Arca confie à des agents IA des tâches financières pouvant durer jusqu'à 10 jours, mais laisse les transactions aux humains

Arca est une société « AI-native » de gestion de capital, dont presque tout le travail de fond est assuré par des agents IA. Un seul scénario peut s'étendre sur dix jours. Il ne s'agit pas d'un travail continu, mais d'un long processus calendaire, rythmé par des pauses, de nombreux intervenants et des relais.

Aman Singh, ingénieur IA senior, a expliqué lors de la conférence AI Engineer à New York que le dernier mot revient malgré tout à des conseillers humains. Il résume : « les agents conseillent les humains plus souvent que les humains ne conseillent les agents ». Arca a récemment levé 48,5 millions de dollars lors d'un tour mené par General Catalyst, auquel ont aussi participé Index Ventures et Venrock.

Un horizon long plutôt qu'un travail long

Singh distingue deux notions : les tâches financières sont longues à l'échelle du calendrier, mais l'agent ne tourne pas pour autant en continu. Selon lui, le travail avance par à-coups : entre deux étapes, les acteurs, les points de décision et les relais se multiplient. L'un des exemples abordés dans le podcast est une facture fiscale de 100 000 dollars : les agents préparent l'analyse, et c'est un humain qui donne les validations.

Pour que l'agent ne perde pas le fil sur une telle durée, l'entreprise a construit son propre système de mémoire. Pour chaque client, il consigne ce qui s'est déjà passé, ce qui est suivi ensuite, ce qu'il faut faire dans les deux jours à venir et ce qui compte à long terme. Il note aussi, séparément, quelle personne est responsable de quelle action. Les agents ne se contentent pas de lire cette mémoire : ils l'alimentent eux-mêmes.

Un harnais maison et le choix des modèles

Arca utilise les modèles des laboratoires de pointe, principalement ceux d'Anthropic et d'OpenAI, et Claude reste le fournisseur principal. Ce n'est pas un ingénieur qui choisit manuellement le modèle pour chaque tâche : c'est le harnais (harness) maison, qui s'appuie sur les benchmarks internes de l'entreprise.

Singh justifie la maîtrise de ce harnais par la flexibilité. Un harness d'agents managé par un éditeur enferme l'équipe dans ses modèles, alors qu'une infrastructure propre permet de changer de fournisseur si besoin.

Il existe aussi une boucle d'auto-amélioration. Les retours des conseillers et les traces de travail des agents sont réunis, puis un « méta-agent » les analyse et propose des modifications du harnais. Le podcast évoque également la transformation des retours des employés en evals, des contrôles réguliers de la qualité.

Garde-fous déterministes et sandboxes

Dans la finance, la sécurité est un prérequis. Le rôle de l'agent chez Arca se limite à l'analyse et à la proposition de décisions. Le trading et tout mouvement d'argent restent du ressort du conseiller humain. « Toutes nos contraintes de sécurité sont entièrement déterministes, affirme Singh. Elles retirent la prise de décision à l'agent. » L'agent appelle lui-même une partie des outils, mais tout ce qui comporte un risque pour le client lui est inaccessible. L'entreprise teste aussi les vulnérabilités connues des systèmes d'IA, y compris les injections de prompt.

L'agent ne fonctionne pas dans la sandbox, mais c'est bien là qu'il exécute ses calculs. Une couche de protection supplémentaire a été conçue pour l'accès aux données. Le code écrit par l'agent dans la sandbox est converti dans un format strict et prévisible, et le code source est écarté. Des contraintes sont appliquées à ce format avant que la requête n'atteigne le backend. Les agents peuvent interroger les données par le code, les agréger et les transformer comme ils l'entendent, par exemple pour établir un plan financier.

Ce qu'on peut en retenir pour la pratique

L'expérience d'Arca offre un modèle pragmatique pour les secteurs où une erreur coûte cher. Mieux vaut construire la mémoire autour du client ou du dossier plutôt qu'autour de la conversation : un processus de plusieurs jours survit alors aux pauses et aux passages de relais entre personnes. Les autorisations gagnent à être fixées par des règles dans le code, et non par des instructions dans le prompt. Convertir le code écrit par l'agent en un format intermédiaire vérifiable supprime une partie des risques liés aux sandboxes.

Il y a aussi des réserves. Le contenu est un compte rendu d'interview et de présentation, et non un audit indépendant : on ne dispose d'aucune donnée sur les erreurs des agents, sur le temps gagné par les conseillers ni sur le nombre de clients. Parmi les sujets du podcast figurent la conformité et l'auditabilité « par défaut », le travail proactif auprès des clients et la recherche de frais cachés, mais le texte n'en donne pas le détail. Le tableau d'ensemble est clair : dans un travail de longue haleine sur l'argent, l'agent prépare la décision et rappelle à l'humain l'étape suivante, mais c'est l'humain qui tranche.