Goldman Sachs entre dans une nouvelle phase de l'intelligence artificielle : Marco Argenti parle des agents

Goldman Sachs revoit sa stratégie en matière d'intelligence artificielle, alors que les outils d'agents progressent vite et que les cas d'usage en entreprise gagnent en maturité. Marco Argenti, directeur des systèmes d'information de la banque, ne parle plus seulement d'expérimentations internes, mais de la façon dont la nouvelle vague d'IA transforme le développement et les processus quotidiens au sein d'un établissement financier.

Ce qui a changé en un an et demi

Il y a un an et demi, Goldman Sachs expliquait surtout comment elle construisait ses propres outils internes d'IA et où elle tentait d'appliquer des modèles sans les ouvrir à un usage de masse. Depuis, le marché s'est brusquement accéléré : les modèles génératifs sont devenus plus précis, les cas d'usage en entreprise plus clairs, et les systèmes d'agents, qui ne se contentent pas de répondre à une requête mais savent exécuter des chaînes d'actions, sont passés au premier plan.

Cela change aussi la discussion au sein des entreprises : on est passé de l'idée « essayons » à la question « quelle part du travail peut-on confier dès maintenant à la machine ».

Pour une banque comme Goldman Sachs, ce basculement compte pour autre chose que l'effet de mode. Si la valeur se mesurait souvent à la qualité des réponses dans un chat, c'est désormais la productivité des employés qui prime : à quelle vitesse un développeur écrit du code, un analyste prépare un brouillon, ou une équipe retrouve l'information voulue dans ses propres systèmes. En ce sens, les plateformes d'agents comme Claude Code ne sont plus un gadget à part, mais une nouvelle interface vers le travail en entreprise, où il faut à la fois du résultat et du contrôle.

Où regarde la banque

D'après le compte rendu de ce nouvel échange avec Argenti, l'attention de Goldman Sachs se déplace du simple fait d'adopter vers la qualité de l'usage. Il ne suffit plus à la banque de disposer de services d'IA internes. Il importe maintenant de comprendre quelles tâches ils traitent mieux que les logiciels classiques, où ils font vraiment gagner du temps et où ils exigent trop de vérification humaine. Pour un grand établissement financier, c'est une approche pragmatique : toute automatisation n'a de valeur que si elle s'insère dans les processus existants, les exigences de sécurité et la responsabilité des équipes.

• Outils internes pour les employés
• Aide au développement et au travail sur le code
• Chaînes d'actions plus complexes plutôt que requêtes isolées
• Évaluation de l'utilité réelle, et pas seulement de la qualité des réponses

À quoi servent les agents

L'enjeu principal est la manière dont la banque évalue précisément l'approche par agents. Il ne s'agit plus seulement d'un assistant qui résume des documents ou répond à des questions sur une base de connaissances, mais de systèmes capables d'exécuter des tâches en plusieurs étapes. Pour les équipes d'ingénierie et de produit, c'est particulièrement visible : un tel outil peut lire du code, proposer des modifications, rechercher des dépendances et prendre en charge une partie du travail de routine sans jongler sans cesse entre les fenêtres. Mais plus l'autonomie est grande, plus les questions de confiance, de journalisation des actions et de droit de l'humain à la décision finale se font pressantes.

C'est pourquoi l'expérience de Goldman Sachs est intéressante non comme l'histoire d'« une banque qui adopte elle aussi l'IA », mais comme un signal de la prochaine étape du marché. Quand de telles organisations parlent non de pilotes de démonstration, mais de scénarios de production et de l'effet sur les spécialistes, cela signifie que la technologie passe l'épreuve de l'utilité. Même si une partie des expérimentations ne donne pas de résultat immédiat, le basculement compte : l'IA d'entreprise passe peu à peu d'un ensemble de chatbots à une couche d'infrastructure qui aide à écrire, chercher, vérifier et exécuter des actions au sein de l'entreprise.

Ce que cela signifie

Pour tout le secteur de l'IA d'entreprise, c'est un marqueur de maturité. Le débat sur l'IA s'éloigne des promesses abstraites pour se rapprocher de l'efficacité mesurable : où les agents font gagner des heures de travail, comment ils s'intègrent dans des processus sensibles et quelles tâches on peut leur confier sans perdre le contrôle. Si cette approche s'installe dans les banques, elle deviendra vite une référence pour d'autres grandes entreprises internationales.