Sber a ramené la validation de ses contenus bancaires de sept jours à une heure
Sber a remplacé sa longue chaîne de validations par trois contrôles d'IA : éditorial, réputationnel et juridique. Les règles ont été constituées à partir des remarques passées des spécialistes et des cartes de risques, l'humain étant conservé pour les cas litigieux. Selon l'équipe, le parcours du brief à l'export vers le CRM est passé de sept jours à une heure, mais le système ne couvre pour l'instant que 30 % des SMS et des notifications push.
Traité par IA depuis Habr AI ; édité par Hamidun News
En général, la génération de texte n'est pas le principal goulot d'étranglement. On obtient un brouillon de notification push en quelques secondes, puis il circule pendant plusieurs jours entre l'éditeur, le juriste, le service des risques réputationnels, la conformité et le responsable produit. Chez Sber, on a décidé d'automatiser précisément cette file d'attente : les remarques types des spécialistes ont été transformées en contrôles automatiques, et l'humain a été conservé pour les cas où le risque est réellement élevé.
Selon l'équipe du projet, le parcours du brief à l'export de la communication finalisée vers le CRM est passé de sept jours à une heure. Ce n'est pas un bouton universel : le processus complet ne fonctionne pour l'instant que pour environ 30 % des SMS et des notifications push. Mais ce cas est utile, car il montre une architecture d'automatisation concrète dans une entreprise réglementée.
Trois contrôles au lieu de huit validateurs
Le système répartit la vérification en trois couches. La première, AI-Boost, contrôle l'orthographe, les règles éditoriales et les formulations produit. L'équipe a étudié les remarques accumulées par les éditeurs et les correcteurs et a ramené les exigences récurrentes à environ 50–60 règles. S'y ajoutent des dictionnaires, des guides produit et des limites de longueur des messages.
La deuxième couche, Smart ToV, détecte les risques réputationnels : humour déplacé, sujets toxiques, argot douteux, ton inadapté en situation d'urgence. Un « feu tricolore » y est appliqué. Un résultat vert passe automatiquement, un résultat rouge renvoie le contenu à un humain.
La troisième couche est le juriste IA. Pour cinq produits financiers, l'équipe a élaboré des cartes de risques : formulations dangereuses, responsabilité possible et moyens de correction. Le modèle ne se contente pas de poser un marqueur : il montre le risque détecté et propose une formulation plus sûre. Cette vérification, qui prenait auparavant jusqu'à cinq jours selon le SLA, s'effectue désormais, d'après les auteurs du projet, en environ trois minutes.
Un exemple simple : la banque prépare une notification push sur un produit financier. Le modèle doit repérer la promesse d'un rendement non garanti, vérifier la mention obligatoire et déterminer si un ton enjoué convient au contexte d'actualité. Si l'infraction est évidente, le texte est renvoyé pour correction. Si le risque est limite, la décision revient à un spécialiste.
D'où viennent les règles
La partie la plus précieuse de l'approche n'est pas le choix du LLM, mais les données de vérification. L'équipe a exporté plusieurs années de contenus validés, analysé les commentaires des éditeurs, des juristes et des gestionnaires de risques, puis regroupé les remarques récurrentes. Sinon, il aurait fallu demander au modèle de « vérifier un bon texte » de façon abstraite, une requête impossible à mesurer et à mettre à jour de manière stable.
Les règles ont été réparties entre règles strictes et règles contextuelles. Une erreur dans le nom d'un produit bloque toujours la publication. L'argot ou les emojis peuvent être acceptables pour un public jeune, mais déplacés dans une autre campagne. Cette séparation permet de modifier un filtre isolé lors de l'entrée en vigueur d'une nouvelle loi ou d'une crise, sans refaire toute la génération.
Selon les évaluations internes de Sber, la précision du juriste IA et de Smart ToV dépasse 90 %. Les contrôles produisent plus souvent de fausses alertes qu'ils ne laissent passer un risque réel. Pour une banque, c'est un biais assumé, mais ce chiffre ne peut pas être considéré comme un benchmark indépendant : la méthodologie de test et la taille de l'échantillon de contrôle ne sont pas divulguées.
Que retenir pour la pratique
Une équipe produit devrait commencer non par un agent, mais par le journal des corrections passées. Il faut d'abord isoler les décisions répétables, définir les infractions critiques et constituer un ensemble d'exemples annotés. Il est ensuite utile de lancer la vérification en mode fantôme, de comparer ses décisions avec celles des experts, et seulement après d'autoriser le passage automatique des contenus à faible risque.
Il existe aussi des limites. Le cas est décrit par l'équipe de Sber elle-même, donc les chiffres sur le gain de temps et la précision nécessitent une vérification indépendante. Le processus complet a été lancé récemment, ne couvre pas tous les contenus et fonctionne pour l'instant mieux avec les formats courts. Par ailleurs, l'automatisation n'élimine pas les éditeurs ni les juristes : elle fait évoluer leur rôle, de la lecture séquentielle de chaque texte vers le paramétrage des règles, l'examen des exceptions et le contrôle qualité.
La conclusion pratique est simple : dans le contenu d'entreprise, il est plus avantageux de placer le LLM non seulement en amont du pipeline, où il rédige le brouillon, mais aussi en aval, comme un ensemble de filtres étroits et mesurables. C'est la suppression de la file de validations, et non la vitesse de génération, qui apporte ici le principal gain.
- 12 nov. 2026Claude in Chrome exige une autorisation pour chaque clic sur les sites de catégorie 3
- 12 nov. 2026Norwest lève un fonds record de 4 Md$ et mise sur les agents, la voix et l'IA physique
- 12 nov. 2026AWS montre comment 100 % de précision de recherche masquent l'échec d'un agent IA
- 12 nov. 2026Garage Eight a supprimé les approbations externes sur 69 MR d'un service interne grâce à la revue par IA
Questions clés sur cet article
Que sait-on sur Trois contrôles au lieu de huit validateurs ?
Le système répartit la vérification en trois couches. La première, AI-Boost, contrôle l'orthographe, les règles éditoriales et les formulations produit. L'équipe a étudié les remarques accumulées par les éditeurs et les correcteurs et a ramené les exigences récurrentes à environ 50–60 règles. S'y ajoutent des dictionnaires, des guides produit et des limites de longueur des messages.
Que sait-on sur D'où viennent les règles ?
La partie la plus précieuse de l'approche n'est pas le choix du LLM, mais les données de vérification. L'équipe a exporté plusieurs années de contenus validés, analysé les commentaires des éditeurs, des juristes et des gestionnaires de risques, puis regroupé les remarques récurrentes. Sinon, il aurait fallu demander au modèle de « vérifier un bon texte » de façon abstraite, une requête impossible à mesurer et à mettre à jour de manière stable.
Que sait-on sur Que retenir pour la pratique ?
Une équipe produit devrait commencer non par un agent, mais par le journal des corrections passées. Il faut d'abord isoler les décisions répétables, définir les infractions critiques et constituer un ensemble d'exemples annotés. Il est ensuite utile de lancer la vérification en mode fantôme, de comparer ses décisions avec celles des experts, et seulement après d'autoriser le passage automatique des contenus à faible risque. Il existe aussi des limites.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.