Dans cet article, nous revenons sur les mécanismes qui rendent l’Intelligence Artificielle (IA) agentique si performante, dans la lignée des autres IA. Puis nous tentons d’identifier ses apports au secteur des services financiers en listant ses cas d’usage et en pointant sa dimension transformatrice pour l’ensemble du secteur. En écho à notre étude « Intuitive AI for banking and financial services », cet article s’attarde sur les ressorts techniques et les usages concrets de cette technologie émergente.
Après 2023 et l’IA générative, c’est au tour des systèmes agentiques de s’imposer dans le vocabulaire de la transformation digitale en 2025. Destinés à s’insérer opérationnellement dans les process combinant le travail humain avec l’aide des agents, ces agents intelligents collaborent de différentes manières (supervisés, semi autonomes, autonomes) pour analyser leur environnement, prendre des décisions éclairées et mener à bien des missions complexes – l’IA générative assurant la partie contenu (conversationnelle, flux, image…) entre les différents autres agents.
« En vingt ans de carrière, rarement une technologie n’aura offert un potentiel aussi transformateur que l’IA agentique », déclare Vishal Dugar, Growth Leader chez Cognizant. Les gains de productivité s’annoncent majeurs et laissent envisager des progrès importants en matière d’innovation ».
Une technologie transformatrice pour les services financiers
Dans le domaine des services financiers, ces bénéfices de l’IA agentique sont particulièrement attendus. Historiquement, le secteur financier s’est toujours montré appétent aux technologies d’automatisation : le traitement des transactions, tâche simple et répétitive par essence, s’est ainsi trouvé très tôt confié à des programmes automatiques. Puis les progrès du Machine Learning ont permis aux architectures IT et aux systèmes agentiques de s’organiser et d’exécuter des tâches de plus en plus sophistiquées. L’agentique a aussi un rôle important à jouer dans le traitement de la « legacy » du secteur financier, le ROI étant assez élevé dans cette niche.
Désormais le secteur financier est entré dans l’ère de l’IA agentique moderne, avec des capacités encore inédites qui permettent d’envisager l’automatisation d’opérations plus complexes. On peut songer à des systèmes d’évaluation des risques fondés sur des volumes massifs de données, qui libèrent ainsi du temps de traitement aux équipes tout en livrant un panorama complet des menaces et opportunités. Mais aussi à des activités de gestion de portefeuille où les allocations d’actifs pourraient s’opérer de façon dynamique et stratégique grâce à des analyses prédictives et des données en temps réel.
De façon plus globale, tous les services financiers pourraient être amenés à basculer vers ce type de systèmes pour améliorer la prise de décision et l’efficacité opérationnelle, entraînant ainsi une transformation massive de l’infrastructure financière moderne.
Quels composants technologiques ?
Avant d’entrer plus précisément dans la description des cas d’usage qui pourraient accélérer l’adoption de ces systèmes dans l’univers financier, il importe déjà de comprendre quelles technologies soutiennent l’IA agentique moderne afin d’identifier les rôles complémentaires que celles-ci jouent et les bénéfices qu’elles apportent :
- L’Intelligence Artificielle et le Machine Learning sont, tout d’abord, les acteurs principaux de ces écosystèmes : ils apportent leur pouvoir de traitement à l’échelle en même temps qu’une capacité d’amélioration continue grâce à l’apprentissage itératif. À elle seule, l’IA dispose d’un éventail de compétences qui lui permet à la fois de prendre des décisions, de résoudre des problèmes ou d’identifier des liens de causalité – en somme de répliquer les mécanismes de l’intelligence humaine. De son côté, le Machine Learning, lui-même sous-catégorie de l’IA, s’emploie à développer des algorithmes qui permettront aux systèmes de réaliser leurs prédictions et de puiser dans les données disponibles pour raffiner leurs recommandations. Cette capacité d’apprentissage dynamique est une clé de voûte de l’IA agentique : elle garantit l’adaptation continue des systèmes aux informations nouvelles et aux scénarios évolutifs, les rendant de plus en plus pertinents et performants au fil du temps.
