Quatre cas d'usage, un seul vrai enjeu : la croissance mesurable
La question n'est plus de savoir si les fintechs utilisent l'intelligence artificielle. Elle est de savoir lesquelles en tirent un avantage compétitif réel, chiffrable, et lesquelles se contentent d'une couche de discours sur des pratiques inchangées. Ove Kreison, cofondateur de Tuum, plateforme de core banking cloud-native fondée en 2019 à Tallinn, a structuré publiquement sa réflexion autour de quatre axes précis : la tarification dynamique, la personnalisation de l'expérience, la détection de fraude, et le support client. Ce cadre mérite qu'on le prenne au sérieux, pas pour ce qu'il dit sur Tuum, mais pour ce qu'il révèle sur l'état de la transformation du secteur.
Le marché valide l'approche : selon les données compilées par plusieurs sources de recherche, l'adoption de l'intelligence artificielle dans les services financiers touche aujourd'hui 81 % des établissements, mais seulement 14 % la considèrent comme vraiment transformatrice pour leur stratégie. C'est précisément dans cet écart que se joue la prochaine vague de différenciation.
Tuum, un acteur à surveiller dans le core banking européen
Avant d'entrer dans la substance des cas d'usage, un point de contexte sur Tuum s'impose. La startup estonienne a levé au total près de 50 millions de dollars depuis sa création, dont 27 millions d'euros en série B en février 2024 auprès de CommerzVentures et Speedinvest, suivis d'un investissement stratégique de Citi Ventures dont le montant n'a pas été rendu public. Sa valorisation est estimée entre 100 et 250 millions de dollars à la date du dernier tour. La plateforme, construite sur une architecture microservices et entièrement dans le cloud, repose sur un modèle par abonnement modulaire : les clients ne paient que les briques qu'ils activent.
Ce modèle SaaS à modules est précisément ce qui permet à Tuum d'intégrer des couches d'intelligence artificielle progressivement, sans refonte complète de l'infrastructure pour ses clients. C'est un avantage structurel dans un marché où, selon CommerzVentures, les dépenses annuelles mondiales en core banking dépassent 15 milliards de dollars, et où la migration reste perçue comme un chantier à haut risque. Pour aller plus loin sur les dynamiques de l'infrastructure de paiement en Europe, l'article Findfi sur Checkout.com et le paiement agentique donne un éclairage complémentaire utile.
Pricing et personnalisation : le duo le plus sous-exploité
Le premier levier identifié par Tuum est la tarification dynamique. Concrètement, il s'agit de moduler les offres, les frais ou les conditions en temps réel selon le profil comportemental et financier d'un client. Ce n'est pas une nouveauté conceptuelle, mais sa mise en œuvre industrielle à grande échelle est restée difficile faute d'infrastructure capable de croiser des données en temps réel. La plateforme modulaire de Tuum adresse précisément ce point, en permettant à ses clients d'activer des moteurs de décision connectés aux données transactionnelles.
La personnalisation suit la même logique. Les études de marché montrent que 64 % des établissements financiers utilisent déjà l'intelligence artificielle pour le marketing et la personnalisation, et 67 % pour la gestion de la relation client. Ce sont des taux élevés, mais la majorité de ces déploiements restent superficiels : recommandations de produits basiques, segmentation grossière. La vraie personnalisation, celle qui adapte une offre de crédit ou un profil de risque à un moment précis du parcours client, reste le privilège de quelques acteurs très avancés. C'est là que se concentre la prochaine bataille.
Pour comprendre comment les agents autonomes vont encore accélérer cette dynamique, l'article Agent IA : comment ça fonctionne et ce que ça change vraiment pour une entreprise apporte un cadre de lecture utile.
Fraude : le cas d'usage le plus mature, et de loin
La détection de fraude est, de loin, le domaine où l'intelligence artificielle a le plus démontré sa valeur dans la finance. Les raisons sont simples : les données sont abondantes, les décisions sont binaires (fraude ou pas), et le coût de l'erreur est immédiatement mesurable. En 2024, les pertes déclarées liées à la fraude aux États-Unis ont atteint 12,5 milliards de dollars, soit une hausse de 25 % sur un an. Ce chiffre illustre l'ampleur du problème, même dans les marchés les plus équipés.
Ce que les meilleurs systèmes apportent aujourd'hui va au-delà de la simple détection : ils réduisent de 70 à 95 % les faux positifs, c'est-à-dire les transactions légitimes bloquées à tort. Dans un contexte fintech, chaque faux positif est un compte gelé, un virement retardé, un client perdu. La réduction des faux positifs n'est donc pas un indicateur technique secondaire : c'est un levier direct de revenus et de satisfaction client.
L'Amérique latine illustre l'autre face du problème : quand l'infrastructure locale est insuffisante, même les meilleurs modèles de détection peinent à couvrir le risque. Les volumes de chargebacks dans la région atteignent 8,49 milliards de dollars et progressent à un rythme de 22 % sur la période 2025-2028. dLocal, acteur uruguayen coté au Nasdaq avec 1,09 milliard de dollars de revenus en 2025, a documenté que les chargebacks représentent jusqu'à 19 % du chiffre d'affaires annuel dans le commerce en ligne régional. La cause est structurelle : la croissance du paiement numérique dépasse la vitesse de déploiement des outils de prévention et des mécanismes de résolution des litiges.
