Stripe explique comment les agents IA l'aident à passer à l'échelle sa conformité financière

Stripe a publié sur le blog d'AWS une analyse détaillée de la façon dont elle a construit un système d'agents IA en production pour la conformité financière. C'est un cas public rare : une grande fintech dévoile non pas un concept, mais une architecture réelle, avec des enseignements sur la décomposition des tâches, le coût des requêtes et la place de l'humain dans la boucle de décision.

Architecture : ReAct et un service dédié

Au cœur du système se trouve le framework ReAct (Reasoning + Acting) : l'agent formule tour à tour l'étape suivante puis l'exécute, et répète le cycle jusqu'à atteindre son objectif. L'approche est connue de longue date, mais Stripe a consacré un effort d'ingénierie considérable à sa mise en production.

La décision d'infrastructure clé est un service d'agents dédié, isolé du reste de la plateforme. Cette isolation règle plusieurs problèmes à la fois :

• mise à l'échelle indépendante des agents sans affecter les services centraux
• journalisation séparée de chaque étape de raisonnement pour les audits
• gestion fine des droits d'accès au niveau du service
• mise à jour et remplacement des modèles sans risque pour le traitement des paiements
• isolation des erreurs : la défaillance d'un agent ne se propage pas aux autres composants

L'architecture dédiée simplifie aussi l'intégration de nouveaux scénarios de conformité : ajouter un nouveau type de tâche n'exige pas de modifier le cœur du système.

Décomposition des tâches et orchestration

Les dossiers de conformité complexes sont découpés en sous-tâches atomiques : vérification de documents, rapprochement de données, classification des risques, génération de rapports. L'agent ne résout pas une tâche en un seul appel. Chaque étape est isolée, ce qui réduit la probabilité d'erreur et facilite le débogage d'un maillon précis de la chaîne.

Les modèles d'orchestration ont été conçus en privilégiant la reproductibilité. L'architecture n'est pas liée à un seul type de tâche : les mêmes principes de décomposition s'appliquent à la vérification KYC, à la surveillance AML, au contrôle des contreparties et à la préparation des rapports réglementaires. Stripe présente cela comme un choix délibéré : créer un outil applicable horizontalement, plutôt qu'une solution ponctuelle pour une seule réglementation.

Le prompt caching réduit les coûts

Dans les opérations de conformité, une grande partie du contexte est stable et se répète : guides réglementaires, politiques d'entreprise, modèles d'évaluation des risques. Stripe utilise le prompt caching via l'API Claude : ces blocs sont mis en cache et ne sont pas facturés en entier à chaque appel suivant. Résultat : un coût d'inférence divisé par plusieurs fois pour un même volume de tâches. Avec des milliers de contrôles de conformité par jour, l'écart entre prompts en cache et hors cache devient un poste de dépense opérationnelle significatif. L'équipe présente le prompt caching comme l'un de ses principaux outils d'optimisation, sans perte de qualité.

L'humain dans la boucle : l'auditabilité avant la vitesse

La conformité financière est un domaine où l'erreur coûte cher au sens propre : amendes, perte de licence, atteinte à la réputation. Stripe a volontairement maintenu un contrôle humain aux points critiques. L'agent formule une conclusion et propose une action, et un humain la confirme ou la rejette. L'objectif n'est pas d'écarter les spécialistes du processus, mais de déplacer leur attention du traitement de routine vers les décisions importantes.

Cette approche garantit l'auditabilité à grande échelle : chaque décision peut être retracée jusqu'à une étape précise du raisonnement de l'agent. Pour une entreprise réglementée, c'est à la fois une bonne pratique et une exigence légale.

Ce que cela signifie

L'analyse de Stripe est l'un des rares exemples publics d'agents en production dans le secteur financier réglementé. Les choix d'architecture, les données de coûts et les principes d'auditabilité constituent un matériau qu'on ne pourrait sinon acquérir qu'au prix d'une expérience propre, coûteuse. Pour les équipes qui conçoivent des agents IA en finance, en droit ou en médecine, c'est une référence rare et précieuse.