- Le Traitement Automatique du Langage Naturel (natural language processing ou NLP) est une autre brique indispensable car il permet la bonne compréhension, interprétation et génération du langage humain dans le système. Le NLP associe la linguistique informatique à l’IA pour traiter et analyser de grands volumes de données de langage naturel, ce qui permet aux systèmes d’IA agentique d’interagir avec les utilisateurs de façon pertinente, en résonance immédiate avec le contexte. En intégrant des nuances aussi fines que le ton, l’intention et le contexte, le NLP apporte précision et empathie aux échanges entre l’homme et la machine, améliorant immédiatement la fluidité de la communication et l’expérience utilisateur.
- Enfin, les systèmes d’IA agentique reposent sur la Blockchain pour assurer la sécurité et la transparence des transactions. En proposant un registre décentralisé et infalsifiable, cette technologie offre un cadre robuste pour sécuriser les échanges de données et garantir l’intégrité de l’information, protégeant ainsi le système contre les risques de fraudes. Dans le contexte d’un système d’IA agentique, l’utilisation de la Blockchain n’est pas un pré-requis mais sa mobilisation permet d’offrir un cadre transparent et vérifiable aux transactions automatisées, accroissant ainsi son niveau de confiance et de responsabilité auprès des utilisateurs.
Combinées les unes aux autres, ces technologies créent un schéma cohérent dans lequel les systèmes d’IA agentique peuvent opérer sur de hauts standards d’intelligence, d’adaptabilité et de sécurité : l’IA et le Machine Learning apportent l’amélioration continue et l’apprentissage, le NLP facilite la communication précise entre l’homme et la machine et la Blockchain garantit l’intégrité et la transparence des transactions. Cette conjonction inédite de technologies avancées (apprentissage automatique, traitement du langage naturel et blockchain) permet à l’IA agentique de s’imposer comme une innovation de rupture, capable de remodeler durablement le secteur financier.
Les cas d’usage d’IA agentique dans le secteur des services financiers
En effet, dans ce secteur particulier des services financiers, les systèmes d’IA agentique peuvent avoir plusieurs applications :
- Le trading automatisé : on peut s’attendre à ce que les systèmes autonomes soient capables d’exécuter des opérations de trading avec une précision et une rapidité remarquables ; chaque transaction voyant son profit optimisé par les algorithmes de pointe. Par exemple, les fonds d’investissements pourraient utiliser des bots de trading pour analyser avec précision les tendances de marché et exécuter des ordres au moment le plus opportun, maximisant ainsi la profitabilité de l’opération.
- La détection des fraudes : par leur capacité à analyser les schémas de transactions et à détecter les événements anormaux, les systèmes intelligents devraient exceller à identifier les activités frauduleuses. Pour les institutions financières et les autorités prudentielles, c’est une opportunité unique de suivre au plus près les transactions en temps réel et d’empêcher la survenue des fraudes.
- Le conseil financier (hyper)personnalisé : en analysant d’importants volumes de données clients, les systèmes d’IA agentique peuvent rapidement formuler des recommandations sur-mesure, permettant aux clients de prendre leurs décisions sur la base d’avis éclairés. Cette perspective ouvre la voie à des robots-conseillers capables de recommander des stratégies d’investissement personnalisées, adaptées au profil de risque de chacun et intégrant la planification financière du client.
- La gestion de portefeuille : un peu comme pour le conseil financier personnalisé, on peut s’attendre avec l’IA agentique à la formulation de stratégies d’investissement sur-mesure, fondées sur le niveau d’aversion au risque et les objectifs financiers de chacun. Ces outils auront la possibilité d’ajuster en permanence les contenus des portefeuilles pour maximiser les rendements, en s’assurant à chaque instant que les stratégies d’investissement soient en résonance avec les conditions du marché.
- La conformité réglementaire : en automatisant tous les process de suivis et reportings, les systèmes d’IA agentique devraient accélérer et fluidifier les procédures de conformité réglementaire – notamment les initiatives « Know your Customer » (KYC) ou « anti-blanchiment » (AML) dans lesquels des anomalies peuvent très vite être détectées et remontées par les systèmes d’IA.
