L'IA agentique révolutionne les services financiers : enjeux et défis

L'importance cruciale des données dans l'IA agentique

Dans le secteur des services financiers, l'intégration de l'intelligence artificielle agentique représente un défi unique. Ce secteur, parmi les plus strictement réglementés, doit en permanence s'adapter à des événements externes qui évoluent à chaque instant. Le succès de l'IA agentique dans ce domaine repose moins sur la complexité des systèmes que sur la qualité, la sécurité et l'accessibilité des données qu'elle utilise.

Steve Mayzak, directeur général mondial de Search AI chez Elastic, souligne que tout commence par les données. L'IA agentique, qui se distingue par sa capacité à planifier et agir de manière autonome pour accomplir des tâches, offre un potentiel considérable dans les services financiers. Elle peut intégrer des données en temps réel et optimiser des processus complexes. Selon Gartner, plus de 50 % des équipes des services financiers ont déjà mis en œuvre ou envisagent de mettre en œuvre l'IA agentique.

Cependant, l'introduction de l'IA autonome dans une organisation peut exacerber à la fois les forces et les faiblesses des données qu'elle utilise. Pour déployer l'IA agentique avec efficacité et confiance, les entreprises doivent d'abord être en mesure de rechercher, sécuriser et contextualiser leurs données à grande échelle. Comme le souligne Mayzak, l'IA agentique amplifie le maillon le plus faible de la chaîne, à savoir la disponibilité et la qualité des données. Les systèmes ne peuvent être meilleurs que leur maillon le plus faible.

La qualité de l'information : un enjeu majeur

Dans le secteur financier, la réglementation impose un haut niveau de responsabilité pour tous les outils de données. Mayzak explique que les entreprises ne peuvent pas simplement se contenter de montrer d'où viennent les données et ce qu'elles deviennent. Il est essentiel de pouvoir expliquer de manière auditable et gérable quelles informations le modèle a utilisées et pourquoi elles étaient appropriées pour l'étape suivante.

Les entreprises de services financiers doivent également faire preuve de rapidité et de précision pour répondre aux attentes des clients et rester compétitives. Les marchés évoluent constamment, et les risques et opportunités évoluent avec eux. Si un modèle d'IA peut analyser le langage naturel provenant de sources complexes, en plus des données structurées, cela offre des informations plus pertinentes aux utilisateurs.

Dans cet environnement, il n'y a pas de place pour l'erreur, notamment les hallucinations qui ont affecté les premières tentatives d'IA. Les systèmes d'IA agentique nécessitent un accès rapide à des données de haute qualité, bien gouvernées, sécurisées et accessibles. Dans les services financiers, ces données incluent les transactions, les interactions avec les clients, les signaux de risque, les politiques et le contexte historique. La préparation de ces données pour l'IA est une tâche complexe mais cruciale.

Les données doivent être bien indexées et consolidées à travers différents emplacements, plutôt que d'être cloisonnées dans des systèmes séparés au sein de l'organisation. Sinon, les agents d'IA risquent de prendre du retard, de fournir des réponses incohérentes et de produire des décisions difficiles à tracer et à expliquer, ce qui sape la confiance des régulateurs, des clients et des parties prenantes internes.

Mayzak souligne qu'il existe de nombreuses façons de décrire l'exécution d'une transaction dans une banque. Dans un monde propulsé par des agents, ces descriptions doivent être déterministes pour donner les mêmes résultats à chaque fois. Pourtant, nous nous appuyons sur des modèles puissants mais non déterministes, ce qui est délicat mais pas impossible. Pour une entreprise de services financiers, gérer cela peut être très difficile. Une étude de Forrester a révélé que 57 % des organisations financières développent encore les capacités internes nécessaires pour tirer pleinement parti de l'IA agentique.

Recherche et sécurisation des résultats

Une plateforme de recherche efficace est essentielle pour résoudre le problème des données fragmentées, mal indexées et inaccessibles. Les entreprises de services financiers qui peuvent facilement trier à la fois leurs données structurées et non structurées, les garder sécurisées et les appliquer dans le bon contexte tireront le plus de valeur de l'IA agentique. Cela nécessite souvent de concevoir des systèmes d'IA en tenant compte de l'accès aux données et de leur utilité afin qu'ils puissent fonctionner plus rapidement et produire des résultats plus précis, tout en réduisant les risques.

Mayzak affirme que la recherche est la technologie fondamentale qui rend l'IA précise et ancrée dans des données réelles. Les plateformes de recherche deviennent le contexte et les mémoires autoritaires qui alimenteront cette révolution de l'IA. Une fois en place, ces recherches améliorées par l'IA et ces systèmes autonomes peuvent servir les entreprises de services financiers pour une gamme de besoins.

Lors de la surveillance de l'exposition des clients, l'IA agentique peut scanner en continu les transactions, les signaux du marché et les données externes pour détecter les risques émergents. Les plateformes peuvent ensuite signaler ou escalader automatiquement les problèmes en temps réel. Dans la surveillance des transactions, les agents d'IA peuvent examiner les flux de travail des transactions, identifier les incohérences entre différents formats et résoudre les exceptions étape par étape avec un minimum d'intervention humaine.

Dans le reporting réglementaire, l'IA peut rassembler des données provenant de différents systèmes, générer les rapports requis et suivre comment chaque sortie a été produite. Ces applications de l'IA font gagner du temps tout en soutenant les besoins d'audit et de conformité en étant traçables et explicables.

Bien que de telles capacités existent déjà, elles sont souvent manuelles, fragmentées et difficiles à mettre à l'échelle. L'IA agentique permet aux organisations financières de se diriger vers des processus plus automatisés, efficaces et évolutifs tout en maintenant la précision et la transparence requises dans leur environnement hautement réglementé.

Construire un écosystème d'IA agentique

Lancer une IA agentique peut être intimidant, surtout si d'autres projets d'IA ont échoué en interne. La recommandation de Mayzak est de choisir un cas d'utilisation gérable et de le laisser croître au fil du temps. Le succès peut s'appuyer sur le succès. Bien que les entreprises puissent viser à automatiser un processus commercial de 70 étapes, elles découvrent qu'il faut commencer quelque part. Ce qui fonctionne sur le marché, c'est de s'attaquer au problème étape par étape. Une fois que vous avez fait fonctionner la première étape, vous pouvez ensuite passer à la suivante, et ainsi de suite.

Les organisations de services financiers qui se démarquent parmi leurs pairs seront celles qui intègrent l'IA agentique dans un écosystème plus large comprenant des contrôles de sécurité solides, une bonne gouvernance des données et une gestion efficace des performances des systèmes. Comme le dit Mayzak, bien faire cela créera une boucle de rétroaction de l'IA, où les dirigeants obtiennent de nouveaux signaux de ces systèmes pour évaluer l'efficacité de leurs investissements et générer des informations fiables et exploitables.

En itérant sur des projets pilotes et en améliorant continuellement, les entreprises construiront des systèmes agentiques qui peuvent être mesurés, gérés et mis à l'échelle. Cela transformera l'IA agentique en un avantage concurrentiel durable.