrôles de politique requis et déterminer s’il faut lancer une demande de statut, une modification, une annulation ou un rappel. Elle coordonne ensuite la prochaine étape avec une institution correspondante ou une contrepartie.

Les parcours corporatifs impliquent des clients, des messages de paiement et des contreparties. Les parcours de détail impliquent des clients, des réclamations, des marchands et des réseaux de paiement. Le modèle d’orchestration peut être partagé, mais le langage, les contrôles et les interactions externes doivent convenir au parcours.

Traitement direct avant l’AI générative

Le premier objectif opérationnel devrait être un traitement direct (STP) plus élevé. Les dossiers routiniers devraient suivre des règles déterministes, une logique de politique et des flux prescrits dès que l’action à poser est claire.

L’AI générative ne doit pas être le point de départ. Placer un grand modèle linguistique dans un processus fragmenté rend l’issue plus difficile à anticiper et à expliquer. Corrigez d’abord la réception et l’orchestration, puis ajoutez de l’intelligence là où elle réduit l’effort mesurable ou améliore une décision délimitée.

Les règles et le flux de travail gèrent l’admissibilité, les délais, les approbations, les opérations comptables et les exigences des rails de paiement. L’AI prédictive peut prioriser les dossiers et estimer les résultats probables. L’AI générative peut interpréter la correspondance, résumer l’historique des dossiers, retrouver des consignes et rédiger des communications. Les agents peuvent exécuter des guides opérationnels approuvés, tels que la demande d’information, la mise à jour des systèmes ou la préparation d’une soumission réseau.

Dans chaque dossier, le flux de travail doit définir ce que l’automatisation peut faire, les preuves à conserver et le moment où une intervention humaine s’impose.

La confiance intégrée est une discipline opérationnelle

Le test le plus difficile de l’autonomie survient après la décision. La banque peut-elle l’expliquer à un client, un auditeur ou un régulateur sans devoir reconstituer le dossier à partir de courriels et de journaux système ?

Ce défi dépasse les paiements. Selon la récente étude Blueprint for AI Leadership de HCLTech, seulement 17 % des organisations affichent une grande confiance dans les actions déclenchées par un agent. Dans le domaine des paiements, où une action autonome peut toucher des fonds, les résultats pour le client ou les obligations réglementaires, la confiance dépend de la connaissance de ce qu’un agent peut faire, dans quelles conditions et sous quelle supervision.

Un modèle gouverné doit rendre le cheminement visible : accès aux données, règle ou modèle appliqué, action prise, seuil déclencheur de révision et toute approbation ou dérogation humaine. Un dossier unique donne aux équipes d’exploitation, de gestion du risque, de conformité et d’audit une source commune de preuve.

C’est là où les responsabilités des dirigeants et des praticiens se rejoignent. Les dirigeants établissent l’appétit pour le risque, les droits de décision, les attentes de service et les seuils d’escalade. Les praticiens valident que ces contrôles fonctionnent dans des conditions réelles. Leurs commentaires font ressortir les données manquantes, les trop nombreux transferts et les seuils qui causent un travail manuel superflu.

Comme le dit Steve Morgan, Chef mondial du secteur bancaire chez Pegasystems : « La clé est de concilier cette autonomie avec la transparence et le contrôle qui bâtissent une confiance durable auprès du client. »

La confiance n’est pas une couche de communication ajoutée après coup. Elle s’intègre dès la réception, la conception des flux, les contrôles d’accès, la logique décisionnelle, les points d’intervention humaine et la traçabilité pour audit.

Le passage à la production en étapes délimitées

Les banques devraient commencer par un parcours à fort volume, un seul rail de paiement et un canal. Pour l’entreprise, le point de départ pourrait être une enquête pour remise manquante ou un rappel; côté détail, il pourrait s’agir d’un litige non frauduleux défini ou d’une faible réclamation de fraude.

La première phase devrait être une mise en production délimitée, et non un projet pilote jetable. Le périmètre doit être assez restreint pour arriver en production rapidement, mais permettre de valider les données, les intégrations, les contrôles de politique et les points de revue humaine.

Avant le lancement, l’équipe doit s’entendre sur les données requises, les critères de STP, les seuils de politique, les points de revue humaine, les preuves d’audit et la responsabilité du résultat. La performance doit être mesurée selon l’exhaustivité à l’accueil, les délais du cycle, le STP, la reprise, la gestion des transferts, la qualité des communications, le respect des délais et l’exhaustivité de la piste d’audit.

On peut ensuite élargir à d’autres canaux, rails de paiement, types de litiges ou d’exceptions, niveaux de risque et régions. Le périmètre doit croître uniquement si les résultats opérationnels et la performance des contrôles restent solides.

Le changement du modèle opérationnel

Les paiements autonomes ne constituent pas seulement une mise à niveau technologique. Ils modifient la façon dont la responsabilité se répartit entre personnes, politiques, systèmes et AI.

À mesure que l’autonomie augmente, les équipes des opérations de paiement peuvent passer moins de temps sur les cas routiniers et davantage à gérer les exceptions, réviser les décisions à risque élevé et améliorer les règles sous lesquelles le travail automatisé s’effectue. Les praticiens deviennent de plus en plus superviseurs et concepteurs de l’exécution, tout en gardant la responsabilité des dossiers où le jugement et le risque important exigent une intervention humaine.

Pour HCLTech et Pega, l’opportunité consiste à associer les capacités de la plateforme à ce modèle opérationnel : accueil complet, STP accru, AI sélective, exécution gouvernée et preuve qui résiste à l’examen.

La rapidité est désormais attendue. C’est la confiance qui détermine si cette rapidité peut se déployer à grande échelle. En matière de paiements, agir plus vite ne crée de valeur que si l’institution peut prouver pourquoi elle a agi.