Support client : le levier de coût le plus immédiat
Le quatrième axe mis en avant par Tuum est le support client. C'est probablement le cas d'usage où le retour sur investissement est le plus rapide et le plus visible pour une direction financière. Un ticket standard dans une fintech coûte entre 15 et 30 dollars à traiter manuellement ; un dossier de fraude ou à dimension réglementaire dépasse 50 dollars. Avec des systèmes capables de résoudre ces tickets de façon autonome, le coût tombe à moins de 2 dollars par résolution.
Les études sectorielles estiment le retour sur investissement à 3,50 dollars pour chaque dollar investi dans le support client automatisé, avec un délai de rentabilité de 6 à 12 mois. Ces chiffres expliquent pourquoi le support client est le cas d'usage le plus déployé dans la fintech, avec un taux d'adoption de 73 % selon les données compilées par Cambridge CCAF. La contrainte reste la même qu'ailleurs : produire une piste d'audit conforme aux exigences réglementaires, ce qui exige des systèmes capables de documenter chaque décision, pas seulement de la prendre.
Pour voir comment d'autres acteurs structurent concrètement ce type d'infrastructure, les approches de Form3 sur l'ouverture de son infrastructure aux agents IA et de GoCardless sur le paiement agentique illustrent comment la contrainte de conformité est traitée en pratique.
L'analyse Findfi
Mettons quelques chiffres en perspective. Tuum a levé environ 50 millions de dollars pour une valorisation estimée à 110 millions de dollars lors de son dernier tour de table de série B en février 2024 (multiple de valorisation sur fonds levés : environ 2,2x, ce qui reste modeste pour le secteur). Son marché adressable direct, le core banking mondial, représente plus de 15 milliards de dollars de dépenses annuelles. Tuum ne capte qu'une fraction infime de ce marché aujourd'hui, mais l'intégration progressive de modules d'intelligence artificielle dans une architecture déjà modulaire est précisément le vecteur qui peut accélérer la valeur perçue par client et donc l'expansion de la valeur vie client.
Estimation Findfi : si l'on applique les benchmarks du secteur (réduction de 30 à 40 % du coût par contact en support client, réduction des faux positifs sur la fraude de l'ordre de 70 %), une fintech de taille intermédiaire gérant 500 000 clients actifs et 1 million de tickets annuels pourrait économiser entre 7 et 14 millions de dollars par an sur ces deux postes seuls, sans compter les gains de conversion liés à la personnalisation. C'est un ordre de grandeur qui justifie à lui seul le budget d'un projet de transformation de core banking.
Le chantier de l'intelligence artificielle dans les fintechs n'est plus une affaire de vision : c'est une affaire d'exécution. Et dans ce registre, les acteurs qui ont construit une infrastructure modulaire dès le départ partent avec une longueur d'avance structurelle. Sur ce sujet, notre article sur l'IA dans les paiements et la transformation structurelle à venir développe l'argument en détail.
Concrètement, qu'est-ce que ça change pour une direction financière ?
Pour une direction financière ou un responsable des opérations dans une fintech ou une banque digitale, l'enseignement principal de cette séquence est simple : les quatre leviers identifiés (tarification, personnalisation, fraude, support) ne sont pas des projets distincts à empiler. Ils partagent la même infrastructure de données et les mêmes prérequis techniques. Traiter la fraude sans avoir un système de données clients unifié, c'est travailler avec une main attachée dans le dos.
La priorité opérationnelle devrait donc être d'identifier, en interne, quel est le levier dont le retour sur investissement est le plus rapide compte tenu de la maturité existante des données. Dans la plupart des cas, c'est la fraude ou le support client, parce que les données sont déjà structurées et les économies mesurables dès les premiers mois. La tarification dynamique et la personnalisation viennent ensuite, une fois que le socle de donnée est consolidé.
Pour les équipes qui évaluent des outils concrets dans cet écosystème, la catégorie Fintech de Findfi recense régulièrement les acteurs et les tendances structurantes. Et pour les fintechs qui réfléchissent à leur infrastructure de conformité et d'identité, l'article sur Freda et les fondateurs de Tink donne un éclairage intéressant sur la difficulté de construire une infrastructure robuste même avec une expérience de haut niveau.
Ce qu'il faut retenir
Premier point : l'intelligence artificielle dans la fintech n'est pas uniformément déployée. 81 % des établissements l'utilisent, mais seulement 14 % la jugent transformatrice. L'écart est là où se construit l'avantage concurrentiel.
Deuxième point : la fraude est le cas d'usage le plus mature, mais le plus sous-estimé sur la dimension des faux positifs. Réduire les blocages abusifs de transactions légitimes, c'est directement protéger les revenus et la satisfaction client.
Troisième point : l'Amérique latine illustre ce qui arrive quand la croissance des paiements numériques dépasse la vitesse de construction de l'infrastructure locale. Les chargebacks y représentent jusqu'à 19 % du chiffre d'affaires du commerce en ligne régional, un niveau structurellement insoutenable sans investissement massif dans les outils de prévention.
Quatrième point : pour une direction financière, les quatre leviers (pricing, personnalisation, fraude, support) partagent le même prérequis, une infrastructure de données unifiée. Celui qui le construit en premier dispose d'un avantage difficile à rattraper.