Concevoir les enjeux d’aujourd’hui et de demain
Reste à envisager le paysage technique qui accompagnera ce mouvement d’interconnexion des agents spécialisés : quelles seront les propositions des grands fournisseurs de plateformes ? quels partenariats mettront-ils en place pour répondre de façon pertinente aux besoins métiers des services financiers ? Et comment garantir, dans ces solutions, l’enjeu de la supervision, de l’éthique et de la conformité réglementaire ?
En février dernier, Salesforce et Google mettaient ainsi en scène leur partenariat autour d’Agentforce, l’outil de création d’agents autonomes de Salesforce : celui-ci intégrera désormais Gemini, le modèle d’IA multimodale de Google, pour augmenter les capacités des agents des clouds Salesforce (Field Service, Commerce, Marketing, etc). Objectif de l’opération : donner aux agents Salesforce la capacité de gérer des tâches plus complexes et des formats de données très disparates (photos, vidéos, etc) dans un contexte où les interactions entre agents IA sont appelées à se massifier.
Au sein de Cognizant, la réflexion autour de cette accélération multi-agents s’est traduite par la création d’une plateforme décisionnelle pour les entreprises : le Cognizant Neuro AI. Appuyé sur une orchestration multi-agents et sur des capacités d’IA générative, un tel outil permet aux entreprises, notamment bancaires ou financières, de modéliser des prototypes et business cases pour aboutir à une décision optimale.
L’enjeu de la supervision, de la responsabilité et de la réglementation reste cependant central dans une industrie des services financiers particulièrement scrutée sur ces enjeux. Au sein de Cognizant, une solution concrète a consisté à mettre à disposition des entreprises un outil méthodologique, le Cognizant Trust FrameworkTM, capable de rendre les principes éthiques directement opérationnels dans la conception de systèmes multi-agents.
Mais, dans un environnement réglementaire en mutation constante, le suivi de conformité et l’anticipation des démarches à venir sont plus que jamais au cœur des préoccupations : quels impacts attendre de l’entrée en vigueur de l’IA Act le 1er août 2024 (dont l’application est échelonnée sur 2025, 2026 et 2027) ? quelles conséquences pourraient avoir les réglementations DORA et NYS2 sur les cas d’usage cyber des dispositifs multi-agents ? Et enfin : doit-on anticiper la survenue de nouvelles règles et de nouveaux cadres de gouvernance, relatifs à la supervision, la traçabilité et l’explicabilité des interactions inter-agents ?
Toutes ces questions encore en suspens traduisent bien la volonté commune d’aboutir rapidement à des cadres clairs et opérationnels pour qu’une IA de confiance voie le jour et garantisse ainsi l’adoption des systèmes multi-agents.
Car le dernier enjeu de taille auquel se confronteront les industries, et particulièrement celle de la banque et des services financiers, sera probablement celui de l’adoption par le grand public. Comment interagir avec le consommateur quand celui-ci sera, à son tour, muni d’un « agent personnel » pour réaliser ses opérations financières ? Quelle expérience client proposer au sein d’interfaces qui deviendront probablement le mode d’interaction privilégié entre le client et l’opérateur financier ? Et comment créer une communication facilitée entre la banque et ces agents personnels ?
Toutes ces questions appellent des expertises complémentaires : nous les traiterons dans d’autres publications.
En conclusion
L’avènement de l’IA agentique marque donc un tournant dans l’évolution du secteur des services financiers : en mobilisant des technologies aussi avancées que l’IA, le Machine Learning, le NLP ou la Blockchain, ces systèmes promettent d’améliorer considérablement l’efficacité opérationnelle, la sécurité informatique et les processus de prise de décision.
Mais, au-delà de cette dimension utilitaire, ces systèmes ouvrent la voie à un potentiel d’innovation encore inexploré, fondé sur leur capacité à se raffiner et s’améliorer en permanence. Quel paysage financier redessineront-ils pour demain ? Leur impact majeur dans l’écosystème de la Banque-Finance-Assurance du futur semble en tous cas acquis.
